OpenAI ฝึกเอเจนต์จากมนุษย์สาธิตเพียงครั้งเดียวทำคะแนน 74500 ใน Montezuma's Revenge
หัวข้อต้นฉบับ:Learning Montezuma’s Revenge from a single demonstration
สรุปโดย AI
เอเจนต์ที่ OpenAI ฝึกเริ่มจากมนุษย์สาธิตเพียงครั้งเดียวทำคะแนนได้ 74500 ใน Montezuma's Revenge สูงกว่าผลลัพธ์ที่ดีที่สุดที่เคยเผยแพร่ก่อนหน้า อัลกอริทึมเริ่มเล่นต่อเนื่องจากสถานะที่คัดสรรอย่างพิถีพิถันจากการสาธิต และใช้ PPO ปรับคะแนนเกมเพื่อเรียนรู้ โดย PPO เป็นอัลกอริทึมการเรียนรู้แบบเสริมกำลังเดียวกับที่รองรับ OpenAI Five
สรุปสั้น
- เวลาเผยแพร่
- เวลาอัปเดต
- แหล่งที่มา
- OpenAI:官网动态(RSS · 排除企业/客户案例)
- หมวดหมู่
- บทความและงานวิจัย
- คะแนน AI
- 66
原文说明从单条人类演示中选取起始状态再用 PPO 优化得分的算法思路,读者可以理解这一强化学习方法的可迁移做法。
เอนทิตีที่เกี่ยวข้อง
แหล่งที่มาและลิขสิทธิ์
บทความนี้เรียบเรียงจากพาดหัวคัดสรรและบทสรุป AI จาก API สาธารณะของ AIHOT โดยระบุแหล่งที่มาและลิงก์กลับแล้ว ลิขสิทธิ์ต้นฉบับเป็นของสื่อและผู้เขียนต้นทาง เว็บไซต์นี้ไม่ได้สะท้อนเนื้อหาฉบับเต็ม
วิธีอ้างอิง
เมื่ออ้างอิงบทความนี้ โปรดระบุชื่อเรื่อง วันที่ และลิงก์ถาวร พร้อมระบุแหล่งที่มาเป็น Orange News
Orange News: OpenAI ฝึกเอเจนต์จากมนุษย์สาธิตเพียงครั้งเดียวทำคะแนน 74500 ใน Montezuma's Revenge 4 กรกฎาคม 2018 https://new.nat6.net/th/news/h6mlstx26g1p8egfntspy49mp/