第9章 強(qiáng)化學(xué)習(xí)方法

浙江省普通本科高?！笆奈濉敝攸c(diǎn)教材大語言模型通識大語言模型通識周蘇教授QQ：81505050第9章強(qiáng)化學(xué)習(xí)方法通過有監(jiān)督微調(diào)，大語言模型初步具備了遵循人類指令完成各類型任務(wù)的能力。然而，有監(jiān)督微調(diào)需要大量指令和對應(yīng)的標(biāo)準(zhǔn)回復(fù)，而獲取大量高質(zhì)量回復(fù)會耗費(fèi)大量人力和時間成本。由于有監(jiān)督微調(diào)通常目標(biāo)是調(diào)整參數(shù)使模型輸出與標(biāo)準(zhǔn)答案完全相同，不能從整體上對模型輸出質(zhì)量進(jìn)行判斷，因此，模型不能適應(yīng)自然語言的多樣性，也不能解決微小變化的敏感性問題。第9章強(qiáng)化學(xué)習(xí)方法強(qiáng)化學(xué)習(xí)則將模型輸出文本作為一個整體進(jìn)行考慮，其優(yōu)化目標(biāo)是使模型生成高質(zhì)量回復(fù)。此外，強(qiáng)化學(xué)習(xí)方法不依賴于人工編寫的高質(zhì)量回復(fù)，其模型根據(jù)指令生成回復(fù)，獎勵模型針對所生成的回復(fù)給出質(zhì)量判斷。強(qiáng)化學(xué)習(xí)的模型也可以生成多個答案，獎勵模型對輸出文本質(zhì)量進(jìn)行排序。模型通過生成回復(fù)并接收反饋進(jìn)行學(xué)習(xí)。強(qiáng)化學(xué)習(xí)方法更適合生成式任務(wù)，也是大模型構(gòu)建中必不可少的關(guān)鍵步驟。第9章強(qiáng)化學(xué)習(xí)方法01什么是強(qiáng)化學(xué)習(xí)02與無監(jiān)督和監(jiān)督學(xué)習(xí)的區(qū)別03強(qiáng)化學(xué)習(xí)的基礎(chǔ)04強(qiáng)化學(xué)習(xí)分類目錄/CONTENTSPART01什么是強(qiáng)化學(xué)習(xí)1997年，當(dāng)“深藍(lán)”擊敗國際象棋世界冠軍加里·卡斯帕羅夫時，人類權(quán)威的捍衛(wèi)者把抵御的希望寄托在了圍棋上。當(dāng)時，天體物理學(xué)家，也是圍棋愛好者的皮特·赫特曾預(yù)測稱：“計算機(jī)在圍棋上擊敗人類需要一百年的時間（甚至可能更久）?！钡珜嶋H上僅僅20年后，阿爾法狗（AlphaGo）就超越了人類棋手。世界冠軍柯潔說：“一年前的阿爾法狗還比較接近于人，現(xiàn)在它越來越像圍棋之神?！卑柗ü返靡嬗趯θ祟惼迨诌^去數(shù)十萬場棋局的研究以及對團(tuán)隊中圍棋專家的知識提煉。9.1什么是強(qiáng)化學(xué)習(xí)后繼項目AlphaZero不再借助于人類輸入，它通過游戲規(guī)則自我學(xué)習(xí)，在圍棋、國際象棋和日本將棋領(lǐng)域中擊敗了包括人類和機(jī)器在內(nèi)的所有對手。與此同時，人類選手也在各種游戲中被人工智能系統(tǒng)擊敗，包括《危險邊緣》、撲克以及電子游戲《刀塔2》《星際爭霸11》《雷神之錘3》。這些進(jìn)展顯示了強(qiáng)化學(xué)習(xí)的巨大作用。9.1什么是強(qiáng)化學(xué)習(xí)強(qiáng)化學(xué)習(xí)的中心思想是讓智能體在環(huán)境里學(xué)習(xí)，每個行動對應(yīng)于各自的獎勵。智能體通過分析數(shù)據(jù)來學(xué)習(xí)，關(guān)注不同情況下應(yīng)該做怎樣的事情——這樣的學(xué)習(xí)過程和人類的自然經(jīng)歷十分相似。