用語(yǔ)言建模世界：UC伯克利多模態(tài)世界模型利用語(yǔ)言預測未來(lái)（1）

當前，人與智能體（比如機器人）的交互是非常直接的，你告訴它「拿一塊藍色的積木」，它就會(huì )幫你拿過(guò)來(lái)。但現實(shí)世界的很多信息并非那么直接，比如「扳手可以用來(lái)擰緊螺母」、「我們的牛奶喝完了」。這些信息不能直接拿來(lái)當成指令，但卻蘊含著(zhù)豐富的世界信息。智能體很難了解這些語(yǔ)言在世界上的含義。

圖源：谷歌機器人團隊論文「Interactive Language: Talking to Robots in Real Time」。

UC 伯克利 Dynalang 研究的關(guān)鍵思想是，我們可以將語(yǔ)言看作是幫助我們更好地對世界進(jìn)行預測的工具，比如「我們的牛奶喝完了」→打開(kāi)冰箱時(shí)沒(méi)有牛奶；「扳手可以用來(lái)擰緊螺母」→使用工具時(shí)螺母會(huì )旋轉。Dynalang 在一個(gè)模型中結合了語(yǔ)言模型（LM）和世界模型（WM），使得這種范式變成多模態(tài)。研究者認為，將語(yǔ)言生成和行動(dòng)統一在一個(gè)智能體架構中是未來(lái)研究的一個(gè)令人興奮的方向。

論文概覽

人工智能長(cháng)期以來(lái)的目標是開(kāi)發(fā)能夠在物理世界中與人類(lèi)自然交互的智能體。當前的具身智能體可以遵循簡(jiǎn)單的低層指令，比如「拿一塊藍色的積木」或者「經(jīng)過(guò)電梯，然后向右轉」。
然而，要實(shí)現自由交流的互動(dòng)智能體，就需要理解人們在「此時(shí)此地」之外使用語(yǔ)言的完整方式，包括：傳遞知識，比如「左上角的按鈕是關(guān)掉電視的」；提供情境信息，如「我們的牛奶喝完了」；以及協(xié)同，比如跟別人說(shuō)「我已經(jīng)吸過(guò)客廳了」。我們在文本中閱讀的很多內容或者從他人口中聽(tīng)到的信息都在傳遞有關(guān)世界的知識，無(wú)論是關(guān)于世界如何運行還是關(guān)于當前世界狀態(tài)的知識。
我們如何使智能體能夠使用多樣化的語(yǔ)言呢？一種訓練基于語(yǔ)言的智能體解決任務(wù)的方法是強化學(xué)習（RL）。然而，目前的基于語(yǔ)言的 RL 方法主要是學(xué)習從特定任務(wù)指令生成行動(dòng)，例如將目標描述「拿起藍色的積木」作為輸入，輸出一系列運動(dòng)控制。
然而，當考慮到自然語(yǔ)言在現實(shí)世界中所服務(wù)的多樣功能時(shí)，直接將語(yǔ)言映射到最優(yōu)行動(dòng)是一個(gè)具有挑戰性的學(xué)習問(wèn)題。以「我把碗放好了」為例：如果任務(wù)是清洗，智能體應該繼續進(jìn)行下一個(gè)清洗步驟；而如果是晚餐服務(wù)，智能體應該去取碗。當語(yǔ)言不涉及任務(wù)時(shí)，它只與智能體應該采取的最優(yōu)行動(dòng)弱相關(guān)。將語(yǔ)言映射到行動(dòng)，尤其是僅使用任務(wù)獎勵，對于學(xué)會(huì )使用多樣化語(yǔ)言輸入完成任務(wù)來(lái)說(shuō)是一個(gè)弱學(xué)習信號。
不同的是，UC 伯克利的研究者提出，智能體使用語(yǔ)言的一種統一方法是幫助它們預測未來(lái)。前面提到的語(yǔ)句「我把碗放好了」有助于智能體更好地預測未來(lái)的觀(guān)察結果（即，如果它采取行動(dòng)打開(kāi)櫥柜，它將在那里看到碗）。
我們遇到的很多語(yǔ)言可以通過(guò)這種方式與視覺(jué)體驗聯(lián)系起來(lái)。先前的知識，比如「扳手可以用來(lái)擰緊螺母」，幫助智能體預測環(huán)境變化。諸如「包裹在外面」的陳述有助于智能體預測未來(lái)的觀(guān)察結果。這個(gè)框架還將標準指令遵循歸入預測范疇：指令幫助智能體預測自己將如何受到獎勵。類(lèi)似于下一個(gè) token 預測允許語(yǔ)言模型形成關(guān)于世界知識的內部表示，研究者假設預測未來(lái)的表示為智能體理解語(yǔ)言以及它與世界的關(guān)系提供了豐富的學(xué)習信號。

