OpenAI提出Reptile算法，一种简单高效的元学习方法，通过多次采样任务并沿任务优化方向更新初始参数，与一阶MAML效果相当但实现更简便。

OpenAI开源8个机器人仿真环境及Hindsight Experience Replay基线实现，支持从仿真到实体机器人的模型迁移，并提出机器人研究方向建议。

提出一种可解释机器学习方法，通过让AI互相教学并自动选择对人类也易懂的示例（如用最佳图像解释“狗”的概念），提升模型可解释性与教学效果。

OpenAI发布了七个在其研究过程中遇到的未解决问题，涵盖AI模型能力、对齐、推理等多个方向，旨在推动社区共同探索前沿课题。

发布针对块稀疏神经网络的高性能GPU内核，显著超越cuBLAS/cuSPARSE性能，并已用于文本情感分析和图文生成任务。

提出一种基于L₀范数正则化的神经网络稀疏化方法，通过可微近似实现端到端训练，在保持性能的同时显著减少参数量和计算开销。

提出一种分层强化学习算法，能自动学习高层动作（如行走、爬行方向），显著提升智能体在复杂导航任务中的学习效率。

新机器人技术使在仿真中训练的控制器能部署到实体机器人上，并对环境变化做出实时反应，实现闭环控制。

提出一种非对称Actor-Critic算法，用于基于图像的机器人学习，通过在策略网络和价值网络中使用不同信息提升样本效率和性能。

本文探讨通过动力学随机化实现机器人控制的仿真到现实迁移，提升AI模型在真实环境中的泛化能力，涉及强化学习与机器人控制的结合。

文章探讨了结合域随机化与生成模型提升机器人抓取泛化能力的方法，通过在仿真中生成多样化场景训练策略，并迁移到真实机器人系统。

文章探讨了自对弈（self-play）如何让AI在无显式设计的情况下自主发现多种物理技能，并指出自对弈将成为未来强大AI系统的核心组成部分。

OpenAI发布LOLA算法，使AI能在博弈中建模其他智能体的学习行为，实现自利但协作的策略（如以牙还牙），是迈向具备“心智理论”的AI的重要一步。

OpenAI开源了两种新的强化学习算法实现：A2C（同步确定性版本的A3C）和ACKTR（比TRPO和A2C更样本高效，计算开销略高于A2C）。

文章探讨Dota 2中自对弈（self-play）如何推动AI系统从远低于人类水平迅速提升至超人类水平，强调其相比监督学习的优势。

OpenAI开发的Dota 2 AI bot通过纯自博弈训练，在标准比赛规则下击败世界顶级职业选手，未使用模仿学习或树搜索，展示了AI在复杂人类环境中的目标达成能力。

RL-Teacher 是一个开源工具，通过人类反馈而非手工设计的奖励函数来训练AI，适用于奖励难以定义的强化学习场景，并有助于构建更安全的AI系统。

文章介绍在强化学习算法参数中加入自适应噪声可提升性能，该探索方法实现简单且几乎不会降低表现，适用于各类问题。

OpenAI发布近端策略优化（PPO）算法，作为更简单易用且性能优越的强化学习新方法，现已成为其默认RL算法。

研究展示了能从不同尺度和视角稳定欺骗神经网络分类器的对抗样本，反驳了自动驾驶因多视角输入而难以被恶意攻击的观点。