研究前沿：北京大学杨耀东团队-强化学习-大规模网络 | Nature Machine Intelligence

文章预览

大规模人工智能artificial intelligence (AI) 系统开发的主要挑战，在于实现可扩展的决策——在保持足够性能的同时扩展人工智能AI模型。现有研究表明，分布式人工智能，可通过分解复杂任务，并将其分布在协作节点上，从而提高可伸缩性。然而，由于对通信和采样数据的大量需求，以前的技术受制于现实世界的适用性和可扩展性方面。 今日，北京大学Chengdong Ma, Aming Li, Yali Du，杨耀东Yaodong Yang等，在Nature Machine Intelligence上发文，开发了基于模型的分散策略优化框架，可有效地部署在多智能体系统中。 通过全局动力学的代理级拓扑解耦，利用局部观测，证明了这种分散机制实现了对全局信息的精确估计。还进一步引入了模型学习，以加强对有限数量的采样数据进行单调改进的最优策略。 在不同场景的实验结果表明，这种方法具有卓越的可扩展性，特 ………………………………