想象一個小孩子第一次看到火，他小心地走到火邊?！じ惺艿搅藴嘏??；鹗莻€好東西（+1）?！と缓?，試著去摸。哇，這么燙（-1）。這個嘗試所得到的結(jié)論是，在稍遠(yuǎn)的地方火是好的，靠得太近就不好——這就是人類的學(xué)習(xí)方式，與環(huán)境交互。強(qiáng)化學(xué)習(xí)也是這樣的道理。9.1.1強(qiáng)化學(xué)習(xí)的定義比如，智能體要學(xué)著玩一個新的游戲。強(qiáng)化學(xué)習(xí)過程可以用一個循環(huán)來表示：·智能體在游戲環(huán)境里獲得初始狀態(tài)S0（游戲的第一幀）；·在S0的基礎(chǔ)上，智能體做出第一個行動A0（如向右走）；·環(huán)境變化，獲得新的狀態(tài)S1（A0發(fā)生后的某一幀）；·環(huán)境給出第一個獎勵R1（沒死或成功：+1）。于是，這個回合輸出的就是一個由狀態(tài)、獎勵和行動組成的序列，而智能體的目標(biāo)就是讓預(yù)期累積獎勵最大化。9.1.1強(qiáng)化學(xué)習(xí)的定義強(qiáng)化學(xué)習(xí)，又稱增強(qiáng)學(xué)習(xí)或評價學(xué)習(xí)，是機(jī)器學(xué)習(xí)的一個分支，它是一種廣泛應(yīng)用于創(chuàng)建智能系統(tǒng)的模式，描述和解決智能體在與環(huán)境的交互過程中，以“試錯”方式，通過學(xué)習(xí)策略達(dá)成回報最大化或?qū)崿F(xiàn)特定目標(biāo)問題。強(qiáng)化學(xué)習(xí)側(cè)重于在線學(xué)習(xí)并試圖在探索和利用之間保持平衡，其目標(biāo)是使智能體在復(fù)雜且不確定的環(huán)境中，只依靠對環(huán)境的感知和偶爾的獎勵情況下，對某項任務(wù)變得精通，使未來的獎勵最大化。9.1.1強(qiáng)化學(xué)習(xí)的定義強(qiáng)化學(xué)習(xí)基本框架主要由智能體和環(huán)境兩部分組成。在強(qiáng)化學(xué)習(xí)過程中，智能體與環(huán)境不斷交互。智能體在環(huán)境中獲取某個狀態(tài)后，會根據(jù)該狀態(tài)輸出一個動作，也稱為決策。動作會在環(huán)境中執(zhí)行，環(huán)境會根據(jù)智能體采取的動作，給出下一個狀態(tài)及當(dāng)前動作帶來的獎勵。由于強(qiáng)化學(xué)習(xí)涉及的知識面廣，尤其是涵蓋了諸多數(shù)學(xué)知識，如貝爾曼方程、最優(yōu)控制等，更需要對強(qiáng)化學(xué)習(xí)有系統(tǒng)性的梳理與認(rèn)識。需要對強(qiáng)化學(xué)習(xí)在機(jī)器學(xué)習(xí)領(lǐng)域中的定位以及與其他機(jī)器學(xué)習(xí)之間的異同進(jìn)行辨析。9.1.1強(qiáng)化學(xué)習(xí)的定義強(qiáng)化學(xué)習(xí)問題主要在信息論、博弈論、自動控制等領(lǐng)域討論，用于解釋有限理性條件下的平衡態(tài)、設(shè)計推薦系統(tǒng)和機(jī)器人交互系統(tǒng)。一些復(fù)雜的強(qiáng)化學(xué)習(xí)算法在一定程度上具備解決復(fù)雜問題的通用智能，可以在圍棋和電子游戲中達(dá)到人類水平。9.1.1強(qiáng)化學(xué)習(xí)的定義強(qiáng)化學(xué)習(xí)的基本原理是：如果智能體的某個行為策略導(dǎo)致環(huán)境正的獎賞（強(qiáng)化信號），那么該智能體以后產(chǎn)生這個行為策略的趨勢便會加強(qiáng)。