sample-efficiency

OpenAI 联合组织 MineRL 2020 竞赛，推进样本高效的强化学习算法研究，这些算法能够利用人类示范。参赛者需要在仅有 800 万个模拟器样本和 4 天单 GPU 训练时间的限制下，在 Minecraft 中获得钻石，同时可以访问 6000 多万帧的人类示范数据集。

OpenAI 提出了一种使用人类偏好反馈训练 AI 智能体的方法，智能体通过人类对行为轨迹的比较来学习奖励函数，并使用强化学习来优化推断的目标。该方法展示了很强的样本效率，需要少于 1000 比特的人类反馈就能训练智能体完成后翻。