Skalierung von instruierbaren Agenten über viele simulierte Welten hinweg

Scaling Instructable Agents Across Many Simulated Worlds

March 13, 2024

Autoren: SIMA Team, Maria Abi Raad, Arun Ahuja, Catarina Barros, Frederic Besse, Andrew Bolt, Adrian Bolton, Bethanie Brownfield, Gavin Buttimore, Max Cant, Sarah Chakera, Stephanie C. Y. Chan, Jeff Clune, Adrian Collister, Vikki Copeman, Alex Cullum, Ishita Dasgupta, Dario de Cesare, Julia Di Trapani, Yani Donchev, Emma Dunleavy, Martin Engelcke, Ryan Faulkner, Frankie Garcia, Charles Gbadamosi, Zhitao Gong, Lucy Gonzales, Karol Gregor, Arne Olav Hallingstad, Tim Harley, Sam Haves, Felix Hill, Ed Hirst, Drew A. Hudson, Steph Hughes-Fitt, Danilo J. Rezende, Mimi Jasarevic, Laura Kampis, Rosemary Ke, Thomas Keck, Junkyung Kim, Oscar Knagg, Kavya Kopparapu, Andrew Lampinen, Shane Legg, Alexander Lerchner, Marjorie Limont, Yulan Liu, Maria Loks-Thompson, Joseph Marino, Kathryn Martin Cussons, Loic Matthey, Siobhan Mcloughlin, Piermaria Mendolicchio, Hamza Merzic, Anna Mitenkova, Alexandre Moufarek, Valeria Oliveira, Yanko Oliveira, Hannah Openshaw, Renke Pan, Aneesh Pappu, Alex Platonov, Ollie Purkiss, David Reichert, John Reid, Pierre Harvey Richemond, Tyson Roberts, Giles Ruscoe, Jaume Sanchez Elias, Tasha Sandars, Daniel P. Sawyer, Tim Scholtes, Guy Simmons, Daniel Slater, Hubert Soyer, Heiko Strathmann, Peter Stys, Allison C. Tam, Denis Teplyashin, Tayfun Terzi, Davide Vercelli, Bojan Vujatovic, Marcus Wainwright, Jane X. Wang, Zhengdong Wang, Daan Wierstra, Duncan Williams, Nathaniel Wong, Sarah York, Nick Young

cs.AI

Zusammenfassung

Der Aufbau von verkörperten KI-Systemen, die beliebige Sprachanweisungen in jeder 3D-Umgebung befolgen können, ist eine zentrale Herausforderung für die Schaffung einer allgemeinen KI. Die Erreichung dieses Ziels erfordert das Erlernen, Sprache in Wahrnehmung und verkörperte Handlungen zu verankern, um komplexe Aufgaben zu erledigen. Das Projekt "Skalierbarer, anweisbarer, Multiworld-Agent (SIMA)" befasst sich damit, Agenten darauf zu trainieren, freiform Sprachanweisungen in einer Vielzahl virtueller 3D-Umgebungen zu befolgen, einschließlich kuratierter Forschungsumgebungen sowie offener, kommerzieller Videospiele. Unser Ziel ist es, einen anweisbaren Agenten zu entwickeln, der alles erreichen kann, was ein Mensch in jeder simulierten 3D-Umgebung tun kann. Unser Ansatz konzentriert sich auf sprachgesteuerte Allgemeingültigkeit, unter minimalen Annahmen. Unsere Agenten interagieren in Echtzeit mit Umgebungen über eine generische, menschenähnliche Schnittstelle: Die Eingaben sind Bildbeobachtungen und Sprachanweisungen, und die Ausgaben sind Tastatur- und Mausaktionen. Dieser allgemeine Ansatz ist anspruchsvoll, ermöglicht es den Agenten jedoch, Sprache in vielen visuell komplexen und semantisch reichen Umgebungen zu verankern, während wir sie auch problemlos in neuen Umgebungen ausführen können. In diesem Papier beschreiben wir unsere Motivation und unser Ziel, den bisherigen Fortschritt und vielversprechende vorläufige Ergebnisse in mehreren verschiedenen Forschungsumgebungen sowie einer Vielzahl von kommerziellen Videospielen.

English

Building embodied AI systems that can follow arbitrary language instructions in any 3D environment is a key challenge for creating general AI. Accomplishing this goal requires learning to ground language in perception and embodied actions, in order to accomplish complex tasks. The Scalable, Instructable, Multiworld Agent (SIMA) project tackles this by training agents to follow free-form instructions across a diverse range of virtual 3D environments, including curated research environments as well as open-ended, commercial video games. Our goal is to develop an instructable agent that can accomplish anything a human can do in any simulated 3D environment. Our approach focuses on language-driven generality while imposing minimal assumptions. Our agents interact with environments in real-time using a generic, human-like interface: the inputs are image observations and language instructions and the outputs are keyboard-and-mouse actions. This general approach is challenging, but it allows agents to ground language across many visually complex and semantically rich environments while also allowing us to readily run agents in new environments. In this paper we describe our motivation and goal, the initial progress we have made, and promising preliminary results on several diverse research environments and a variety of commercial video games.