智能體的目標(biāo)是在每個離散狀態(tài)發(fā)現(xiàn)最優(yōu)策略，以使期望的折扣獎賞最大化。強(qiáng)化學(xué)習(xí)發(fā)展的兩條主線，一條是心理學(xué)上模仿動物學(xué)習(xí)方式的試錯法，另一條是求解最優(yōu)控制問題，兩條主線最初是獨(dú)立發(fā)展的。試錯法二十世紀(jì)50年代末、60年代初貫穿在人工智能的發(fā)展中，一定程度上促進(jìn)了強(qiáng)化學(xué)習(xí)的發(fā)展。9.1.2強(qiáng)化學(xué)習(xí)發(fā)展歷史二十世紀(jì)80年代初期，隨著人工智能的熱潮,試錯法被學(xué)者們廣泛研究。而求解最優(yōu)控制法則是利用動態(tài)規(guī)劃法求解最優(yōu)值函數(shù)，到二十世紀(jì)80年代末，基于時間差分法的第三條主線出現(xiàn)，它吸收前兩條主線的思想，奠定了現(xiàn)代強(qiáng)化學(xué)習(xí)在機(jī)器學(xué)習(xí)領(lǐng)域中的地位（見表9-1）。9.1.2強(qiáng)化學(xué)習(xí)發(fā)展歷史表9-1強(qiáng)化學(xué)習(xí)中有影響力的算法9.1.2強(qiáng)化學(xué)習(xí)發(fā)展歷史有理由相信，深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)的結(jié)合體——深度強(qiáng)化學(xué)習(xí)是人工智能的未來之路。智能系統(tǒng)必須能夠在沒有持續(xù)監(jiān)督信號的情況下自主學(xué)習(xí)，而深度強(qiáng)化學(xué)習(xí)正是其最佳代表，能夠帶來更多發(fā)展空間與想象力。9.1.2強(qiáng)化學(xué)習(xí)發(fā)展歷史PART02與無監(jiān)督和監(jiān)督學(xué)習(xí)的區(qū)別從嚴(yán)格意義上說，阿爾法狗程序在人機(jī)圍棋對弈中打人類圍棋大師，其中對人工智能、機(jī)器學(xué)習(xí)和深度強(qiáng)化學(xué)習(xí)這3種技術(shù)都有所使用，但使用得更多的還是深度強(qiáng)化學(xué)習(xí)。所謂深度強(qiáng)化學(xué)習(xí)，是在強(qiáng)化學(xué)習(xí)里加入深度神經(jīng)網(wǎng)絡(luò)。例如，Q學(xué)習(xí)是利用一個傳統(tǒng)算法創(chuàng)建Q-table，幫助智能體找到下一步要采取的行動；而DQN是利用深度神經(jīng)網(wǎng)絡(luò)來近似Q值。9.2與無監(jiān)督和監(jiān)督學(xué)習(xí)的區(qū)別機(jī)器學(xué)習(xí)方法主要分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。強(qiáng)化學(xué)習(xí)和監(jiān)督學(xué)習(xí)的共同點(diǎn)是兩者都需要大量的數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，但兩者的學(xué)習(xí)方式不盡相同，兩者所需的數(shù)據(jù)類型也有差異，監(jiān)督學(xué)習(xí)需要多樣化的標(biāo)簽數(shù)據(jù)，強(qiáng)化學(xué)習(xí)則需要帶有回報的交互數(shù)據(jù)。