# 自博弈强化学习

该工作提出 Game-Guided Skill Discovery（GGSD），在 1v1 竞争游戏中让分层智能体与历史策略池自博弈，高层策略从 5 个（G1 为 6 个）离散技能中选择、低层技能条件策略输出电机动作，并用互信息奖励区分技能语义；训练后人类可直接用同一组离散技能替换高层策略，在 Ant、Franka 机械臂与 Unitree G1 上组合出未训练过的 Maze 与 CubePush 任务，人类评测平均成功率至少 84%。

该工作提出 Game-Guided Skill Discovery（GGSD），在 1v1 竞争游戏中让分层智能体与历史策略池自博弈，高层策略从 5 个（G1 为 6 个）离散技能中选择、低层技能条件策略输出电机动作，并用互信息奖励区分技能语义；训练后人类可直接用同一组离散技能替换高层策略，在 Ant、Franka 机械臂与 Unitree G1 上组合出未训练过的 Maze 与 CubePush 任务，人类评测平均成功率至少 84%。

MIT、卡内基梅隆大学、纽约大学和斯坦福大学的研究者开发了名为Ataraxos的AI系统，它结合自对弈强化学习得到的“蓝图策略”与使用生成模型进行决策时规划的方法，在隐藏信息的棋盘战争游戏Stratego中以15-1-4的创纪录比分击败世界最强人类选手，并在世界锦标赛顶级选手中取得39-2的战绩，同时训练样本不到DeepMind的DeepNash的百分之一、自对弈局数不到其三十分之一，还能泛化到Barrage Stratego、Hanabi和斗地主等不同规则的不完全信息游戏。

MIT、卡内基梅隆大学、纽约大学和斯坦福大学的研究者开发了名为Ataraxos的AI系统，它结合自对弈强化学习得到的“蓝图策略”与使用生成模型进行决策时规划的方法，在隐藏信息的棋盘战争游戏Stratego中以15-1-4的创纪录比分击败世界最强人类选手，并在世界锦标赛顶级选手中取得39-2的战绩，同时训练样本不到DeepMind的DeepNash的百分之一、自对弈局数不到其三十分之一，还能泛化到Barrage Stratego、Hanabi和斗地主等不同规则的不完全信息游戏。