【新智元导读】 来自英伟达等机构的研究者，竟然让GPT-4教会机器人转笔、玩魔方？通过编码大语言模型，可以完成超越人类水平的奖励设计，整个RL社区都震惊了。
GPT-4，竟然教会机器人转笔了！
英伟达、宾大、加州理工、德州奥斯汀等机构的专家提出一个开放式Agent------Eureka，它是一个开放式Agent，为超人类水平的机器人灵巧性设计了奖励功能。
项目链接：eureka-research.github.io/
代码链接：github.com/eureka-rese...
作者之一的英伟达高级科学家Jim Fan对此点评道：这简直就像物理模拟器API空间中的旅行者空间探测器！
以往，LLM和机器人结合的应用案例，往往是让大模型帮助机器人规划高级任务。比如，让LLM告诉机器人，把大象装进冰箱需要3步，打开冰箱，把大象放进去，再关上冰箱门。
然而控制机器人完成打开冰箱，放置大象，和关上冰箱门这3个具体的低级动作，机器人需要依靠其他的方式来控制完成。
但是英伟达等机构的研究人员开发出的Eureka系统，可以让GPT-4直接教机器人完成基本的动作。
具体来说，它是一个GPT-4加持的奖励设计算法，充分利用了GPT-4优秀的零样本生成、代码生成和上下文学习的能力，产生的奖励可以用于通过强化学习来让机器人获得复杂的具体技能。
在没有任何特定于任务的提示或预定义的奖励模板的情况下，Eureka生成的奖励函数的质量，已经能够超过人类专家设计的奖励！
从此，LLM+机器人又有了新玩法。
同往常一样，代码是开源的。
全体RL社区，起立！
AI学者惊呼：全体RL社区都应该对Eureka论文感到敬畏和震惊。
如果按他们的方法一遍一遍重复，RL会在不同的任务中取得超越人类的成功，并且完全不需要人工干预！
几年前，RL似乎让业界有野心实现AGI，但后来发生的事情，让RL被降级为蛋糕上的樱桃，而LLM一直是那块缺失的拼图。
如今，基于自我改进的正反馈循环很可能即将到来，进而让我们拥有超越人类的训练数据和能力。
Jim Fan还表示，Eureka可以应用机器人之外的许多场景，比如动画和游戏。
动画即是控制虚拟世界中的角色，这是劳动密集型的工作：工作室让艺术家用手画每一帧，或者让演员做MoCap。即便如此，动作也是静态数据，无法对动态变化的环境做出反应。
而Eureka是通用的，提供了一种快速扩展物理逼真和响应式动画的方法。它可以成为艺术家的copilot，通过自然语言界面创造新的灵巧技能。而且，游戏甚至可以通过使用临时奖励功能微调控制器，来动态生成行为。
《艾尔登法环》的Boss战中，女神玛莲妮亚标志性的「水鸟乱舞」动作不知道需要多少天的手工工作
在编码和电机控制之间，架起桥梁
Eureka在高级推理（编码）和低级电机控制之间，架起了一座桥梁，弥合了差距。
它是一种「混合梯度架构」：一个黑盒、纯推理的LLM指导一个白盒、可学习的神经网络。
外循环运行 GPT-4 以优化奖励函数（无梯度），而内循环运行强化学习以训练机器人控制器（基于梯度）。
研究者之所以能扩大Eureka的规模，这要归功于IsaacGym，这是一款GPU加速的物理模拟器，可将现实速度提高1000倍。在10个机器人执行的29项基准任务中，Eureka在83%的任务中获得的奖励超过了人类编写的专家奖励，平均提高幅度达52%。
Eureka奖励和策略
研究人员展示了Eureka设计的奖励以及使用这些奖励为每个环境训练的策略：
在两个开源基准测试：Isaac Gym (Isaac) 和Bidexterous Manipulation (Dexterity)中，Eureka针对10个机器人和29个独立任务设计了奖励。
最让人惊讶的是，Eureka竟然学会了转笔！要知道，即使是CGI艺术家，也很难把它逐帧制作成动画。
网格中心的视频展示的是笔的旋转轴垂直于手掌，将笔平行与手掌进行旋转（经典的转笔动作）。此外，研究人员还训练了围绕不同轴转笔的其他几种变体。
并且，Eureka还实现了一种新形式的上下文RLHF，它能将人类操作员的自然语言反馈纳入其中，以引导和调整奖励功能。
而且，机器人工程师设计复杂的运动行为时，这种RLHF还可以提供强大的co-pilot功能。
在机器人学习中，大语言模型一直擅长的是生成高级计划和中级动作，比如拾取和放置（VIMA、RT-1 等），但在复杂的高频运动控制上，LLM就有所欠缺了。
而Eureka时刻通过编码实现了奖励功能，这是LLM学习灵巧技能的关键入口。
Eureka的构成组件
Eureka通过在上下文中发展奖励功能，实现了人类水平的奖励设计。
它有3个关键组成部分。
- 模拟器环境代码作为上下文，快速启动初始「种子」奖励函数。
- GPU上的大规模并行RL，可以快速评估大量候选奖励。
- 奖励反射可在上下文中产生有针对性的奖励突变。
将原始环境用作LLM上下文
首先，通过使用原始的IsaacGym环境代码作为上下文，Eureka已经可以生成可用的奖励程序，而无需任何特定任务的提示工程。这就使得Eureka成为一个开放式的通用奖励设计师，在第一次尝试时就可以轻松地为所有的环境生成奖励函数。
