DreamerV3はEnder Dragon を倒せるか？

【 DreamerV3はEnder Dragon を倒せるか？ 】
#DreamerV3

DreamerV3の作者は、マインクラフトでのダイアモンド集めの難しさについて、次のように語っています。

「人気ゲーム『Minecraft』で人間の手を借りずにダイヤモンドを収集することは、報酬が疎で探索が困難、かつ手続き的に生成されたオープンワールド環境における長い時間軸という特徴から、人工知能の重要なマイルストーンとして広く認識されています。

DreamerV3は、専門家によるデモやカリキュラムなしで、希薄な報酬からダイヤモンドを収集する最初のアルゴリズムであり、この課題解決に成功しました。動画では、3000万環境ステップ（プレイ時間17日）で収集した最初のダイヤモンドが紹介されています。」

【 DreamerV3は、 Ender Dragon を倒せるのか？】

ネットには、こんな期待の声があります。

「DreamerV3 は、Minecraft でダイヤモンドを収集する方法を完全に独学で習得した最初のアルゴリズムだ。これにより、強化学習の適用範囲がさらに拡大した。ネットユーザーたちが言うように、DreamerV3 はすでに成熟した汎用アルゴリズムだ。

次は、自分でモンスターをアップグレードして倒し、究極のボスであるEnder Dragonと戦う方法を学ぼう！」　　https://hyper.ai/en/news/23036

Ender Dragonは、マインクラフトの世界のラスボスです。ゲームとしてマインクラフトを見れば、その最終目標は、Ender Dragon を倒すことです。

DreamerV3は素晴らしいという話をしてきたのですが、このセッションでは、「DreamerV3は、Ender Dragon を倒せるのか？」 という問題を考えてみようと思います。

ゲームに関心のない人には、どうでもいいことに思えるかもしれませんが。ただ、先のコメントには、DreamerV3の達成について、いくつかの誤解が含まれていると思います。

【 DreamerV3 は、「完全に独学」で ダイヤモンドを収集する方法を習得したのか？ 】

問題は、DreamerV3 は、「完全に独学」でダイヤモンドを収集する方法を習得したのか？ ということです。

DreamerV3の論文でもGitHubでも、「非常に疎な報酬」に対する強化学習での成功が語られ、それが「専門家によるデモやカリキュラムなし」で行われたことが強調されています。

【 12個のsub-goal 「隠れたカリキュラム」 】

DreamerV3 論文（Nature, 2024）では以下のように述べられています：
“DreamerV3 is the first algorithm to solve the challenging Minecraft Diamond task from scratch, without expert demonstrations or curriculum, using only sparse rewards.”

この文言からは、「完全なスパース報酬環境」「報酬はダイヤモンド取得のみ」「途中の段階に対しては報酬が一切無い」という印象を受けます。

ただ、DreamerV3のソースコードを読んでわかったことがあります。

それは、現在の実装では、「ダイアモンドの収集」という最終ゴールに至るまで、12個のサブゴールが設定され、それぞれのサブゴールに報酬が設定されています。それは、「隠れたカリキュラム」と言っていいと思います。

DreamerV3はダイアモンドをゲットするのに、30M step (3000万ステップ)を要しました。

はるかに複雑な「Ender Dragon打倒」というタスクを、 「Ender Dragon打倒」 した時だけ報酬を与えるというスタイルで、DreamerV3で実行するのは無理だと思います。

【 サブゴールを与えるという戦略は 複雑な問題に取り組むためには必要である 】

ただ、DreamerV3が、Ender Dragon を倒す方法は、あるかもしれません。
複雑な問題に取り組むために、サブゴールを考えるという戦略は、不当なアプローチでは、まったくありません。例えば、数学の問題を解く時には、日常的に行われていることです。

非常に疎な報酬構造でも動く汎用の強化学習エンジンとそのアルゴリズム開発を志向するという開発目標からは離れるかもしれませんが、DreamerV3のアイデアの延長上で、「Ender Dragonを倒す」ことは、効率的なサブゴールの設計を通じて可能かもしれません。それはそれで、チャレンジングだと僕は思います。

−−−−-−−−-−−−−-−−−−−−−−-

blog page

https://maruyama097.blogspot.com/2025/06/dreamerv3ender-dragon.html

マルレク「AI とマインクラフトの世界」まとめページ　
https://www.marulabo.net/docs/dreamerv3/

マルレク「AI とマインクラフトの世界」のショートムービーの再生リスト
https://www.youtube.com/playlist?list=PLQIrJ0f9gMcNT-iHwnkWJ5379ztVAbatX

ショートムービー「 DreamerV3はEnder Dragon を倒せるか？ 」のpdf
https://drive.google.com/file/d/1wpI0yTO9TCDNE2H4J-wt2hR4RU6yom5Z/view?usp=sharing

ショートムービー「DreamerV3はEnder Dragon を倒せるか？ 」
https://youtu.be/FdTUQPmeGAc?list=PLQIrJ0f9gMcNT-iHwnkWJ5379ztVAbatX

