《超級馬里奧兄弟》你能玩到第幾關？說起這款FC時代的經典遊戲，大家可能再熟悉不過了，大鼻子、留鬍子，永遠穿著背帶工裝服的馬里奧大叔，成為了很多80/90後的童年回憶。看著畫面中熟悉的馬里奧大叔一路跌跌撞撞，躲避半路殺出來的毒蘑菇，錘子烏龜，頭盔兔子、食人花，感覺又回到了小時候。

最早發行的這版《超級馬里奧兄弟》設置8個場景，每個場景分為4關，共32個關卡，相信很多朋友至今還沒有完全通關。

Viet Nguyen就是其中一個。這位來自德國的程序員表示自己只玩到了第9個關卡。因此，他決定利用強化學習AI算法來幫他完成未通關的遺憾。

現在他訓練出的AI馬里奧大叔已經成功拿下了29個關卡。

不過，遺憾的是第4、7、8場景中的第4關卡未通過。Viet Nguyen解釋說，這與遊戲規則的設置有關。在一場遊戲結束後，玩家可以自行選擇通關路徑，但這可能出現重複訪問同一關卡的情況，所以AI未成功進入到這三關遊戲之中。

Viet Nguyen使用的強化學習算法正是OpenAI研發的近端策略優化算法（Proximal Policy Optimization，簡稱PPO ），他介紹，此前使用A3C代碼訓練馬里奧闖關，效果遠不及此，這次能夠達到29關也是超出了原本的預期。

現在Viet Nguyen已經將基於PPO編寫的完整Python代碼發佈到了Github上，並給出了詳細的使用說明，感興趣的朋友可以體驗一下：

Github地址：https://github.com/uvipen/Super-mario-bros-PPO-pytorch

還會玩Dota的AI算法：PPO

據了解，PPO是OpenAI在2017年開發的算法模型，主要用來訓練虛擬遊戲玩家OpenAI Five，這位虛擬玩家在2018年的Dota2人機對抗賽中，戰勝過世界頂級職業選手，同時能夠打敗99.95%的普通玩家。

複雜的遊戲環境一直被研究人員視為AI訓練的最佳場景。為了讓AI掌握遊戲規則，學會運用策略，強化學習是研究人員常用的機器學習方法之一，它能夠描述和解決AI智能體（Agent）在與環境交互過程中通過學習策略實現特定目標的問題。

近端策略優化算法（PPO）已成為深度強化學習基於策略中效果最優的算法之一。有關該算法的論文已經發佈在arXiv預印論文庫中。

論文中指出，PPO是一種新型的策略梯度（Policy Gradient）算法，它提出新的“目標函數”可以進行多個訓練步驟，實現小批量的更新，解決PG算法中步長難以確定的問題。固定步長的近端策略優化算法如下:

(每次迭代時，N個actor中的每個都收集T個時間步長的數據。 然後在這些NT時間步長的數據上構建替代損失，並使用minibatch SGD 進行K個epochs的優化。)

研究人員表明，該算法具有信任區域策略優化（TRPO）的一些優點，但同時比它實施起來更簡單，更通用，具有更好的樣本複雜性（憑經驗）。為了證實PPO的性能，研究人員在一些基準任務上進行了模擬測試，包括人形機器人運動策略和Atari遊戲的玩法。

PPO算法的基準任務測試

在遊戲角色的AI訓練中，一種基本的功能是具備連續性的運行和轉向，如在馬里奧在遇到諸如地面或者空中障礙時，能夠以此為目標進行跳轉和躲避。論文中，研究人員為了展示PPO的高維連續控制性能，採用3D人形機器人進行了測試，測試任務分別為：

（1）僅向前運動；（2）每200個時間步長或達到目標時，目標位置就會隨機變化；（3）被目標擊倒後，需要從地面站起來。以下從左至右依次為這三個任務的學習曲線。

研究人員從以上學習曲線中，隨機抽取了任務二在某一時刻的性能表現。如下圖，

可以看出，在第六幀的放大圖中，人形機器人朝目標移動，然後隨機改變位置，機器人能夠跟隨轉向並朝新目標運行。說明PPO算法在連續轉控方面具備出色的性能表現。

那麼它在具體遊戲中“獲勝率”如何呢？研究人員運用Atari遊戲合集（含49個）對其進行驗證，同時與A2C和ACER兩種算法進行了對比。為排除乾擾因素，三種算法全部使用了相同的策略網絡體系，同時，對其他兩種算法進行超參數優化，確保其在基準任務上的性能最大化。

如上圖，研究人員採用了兩個評估指標：（1）在整個訓練期間每集的平均獲勝數；（2）在持續100集訓練中的每集的平均獲勝數。前者更適合快速學習，後者有助於最終的比賽表現。可以看出PPO在指標一種的獲勝次數達到了30，在小樣本下有更高的勝率。

最後研究人員還強調，PPO近端策略優化的優勢還在於簡潔好用，僅需要幾行代碼就可以更改為原始策略梯度實現，適用於更常規的設置，同時也具有更好的整體效果。

更多論文詳細內容，請參見地址：https://arxiv.org/abs/1707.06347