近日，Google DeepMind發(fā)布最新研究成果，提出一種名為AlphaEvolve的方法，用大語言模型驅(qū)動的進(jìn)化式搜索框架，自動發(fā)現(xiàn)新的多智能體強(qiáng)化學(xué)習(xí)算法。這項(xiàng)工作已經(jīng)以論文形式發(fā)布，題為《Discovering Multiagent Learning Algorithms with Large Language Models》。

多智能體強(qiáng)化學(xué)習(xí)主要研究多個智能體在同一環(huán)境中博弈與協(xié)作的問題，廣泛應(yīng)用于博弈論、自動對弈系統(tǒng)以及復(fù)雜策略優(yōu)化場景。長期以來，這一領(lǐng)域的重要算法框架，如反事實(shí)遺憾最小化（CFR）和策略響應(yīng)預(yù)言機(jī)（PSRO），雖然理論基礎(chǔ)扎實(shí)，但具體變體的設(shè)計往往依賴研究者不斷試驗(yàn)、調(diào)參和經(jīng)驗(yàn)判斷。

Google DeepMind此次提出的AlphaEvolve，則嘗試改變這一傳統(tǒng)路徑。研究團(tuán)隊(duì)將大語言模型用于生成和修改算法代碼，通過自動化演化過程，在大規(guī)模搜索空間中探索可能的算法結(jié)構(gòu)。系統(tǒng)不再僅僅優(yōu)化參數(shù)，而是直接對算法邏輯本身進(jìn)行改寫和組合，從而產(chǎn)生新的訓(xùn)練規(guī)則和更新機(jī)制。

在論文中，研究團(tuán)隊(duì)報告了兩個主要成果。

其一是提出了一種名為VAD-CFR的新型遺憾最小化方法。該方法在傳統(tǒng)CFR框架基礎(chǔ)上，引入了與波動性相關(guān)的折扣機(jī)制、強(qiáng)調(diào)一致性的樂觀更新方式，以及特定的策略累積調(diào)度方案。在多個測試環(huán)境中，VAD-CFR的表現(xiàn)優(yōu)于當(dāng)前常用的Discounted Predictive CFR+等基線算法。

其二是在PSRO框架下，演化出一種名為SHOR-PSRO的元求解器。該方法將樂觀遺憾匹配與溫度控制的平滑最優(yōu)響應(yīng)策略結(jié)合起來，并通過動態(tài)調(diào)整混合系數(shù)，實(shí)現(xiàn)從策略多樣性探索到均衡收斂的平穩(wěn)過渡。實(shí)驗(yàn)結(jié)果顯示，SHOR-PSRO在收斂速度和穩(wěn)定性方面優(yōu)于傳統(tǒng)靜態(tài)元求解器。

研究團(tuán)隊(duì)在論文中指出，這些新算法中包含一些“非直觀”的機(jī)制組合，也就是說，它們并非研究者憑借經(jīng)驗(yàn)自然會想到的結(jié)構(gòu)，但在實(shí)證測試中表現(xiàn)良好。這意味著，AI系統(tǒng)不僅可以輔助調(diào)參，還可以參與到算法結(jié)構(gòu)設(shè)計本身。

這項(xiàng)工作的意義在于，算法設(shè)計這一長期以來被視為高度依賴人類創(chuàng)造力和理論直覺的領(lǐng)域，開始出現(xiàn)由AI系統(tǒng)自動生成有效方案的案例。過去，多智能體強(qiáng)化學(xué)習(xí)算法往往需要多年迭代改進(jìn)，而現(xiàn)在，大語言模型驅(qū)動的演化系統(tǒng)能夠在較短時間內(nèi)探索大量可能路徑，并篩選出具有競爭力的方案。

從更廣的視角看，這種“用AI設(shè)計訓(xùn)練AI的算法”的模式，可能會在強(qiáng)化學(xué)習(xí)、博弈論優(yōu)化乃至更一般的機(jī)器學(xué)習(xí)框架中產(chǎn)生影響。如果類似方法在更多任務(wù)上被驗(yàn)證有效，未來算法創(chuàng)新的方式可能會逐步發(fā)生變化。

目前，這項(xiàng)研究仍處于學(xué)術(shù)驗(yàn)證階段，相關(guān)算法的實(shí)際應(yīng)用效果還有待更多場景測試。但可以確定的是，AI正在從“執(zhí)行既定算法”走向“參與算法創(chuàng)造”，這為人工智能研究帶來了新的方向。