4
0Seventy3 是一档借助 NotebookLM 解读前沿论文的播客——不是念摘要，也不是泛泛而谈，而是让 AI 帮你把论文掰开揉碎，说人话。我们蹲在人工智能、大模型、机器人算法、crypto 这几个领域，每期挑一篇值得关注的工作，用对话的方式聊给你听。你可以在通勤路上听，做实验的时候听，也可以当背景音放着，让新知识自然地长进脑子里。
如果你正在做有意思的研究，想让更多人看到——不管你是博士生、独立研究者还是实验室的博士后——把论文发给我们，我们帮你用 AI 做一期深度解读，让你的工作被更多同路人发现。
联系小助手微信：seventy3_podcast（加群/投稿论文）
今天的这篇的主题是：
Human-like autonomy emerges from self-play and a pinch of human data
Summary
自我对弈强化学习（Self-play reinforcement learning）近期成为一种无需任何人类数据即可训练驾驶策略的新方法。它利用低成本、大规模的仿真模拟来替代昂贵且大规模的人类驾驶演示。然而，该方法存在一个关键局限：通过纯自我对弈训练出的策略可能会学到有效但异类（alien）的驾驶习惯，与人类的习惯互不兼容。先前的研究尝试通过大量的奖励工程（reward engineering）和领域随机化（domain randomization）来缓解这种行为上的不对齐，但这些做法往往脆弱且耗费人力。
与完全抛弃人类演示不同，我们的方法将人类演示作为一种正则化目标，叠在极简的安全目标达成的奖励之上。正如好汤中的调味香料，我们发现少许人类数据就能起到极大的作用：我们的方法仅使用了 30 分钟的人类演示，比同类模仿学习方法减少了 2500 倍的数据量。由此产生的策略能够与未参与训练的人类轨迹达成协调，且在单块消费级 GPU 上仅需 15 小时即可完成训练。
原文链接：arxiv.org