9.2與無監(jiān)督和監(jiān)督學(xué)習(xí)的區(qū)別與監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)的最大不同是，強(qiáng)化學(xué)習(xí)里并沒有給定的一組數(shù)據(jù)供智能體學(xué)習(xí)。環(huán)境是不斷變化的，強(qiáng)化學(xué)習(xí)中的智能體要在變化的環(huán)境里做出一系列動作的決策，一系列決策結(jié)合起來就是策略。強(qiáng)化學(xué)習(xí)就是通過不斷與環(huán)境互動（不斷試錯），更新策略的過程。9.2.1與監(jiān)督和無監(jiān)督學(xué)習(xí)的不同強(qiáng)化學(xué)習(xí)與監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)不同之處具體有以下5個方面。（1）沒有監(jiān)督者，只有獎勵信號。監(jiān)督學(xué)習(xí)要基于大量作為訓(xùn)練與學(xué)習(xí)目標(biāo)的標(biāo)注數(shù)據(jù)進(jìn)行，而強(qiáng)化學(xué)習(xí)中沒有監(jiān)督者，它不是由已經(jīng)標(biāo)注好的樣本數(shù)據(jù)來告訴系統(tǒng)什么是最佳動作。換言之，智能體不能夠馬上獲得監(jiān)督信號，只是從環(huán)境的反饋中獲得獎勵信號。（2）反饋延遲。實際上是延遲獎勵，環(huán)境可能不會在每一步動作上都給與獎勵，有時候需要完成一連串的動作，甚至是完成整個任務(wù)后才能獲得獎勵。9.2.1與監(jiān)督和無監(jiān)督學(xué)習(xí)的不同（3）試錯學(xué)習(xí)。因為沒有監(jiān)督，所以沒有直接的指導(dǎo)信息，智能體要與環(huán)境不斷進(jìn)行交互，通過試錯的方式來獲得最優(yōu)策略。（4）智能體的動作會影響其后續(xù)數(shù)據(jù)。智能體選擇不同動作會進(jìn)入不同的狀態(tài)。由于強(qiáng)化學(xué)習(xí)基于馬爾可夫決策過程（當(dāng)前狀態(tài)只與上一個狀態(tài)有關(guān)，與其他狀態(tài)無關(guān)），因此下一個時間步所獲得的狀態(tài)變化，環(huán)境的反饋也會隨之發(fā)生變化。（5）時間序列很重要。強(qiáng)化學(xué)習(xí)更加注重輸入數(shù)據(jù)的序列性，下一個時間步t的輸入依賴于前一個時間步t-1的狀態(tài)（即馬爾可夫?qū)傩裕?.2.1與監(jiān)督和無監(jiān)督學(xué)習(xí)的不同強(qiáng)化學(xué)習(xí)在大模型上的重要作用可以概括為以下幾個方面。（1）相較于有監(jiān)督學(xué)習(xí)，強(qiáng)化學(xué)習(xí)更有可能考慮整體影響。有監(jiān)督學(xué)習(xí)針對單個詞元進(jìn)行反饋，其目標(biāo)是要求模型針對給定的輸入給出確切的答案；而強(qiáng)化學(xué)習(xí)針對整個輸出文本進(jìn)行反饋，并不針對特定詞元。反饋粒度不同，使強(qiáng)化學(xué)習(xí)更適合大模型，既可以兼顧表達(dá)多樣性，又可以增強(qiáng)對微小變化的敏感性。自然語言十分靈活，可以用多種不同的方式表達(dá)相同的語義。9.2.2大模型環(huán)境下的強(qiáng)化學(xué)習(xí)有監(jiān)督學(xué)習(xí)很難支持上述學(xué)習(xí)方式，強(qiáng)化學(xué)習(xí)則可以允許模型給出不同的多樣性表達(dá)。另外，有監(jiān)督微調(diào)通常采用交叉熵?fù)p失作為損失函數(shù)，由于總和規(guī)則，造成這種損失對個別詞元變化不敏感。