Dimensionando Agentes Instrucionais em Múltiplos Mundos Simulados

Scaling Instructable Agents Across Many Simulated Worlds

March 13, 2024

Autores: 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

Resumo

Construir sistemas de IA incorporada que possam seguir instruções linguísticas arbitrárias em qualquer ambiente 3D é um desafio fundamental para a criação de IA geral. Alcançar esse objetivo requer aprender a fundamentar a linguagem na percepção e em ações incorporadas, a fim de realizar tarefas complexas. O projeto Scalable, Instructable, Multiworld Agent (SIMA) aborda isso treinando agentes para seguir instruções de forma livre em uma ampla gama de ambientes virtuais 3D, incluindo ambientes de pesquisa curados e videogames comerciais de mundo aberto. Nosso objetivo é desenvolver um agente instruível que possa realizar qualquer coisa que um humano possa fazer em qualquer ambiente 3D simulado. Nossa abordagem se concentra na generalidade orientada pela linguagem, impondo suposições mínimas. Nossos agentes interagem com os ambientes em tempo real usando uma interface genérica e semelhante à humana: as entradas são observações de imagem e instruções linguísticas, e as saídas são ações de teclado e mouse. Essa abordagem geral é desafiadora, mas permite que os agentes fundamentem a linguagem em muitos ambientes visualmente complexos e semanticamente ricos, além de nos permitir executar agentes prontamente em novos ambientes. Neste artigo, descrevemos nossa motivação e objetivo, o progresso inicial que alcançamos e resultados preliminares promissores em diversos ambientes de pesquisa e uma variedade de videogames comerciais.

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.