基于此，他們提出了 Dynalang，一種從在線(xiàn)經(jīng)驗中學(xué)習語(yǔ)言和圖像世界模型，并利用該模型學(xué)習如何行動(dòng)的智能體。
Dynalang 將學(xué)習用語(yǔ)言對世界建模（帶有預測目標的監督學(xué)習）與學(xué)習根據該模型采取行動(dòng)（帶有任務(wù)獎勵的強化學(xué)習）分離開(kāi)來(lái)。該世界模型接收視覺(jué)和文本輸入作為觀(guān)察模態(tài)，并將它們壓縮到潛在空間。研究者通過(guò)在線(xiàn)收集的經(jīng)驗訓練世界模型，使其能夠預測未來(lái)的潛在表示，同時(shí)智能體在環(huán)境中執行任務(wù)。他們通過(guò)將世界模型的潛在表示作為輸入，訓練策略來(lái)采取最大化任務(wù)獎勵的行動(dòng)。由于世界建模與行動(dòng)分離，Dynalang 可以在沒(méi)有行動(dòng)或任務(wù)獎勵的單模態(tài)數據（僅文本或僅視頻數據）上進(jìn)行預訓練。
此外，他們的框架還可以統一語(yǔ)言生成：智能體的感知可以影響智能體的語(yǔ)言模型（即其對未來(lái) token 的預測），使其能夠通過(guò)在動(dòng)作空間輸出語(yǔ)言來(lái)描述環(huán)境。

論文鏈接：https://arxiv.org/pdf/2308.01399.pdf項目主頁(yè)：https://dynalang.github.io/代碼鏈接：https://github.com/jlin816/dynalang
研究者在具有不同類(lèi)型語(yǔ)言上下文的多樣化環(huán)境中對 Dynalang 進(jìn)行了評估。在一個(gè)多任務(wù)家庭清潔環(huán)境中，Dynalang 學(xué)會(huì )利用關(guān)于未來(lái)觀(guān)察、環(huán)境動(dòng)態(tài)和修正的語(yǔ)言提示，更高效地完成任務(wù)。在 Messenger 基準測試中，Dynalang 可以閱讀游戲手冊來(lái)應對最具挑戰性的游戲階段，優(yōu)于特定任務(wù)的架構。在視覺(jué) - 語(yǔ)言導航中，研究者證明 Dynalang 可以學(xué)會(huì )在視覺(jué)和語(yǔ)言復雜的環(huán)境中遵循指令。
Dynalang 學(xué)會(huì )使用語(yǔ)言來(lái)預測未來(lái)的（文本 + 圖像）觀(guān)察結果和獎勵，從而幫助解決任務(wù)。在這里，研究者展示了在 HomeGrid 環(huán)境中真實(shí)的模型預測結果。智能體在接收環(huán)境中的視頻和語(yǔ)言觀(guān)察的同時(shí)，探索了各種房間。根據過(guò)去的文本「瓶子在客廳」，在時(shí)間步 61-65，智能體預測將在客廳的最后一個(gè)角落看到瓶子。根據描述任務(wù)的文本「拿起瓶子」，智能體預測將因為拿起瓶子而獲得獎勵。智能體還可以預測未來(lái)的文本觀(guān)察：在時(shí)間步 30，給定前半句「盤(pán)子在」，并觀(guān)察到櫥柜上的盤(pán)子，模型預測下一個(gè)最可能的 token 是「廚房」。
研究者考慮了一系列具有視覺(jué)輸入和多樣化語(yǔ)言的環(huán)境。HomeGrid 是一個(gè)具有指令和多樣化提示的具有挑戰性的視覺(jué)網(wǎng)格世界。Messenger 是一個(gè)具有符號輸入的基準測試，包含數百個(gè)人工編寫(xiě)的游戲手冊，需要進(jìn)行多次推理。Habitat 是一個(gè)模擬逼真的 3D 家居環(huán)境，用于視覺(jué) - 語(yǔ)言導航，在其中智能體必須在數百個(gè)場(chǎng)景中定位物體。LangRoom 是一個(gè)簡(jiǎn)單的視覺(jué)網(wǎng)格世界，具有部分可觀(guān)察性，智能體需要同時(shí)生成動(dòng)作和語(yǔ)言。
詳解 Dynalang 工作原理
使用語(yǔ)言來(lái)理解世界很自然地符合世界建模范式。這項工作構建在 DreamerV3 的基礎之上，DreamerV3 是一種基于模型的強化學(xué)習智能體。Dynalang 不斷地從經(jīng)驗數據中學(xué)習，這些數據是智能體在環(huán)境中執行任務(wù)時(shí)收集到的。
如下圖（左）所示，在每個(gè)時(shí)間步，世界模型將文本和圖像壓縮成潛在表示。通過(guò)這個(gè)表示，模型被訓練用于重建原始觀(guān)察結果、預測獎勵，并預測下一個(gè)時(shí)間步的表示。直觀(guān)地說(shuō)，世界模型根據它在文本中讀到的內容，學(xué)習它應該期望在世界中看到什么。
如下圖（右）所示，Dynalang 通過(guò)在壓縮的世界模型表示之上訓練策略網(wǎng)絡(luò )來(lái)選擇行動(dòng)。它通過(guò)來(lái)自世界模型的想象的模擬結果進(jìn)行訓練，并學(xué)會(huì )采取能夠最大化預測獎勵的行動(dòng)。

與之前逐句或逐段消耗文本的多模態(tài)模型不同，研究者設計的 Dynalang 將視頻和文本作為一個(gè)統一的序列來(lái)建模，一次處理一幀圖像和一個(gè)文本 token。直觀(guān)來(lái)說(shuō)，這類(lèi)似于人類(lèi)在現實(shí)世界中接收輸入的方式 —— 作為一個(gè)單一的多模態(tài)流，人需要時(shí)間來(lái)聆聽(tīng)語(yǔ)言。將所有內容建模為一個(gè)序列使得模型可以像語(yǔ)言模型一樣在文本數據上進(jìn)行預訓練，并提高強化學(xué)習的性能。