DeepMind 实验室
Psychlab 是 DeepMind Lab 中的模拟心理学实验室,可用于实现经典实验范式和深度强化学习代理的视觉心理物理研究。实验结果表明,UNREAL 的学习速度受目标刺激大小的影响,并通过提供简单的视觉准则来改善 UNREAL 在任务中的表现。
Jan, 2018
DeepMind 的 “博弈论与多智能体团队” 研究了多智能体学习的多个方面,旨在使用深度强化学习探索复杂环境下的多智能体系统,并使用这些基准来推进我们的理解;本文总结了他们最近的工作并提出了一项分类,突显了多智能体研究中许多重要的开放性挑战。
Sep, 2022
DeepMind Control Suite 是一套标准化结构和可解释奖励的连续控制任务,旨在作为强化学习代理的性能基准。这些任务用 Python 编写并由 MuJoCo 物理引擎驱动,易于使用和修改,并包括对数种学习算法的基准测试。
Jan, 2018
该论文介绍了 SimpleMind,这是一种开源的用于医学图像理解的认知人工智能软件框架,结合了深度神经网络和知识库,通过自动协同优化知识库参数进行推理和决策,从而提高了深度神经网络的可靠性和可解释性。
Dec, 2022
本文回顾了近期深度学习在不同类型的游戏中(例如第一人称射击、街机游戏和实时策略游戏)的应用,分析了不同游戏类型对深度学习系统的独特需求,并强调了应用这些机器学习方法到视频游戏领域的重要挑战,例如通用游戏演奏、处理极大的决策空间和稀疏回报等。
Aug, 2017
利用语言作为通用媒介构建自主三维角色的数字生活项目 (Digital Life Project) 框架,使其能够参与社交互动、表达并模拟数字环境中的生活;该框架包含两个主要组件:SocioMind 模块和 MoMat-MoGen 模块,通过认知建模和运动生成控制角色的数字化行为,实现了自主对话和情感进化,同时具备相关身体运动及人类玩家互动响应能力。
Dec, 2023
本文介绍了一个新的基于第一人称视角和半现实三维场景的深度强化学习测试平台 ViZDoom,使用神经网络和经验回放的方法来训练有人类一样行为的游戏 AI,结果证实了 ViZDoom 作为人工智能研究平台的有效性,且三维真实场景内的视觉强化学习是可行的。
May, 2016
研究通过使用计算物理引擎作为输入,将语言模型中的推理过程与现实社会有机结合,让模型具有更加精准有效的推理能力,以达到人类与 AI 之间成功和有效的交流。该研究的实验证明 Mind's Eye 可以在物理对齐基准测试中改善模型推理能力 27.9%(零击中率)和 46.0%(少量击中率),较小的语言模型具有 Mind's Eye 也能获得类似的性能。
Oct, 2022
DualMind 使用新颖的 “双阶段” 训练策略来解决现有方法所提出的挑战,可以处理跨领域,场景和具体体现的任务,并在 MetaWorld 和 Habitat 上进行了广泛的评估和实验,其表现优于其他广义智能体,MetaWorld 上成功率可达 90% 以上的 30 个任务。
Jul, 2023