《超级马里奥兄弟》你能玩到第几关？说起这款 FC 时代的经典游戏，大家可能再熟悉不过了，大鼻子、留胡子，永远穿着背带工装服的马里奥大叔，成为了很多 80/90 后的童年回忆。看着画面中熟悉的马里奥大叔一路跌跌撞撞，躲避半路杀出来的毒蘑菇，锤子乌龟，头盔兔子、食人花，感觉又回到了小时候。

　　最早发行的这版《超级马里奥兄弟》设置 8 个场景，每个场景分为 4 关，共 32 个关卡，相信很多朋友至今还没有完全通关。

　　Viet Nguyen 就是其中一个。这位来自德国的程序员表示自己只玩到了第 9 个关卡。因此，他决定利用强化学习 AI 算法来帮他完成未通关的遗憾。

　　现在他训练出的 AI 马里奥大叔已经成功拿下了 29 个关卡。

　　不过，遗憾的是第4、7、8 场景中的第 4 关卡未通过。Viet Nguyen 解释说，这与游戏规则的设置有关。在一场游戏结束后，玩家可以自行选择通关路径，但这可能出现重复访问同一关卡的情况，所以 AI 未成功进入到这三关游戏之中。

　　Viet Nguyen 使用的强化学习算法正是 OpenAI 研发的近端策略优化算法（Proximal Policy Optimization，简称 PPO），他介绍，此前使用 A3C 代码训练马里奥闯关，效果远不及此，这次能够达到 29 关也是超出了原本的预期。

　　现在 Viet Nguyen 已经将基于 PPO 编写的完整 Python 代码发布到了 Github 上，并给出了详细的使用说明，感兴趣的朋友可以体验一下：

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

　　还会玩 Dota 的 AI 算法：PPO

　　据了解，PPO 是 OpenAI 在 2017 年开发的算法模型，主要用来训练虚拟游戏玩家 OpenAI Five，这位虚拟玩家在 2018 年的 Dota2 人机对抗赛中，战胜过世界顶级职业选手，同时能够打败 99.95% 的普通玩家。

　　复杂的游戏环境一直被研究人员视为 AI 训练的最佳场景。为了让 AI 掌握游戏规则，学会运用策略，强化学习是研究人员常用的机器学习方法之一，它能够描述和解决 AI 智能体（Agent）在与环境交互过程中通过学习策略实现特定目标的问题。

　　近端策略优化算法（PPO）已成为深度强化学习基于策略中效果最优的算法之一。有关该算法的论文已经发布在 arXiv 预印论文库中。

　　论文中指出，PPO 是一种新型的策略梯度（Policy Gradient）算法，它提出新的“目标函数”可以进行多个训练步骤，实现小批量的更新，解决 PG 算法中步长难以确定的问题。固定步长的近端策略优化算法如下:

　　(每次迭代时，N个 actor 中的每个都收集T个时间步长的数据。 然后在这些 NT 时间步长的数据上构建替代损失，并使用 minibatch SGD 进行K个 epochs 的优化。)

　　研究人员表明，该算法具有信任区域策略优化（TRPO）的一些优点，但同时比它实施起来更简单，更通用，具有更好的样本复杂性（凭经验）。为了证实 PPO 的性能，研究人员在一些基准任务上进行了模拟测试，包括人形机器人运动策略和 Atari 游戏的玩法。

　　PPO 算法的基准任务测试

　　在游戏角色的 AI 训练中，一种基本的功能是具备连续性的运行和转向，如在马里奥在遇到诸如地面或者空中障碍时，能够以此为目标进行跳转和躲避。论文中，研究人员为了展示 PPO 的高维连续控制性能，采用 3D 人形机器人进行了测试，测试任务分别为：

　　（1）仅向前运动；（2）每 200 个时间步长或达到目标时，目标位置就会随机变化；（3）被目标击倒后，需要从地面站起来。以下从左至右依次为这三个任务的学习曲线。

　　研究人员从以上学习曲线中，随机抽取了任务二在某一时刻的性能表现。如下图，

　　可以看出，在第六帧的放大图中，人形机器人朝目标移动，然后随机改变位置，机器人能够跟随转向并朝新目标运行。说明 PPO 算法在连续转控方面具备出色的性能表现。

　　那么它在具体游戏中“获胜率”如何呢？研究人员运用 Atari 游戏合集（含 49 个）对其进行验证，同时与 A2C 和 ACER 两种算法进行了对比。为排除干扰因素，三种算法全部使用了相同的策略网络体系，同时，对其他两种算法进行超参数优化，确保其在基准任务上的性能最大化。

　　如上图，研究人员采用了两个评估指标：（1）在整个训练期间每集的平均获胜数；（2）在持续 100 集训练中的每集的平均获胜数。 前者更适合快速学习，后者有助于最终的比赛表现。可以看出 PPO 在指标一种的获胜次数达到了 30，在小样本下有更高的胜率。

　　最后研究人员还强调，PPO 近端策略优化的优势还在于简洁好用，仅需要几行代码就可以更改为原始策略梯度实现，适用于更常规的设置，同时也具有更好的整体效果。

　　更多论文详细内容，请参见地址：https://arxiv.org/abs/1707.06347