谷歌的开源Envelope允许人工智能代理针对随之发展的环境进行训练

针对编码或网络导航等特定任务培训代理需要他们可以安全实践、失败和改进的环境。但构建这些环境的成本很高，一旦创建，即使代理变得更好，它们通常也会保持静态。 谷歌云人工智能研究中心的研究人员和学术合作伙伴开发了一个开源（Apache 2.0许可）框架，该框架将这些静态环境转变为能够适应使用它们的代理弱点的环境。 该框架称为 羡慕 ，在现有环境周围放置了一个可编程层。它可以改变代理开始的位置、它看到的内容、它可以采取哪些动作以及任务持续多长时间，同时保留底层环境及其验证器的完整性。 在涵盖软件工程、网络导航、办公室工作和具体任务的五个基准中，从Envspel环境中学习的代理在执行任务方面提高了高达9个百分点。在软件工程基准测试中，它们完成任务的步骤也比从原始环境中学习的代理要少。 对于企业人工智能团队来说，该方法提供了一种从头开始不断构建新的模拟器和训练任务的替代方案：从可信的环境开始，并围绕代理当前的弱点动态重塑它。 代理通过与环境交互来学习。对于编码代理，环境可能包含存储库、shell和测试套件。浏览器代理可能会针对网站工作。企业自动化代理可以在内部应用程序的沙箱版本中运行。 环境呈现任务、维护其状态、响应代理的操作并确定任务是否成功。构建所有这些都需要工程工作，尤其是当环境需要可靠的验证器来判断代理是否正确完成任务时。 问题是大多数环境在构建后仍然保持固定状态。它们不会根据

注：以上内容摘选自原始新闻，点击「访问原文」查看完整内容。