Building2Building: A Large Scale Benchmark for Generalizable Real-World Reinforcement Learning
本文介绍了 Building2Building (B2B)，这是一个基于 EnergyPlus 的大规模、具有物理依据的基准测试套件，它通过提供多样化的 HVAC 控制环境来系统地研究泛化、迁移和多任务学习，从而解决强化学习在实际部署中的脆弱性问题。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下这样一个世界：机器人通过在电子游戏中进行数百万次的练习，来学习走路、玩游戏或解谜。这就是**强化学习（Reinforcement Learning, RL）**的领域——它是人工智能的一个分支，其中的计算机“智能体”通过试错来学习，做对了动作会获得积分，做错了则会失去积分。这就像教小狗玩接球游戏：它尝试去接住球，如果成功了就会得到奖励，最终它会摸索出奔跑和跳跃的最佳方式。
但问题在于：大多数这些超级聪明的 AI 智能体就像是只会完美演奏一首曲子的音乐天才。如果你改变了节奏，把钢琴换成吉他，或者让它演奏另一首曲子，它们往往会陷入停滞。在现实世界中，情况是复杂多变的。一个被设计在光滑水泥地上行走的机器人，可能会在碎石路上踉跄；一个针对阳光明媚的办公室训练出的恒温器，可能会在阴雨连绵的仓库里失效。科学家们将这个问题称为**泛化（generalization）**问题——即能够将所学知识应用到新的、略有不同的情境中的能力，而无需从头开始。大问题在于：我们如何教会 AI 成为一名多才多艺的爵士乐手，而不是一个只能火一把的“一曲歌手”？
于是，Building2Building (B2B) 应运而生。这是研究人员为了解决这个特定问题而创建的一个巨大的“游乐场”。他们没有使用机器人或电子游戏，而是决定教 AI 如何控制建筑物的供暖、通风及空调（HVAC）系统。为什么要选择建筑物？因为它们无处不在，消耗着大量的能源，而且每一栋建筑都是独一无二的。有的只是只有一个房间的小房子；有的则是拥有数十个区域的巨型办公楼。有的配备了陈旧笨重的加热器；有的则拥有高科技的中央空调系统。
研究人员建立了一个巨大的数字工厂，可以生成 6,000 栋不同的虚拟建筑，每栋建筑都有自己的性格、规模和气候特征。随后，他们向 AI 智能体发起挑战，要求它们学习如何在保持建筑舒适度的同时节省能源。目标不仅仅是制作一个适用于单一建筑的 AI，而是要创造一个“通用型”控制器，它能走进一栋从未见过的全新建筑，并立即知道如何调节温度。
结果令人期待，但并非万能灵药。当他们测试 AI 时发现，通过在许多不同建筑的混合数据上进行训练，智能体确实能够适应新环境，且表现往往优于目前现实生活中使用的标准预设程序控制器。然而，AI 并非完美无缺；当建筑与它见过的任何事物都非常不同，或者游戏规则发生变化（例如突然更看重省钱而非保持温暖）时，它有时会显得力不从心。
论文指出，通过在这样一个多样化且庞大的数据集上进行训练，我们可以教会 AI 变得更加灵活。这就像是在教学生不仅要学会解一道数学题，还要理解其背后的逻辑，从而能够解决从未见过的题目。虽然这目前还处于模拟阶段，并非指明天就会有一个机器人走进真实的建筑，但它提供了一种测试和改进 AI 的强大新方法。如果成功，这可能会带来更智能、更环保的建筑，从而节省能源和资金，证明要实现真正的智能 AI，关键或许在于给它提供更广泛、更多样化的教育。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。