其次，Eureka 会在每个进化步骤中生成许多候选奖励，然后使用完整的RL训练循环对其进行评估。通常，这个过程非常缓慢，可能需要几天甚至几周。而有了英伟达的GPU原生机器人训练平台IsaacGym (developer.nvidia.com/isaac-gym)，...%25EF%25BC%258C%25E8%25BF%2599%25E4%25B8%2580%25E8%25A7%2584%25E6%25A8%25A1%25E5%258F%25AF%25E4%25BB%25A5%25E8%25BF%2585%25E9%2580%259F%25E6%2589%25A9%25E5%25A4%25A7%25EF%25BC%258C%25E5%25B0%2586%25E6%25A8%25A1%25E6%258B%259F%25E6%2597%25B6%25E9%2597%25B4%25E6%258F%2590%25E9%25AB%2598%25E4%25BA%25861000%25E5%2580%258D%25E3%2580%2582%25E7%258E%25B0%25E5%259C%25A8%25EF%25BC%258CRL%25E5%2586%2585%25E5%25BE%25AA%25E7%258E%25AF%25E5%258F%25AF%25E4%25BB%25A5%25E5%259C%25A8%25E5%2587%25A0%25E5%2588%2586%25E9%2592%259F%25E5%2586%2585%25E5%25AE%258C%25E6%2588%2590%25EF%25BC%2581 "https://developer.nvidia.com/isaac-gym)%EF%BC%8C%E8%BF%99%E4%B8%80%E8%A7%84%E6%A8%A1%E5%8F%AF%E4%BB%A5%E8%BF%85%E9%80%9F%E6%89%A9%E5%A4%A7%EF%BC%8C%E5%B0%86%E6%A8%A1%E6%8B%9F%E6%97%B6%E9%97%B4%E6%8F%90%E9%AB%98%E4%BA%861000%E5%80%8D%E3%80%82%E7%8E%B0%E5%9C%A8%EF%BC%8CRL%E5%86%85%E5%BE%AA%E7%8E%AF%E5%8F%AF%E4%BB%A5%E5%9C%A8%E5%87%A0%E5%88%86%E9%92%9F%E5%86%85%E5%AE%8C%E6%88%90%EF%BC%81")
Eureka奖励反思（Reward Reflection）
Eureka依赖于奖励反思，这是对RL训练的自动文本总结。因为GPT-4在上下文代码修复上的卓越能力，使得Eureka能够执行有针对性的奖励突变。
实验
研究人员在一系列不同的机器人实施例和任务上对 Eureka 进行了全面评估，测试其生成奖励函数、解决新任务以及整合各种形式的人类输入的能力。
研究人员的环境由10 个不同的机器人和使用IsaacGym模拟器执行的29个任务组成。
首先，研究人员包括来自 IsaacGym (Isaac) 的 9 个原始环境，涵盖从四足、双足、四旋翼、协作机器人手臂到灵巧手的各种机器人形态。
除了囊括了机器人外形尺寸之外，研究人员还通过纳入Dexterity基准测试中的所有 20 项任务来确保评估的深度。
Dexterity包含20项复杂的双手动任务，需要一双影子手来解决各种复杂的具体操作技能，从物体交接到将杯子旋转180度。
评估结果
Eureka可以生成超人类水平的奖励函数 在29项任务中，Eureka生成的奖励在83%的任务上表现优于人类专家编写的奖励，平均标准化提升为52%。特别是，Eureka在高维Dexterity环境中实现了更大的收益。
Eureka进化奖励搜索可以随着时间的推移实现持续的奖励改进 Eureka通过将大规模奖励搜索与详细奖励反思反馈相结合，逐步产生更好的奖励，最终超过人类水平。Eureka生成的原创性奖励 
研究人员通过计算所有Isaac任务上的Eureka和人类奖励之间的相关性来评估Eureka奖励的新颖性。如上图所示，Eureka主要生成弱相关的奖励函数，其表现优于人类的奖励函数。此外，研究人员观察到任务越难，Eureka奖励的相关性就越小。在某些情况下，Eureka奖励甚至与人类奖励呈负相关，但表现却明显优于人类奖励。
通过课程学习来教会灵巧转笔
转笔任务需要影子手不断旋转笔，以实现一些预定义的旋转模式，完成尽可能多的循环。
研究人员通过以下方式解决此任务：
（1）指示 Eureka 生成奖励函数，用于将笔重新定向到随机目标配置，然后
（2）使用 Eureka 奖励微调此预训练策略以达到所需的笔序列-旋转配置。
如图所示，Eureka微调很快就适应了策略，成功地连续旋转了许多个周期。相比之下，预训练或从头开始学习的策略连单个周期都无法完成。
5次查询，教会人形机器人稳定地跑步！
Eureka能否根据人类反馈进行调整呢？
目前为止，Eureka可以通过环境反馈全自动运行。为了捕捉人类的细微偏好，Eureka还可以使用自然语言反馈来共同引导奖励设计。这就产生了一种新颖的无梯度情境下的RLHF。
带有人类反馈的Eureka只用了5次查询，就教会了人形机器人如何稳定地跑步！
而在没有RLHF前，人形机器人是这样跑步的。