コメント

コメントを投稿

このブログの人気の投稿

初めにことばありき

旧約の「創世記」の「光よあれ」は、ビッグバンを思わせて、物理学者はちょっと萌えるかもしれないのだが、新約の「ヨハネによる福音書」には、言語学者が喜びそうなフレーズがある。 「初めに言があった。言は神と共にあった。言は神であった。」 僕が知っていたのは、「はじめにことばありき」という訳だったのだが。この口語訳での「言」は、英訳だとこうなっている。 "In the beginning was the Word, and the Word was with God, and the Word was God." 「言」= "Word" である。はじめにあったのは、Wordであって、Language ではない。だから、新しい口語訳では、普段、あまり馴染みない「言」という訳語を使ったのかも。「初めに語があった」では、なんかしまらないんだろうな。（僕は、「はじめにことばありき」というフレーズの方が好きだ。） ちなみに、「ヨハネによる福音書」は、英語では、"Gospel of John" という。「ジョンのゴスペル」である。でも、そう日本語に訳してしまうと、ジョン・レノンがバラードではなく、ゴスペルを歌っているようで、まずいんだろうな。 「ことば」・「言」・"Word" と訳されている、元々の言葉を調べてみると面白い。 キリスト教のオーソドックスな原典であるラテン語訳聖書では、この部分は、こうなる。 "In principio erat Verbum, et Verbum erat apud Deum, et Deus erat Verbum" 「イン・プリンキピオー・エラト・ウェルブム」 英訳 Word のラテン語の原語は、Verbum である。この単語、英語に直訳すれば、Verbである。「初めに、動詞があった。」　言語学の「従属性文法 (Dependency Grammar) 」理論の人たち、喜びそう。 もっとも、英語のVerbは、元々は、動詞というより広く言葉全体をさしてたらしい。そのことは、「ノンバーバル・コミュニケーション (Non-Verbal Communication) 」というのが、動詞を使わないコミュニケーション...
続きを読む

密度行列とは何か？

これまで、量子の状態をベクトルで表現してきました。例えば、量子ビットの状態は、状態ベクトルで表せば、|qubit> = a|0>+b|1> と、二つの状態ベクトルの「重ね合わせ」（ベクトルの和です）で表現されました。 それに対して、密度行列は、量子のシステムの状態を行列で表現したものです。では、どの　ようにしてベクトルで表される量子の状態を、行列で表すのでしょう？ 次のように考えます。ある量子システムで、状態|ψ_i>である確率をp_iとしましょう。この時、確率p_iを成分とする行列を考えます。 |qubit> = a|0>+b|1> の場合なら、|0>である確率p_0は |a|^2で、|1>である確率p_1は |b|^2になりますので、p_0とp_1、すなわち、|a|^2と|b|^2を成分とする行列を考えることにします。 ここでは、ベクトルの外積が行列になることを利用します。それでは、外積で作られる行列のどこにこの成分を割り当てるか考えましょう。うまい方法があります。 外積 |0><0|は、0行0列目の成分だけが1で、残りの成分は全て0の行列です。同様に、外積|1><1|は、1行1列目の成分だけが1で、残りの成分は全て0の行列です。 この時、p_0|0><0| + p_1|1><1|という行列として密度行列を定義します。0行0列目の成分がp_0で、1行1列目の成分がp_1の行列です。 　● 状態ベクトルを使った表示 　　　|qubit> = a|0>+b|1> 　● 密度行列を使った表示 　　　ρ = p_0|0><0| + p_1|1><1| = |a|^2|0><0| + |b|^2|1><1| 状態ベクトルを使った表示に出てくる a, bは複素数ですが、密度行列を使った表示に出てくる p_0, p_1 は、確率ですので 0と1の間に値を持つ実数です。これは、二つの表示スタイルの大きな違いです。 密度行列を作るのに利用した、確率 p_iと状態|ψ_i>のペア { p_i, |ψ_i> }の集まりを、「pureな状態のアンサンブル」といいます。その意味は、この量子システムで、状態|ψ_...
続きを読む

「複雑性理論」は「複雑系」の議論とは別のものです

イメージ
「複雑性理論」を、以前に少し流行したことのある「複雑系」の議論と同じものだろうと誤解されていることに、最近気づきました。当然ありうる誤解なのに、迂闊でした。 確かに、対象が「複雑さ」だと思えば、一部分は重なるところもあるのですが、「複雑性理論」と「複雑系」の議論は、まったく違うものです。 現在の「複雑性理論」の歴史をたどると、二つの起源にたどり着きます。 一つは、20世紀初頭からの数学の基礎付けをめぐる探求です。ヒルベルトの「有限の立場」にはじまり、ゲーデルの「不完全性定理」が衝撃を与え、「チャーチ＝チューリングの提言」で「実効的な」「計算可能性」概念が、いったん定式化されるといった一連の流れです。 もう一つは、20世紀の中盤以降、コンピュータ技術が爆発的に発達する中で生まれた「計算量理論」「計算複雑性理論」です。そこでの最大の気づきは、「実際に」コンピュータで計算できるものを考えると、「多項式」で表現される計算時間と、「指数関数」で表現される計算時間とには、「質的」な違いがあるのではというものでした。（この計算複雑性理論の中心的な問題である「P=NP？問題」は、今に至るも解決されていません。） 二つの流れは、別々のものでした。 前者は、人間の数学的認識の原理的「限界」に関わるもので、後者はコンピュータによる計算の具体的「限界」に関わるものです。 ただ、人工知能をめぐる基本的な問題が、最終的には、人間の知能の機械による実現は可能かということであるなら、両者は結びつきます。なぜなら、人工知能は人間の数学的認識をも実現するものでなければならないし、それはまた、実際のコンピュータ上で実装されなければならないからです。 人間の知能の本質を、「計算」として捉える立場を、「計算主義」と言います。それは、現在のディープラーニング技術が、よって立つ、「コネクショニズム」とは異なる立場です。僕は、人工知能論では、この「計算主義」の立場に立っています。それは、コネクショニズムは、数学的認識に関しては、無力だと考えているからです。 現代の複雑性理論には、第三の起源があります。 理論史的には、それは、ファインマンによる「量子コンピュータ」の提唱にはじまるものです。 ただ、その背景には、とても重大な認識の発展があります。それは、全ての情報過程が...
続きを読む