改變個別詞元只會對整體損失產(chǎn)生小的影響。但是，一個否定詞可以完全改變文本的整體含義。強(qiáng)化學(xué)習(xí)則可以通過獎勵函數(shù)同時兼顧多樣性和微小變化敏感性兩個方面。9.2.2大模型環(huán)境下的強(qiáng)化學(xué)習(xí)（2）強(qiáng)化學(xué)習(xí)更容易解決幻覺問題。用戶在大模型上主要有三類輸入：①文本型，用戶輸入相關(guān)文本和問題，讓模型基于所提供的文本生成答案（例如，“本文中提到的人名和地名有哪些”）；②求知型，用戶僅提出問題，模型根據(jù)內(nèi)在知識提供真實回答（例如，“流感的常見原因是什么”）；③創(chuàng)造型，用戶提供問題或說明，讓模型進(jìn)行創(chuàng)造性輸出（例如，“寫一個關(guān)于·的故事”）。有監(jiān)督學(xué)習(xí)算法非常容易使得求知型查詢產(chǎn)生幻覺。9.2.2大模型環(huán)境下的強(qiáng)化學(xué)習(xí)在模型并不包含或者知道答案的情況下，有監(jiān)督訓(xùn)練仍然會促使模型給出答案。而使用強(qiáng)化學(xué)習(xí)方法，則可以通過定制獎勵函數(shù)，將正確答案賦予非常高的分?jǐn)?shù)，將放棄回答的答案賦予中低分?jǐn)?shù)，將不正確的答案賦予非常高的負(fù)分，使得模型學(xué)會依賴內(nèi)部知識選擇放棄回答，從而在一定程度上緩解模型的幻覺問題。9.2.2大模型環(huán)境下的強(qiáng)化學(xué)習(xí)（3）強(qiáng)化學(xué)習(xí)可以更好地解決多輪對話獎勵累積問題。多輪對話能力是大模型重要的基礎(chǔ)能力之一。多輪對話是否達(dá)成最終目標(biāo)，需要考慮多次交互過程的整體情況，因此很難使用有監(jiān)督學(xué)習(xí)的方法構(gòu)建。而使用強(qiáng)化學(xué)習(xí)方法，可以通過構(gòu)建獎勵函數(shù)，根據(jù)整個對話的背景及連貫性對當(dāng)前模型輸出的優(yōu)劣進(jìn)行判斷。9.2.2大模型環(huán)境下的強(qiáng)化學(xué)習(xí)一般而言，監(jiān)督學(xué)習(xí)是通過對數(shù)據(jù)進(jìn)行分析，找到數(shù)據(jù)的表達(dá)模型，隨后利用該模型，在新輸入的數(shù)據(jù)上進(jìn)行決策。圖9-3為監(jiān)督學(xué)習(xí)的一般方法，主要分為訓(xùn)練階段和預(yù)測階段。

圖9-3監(jiān)督學(xué)習(xí)的一般方法9.2.3學(xué)習(xí)方式不同在訓(xùn)練階段，首先根據(jù)原始數(shù)據(jù)進(jìn)行特征提?。ā疤卣鞴こ獭保５玫綌?shù)據(jù)特征后，可以使用決策樹、隨機(jī)森林等機(jī)器學(xué)習(xí)算法去分析數(shù)據(jù)之間的關(guān)系，最終得到關(guān)于輸入數(shù)據(jù)的模型。在預(yù)測階段，同樣按照特征工程的方法抽取數(shù)據(jù)的特征，使用訓(xùn)練階段得到的模型對特征向量進(jìn)行預(yù)測，最終得到數(shù)據(jù)所屬的分類標(biāo)簽。值得注意的是，驗證模型使用驗證集數(shù)據(jù)對模型進(jìn)行反向驗證，確保模型的正確性和精度。9.2.3學(xué)習(xí)方式不同深度學(xué)習(xí)的一般方法與傳統(tǒng)機(jī)器學(xué)習(xí)中監(jiān)督學(xué)習(xí)的一般方法相比少了特征工程，從而大大降低了業(yè)務(wù)領(lǐng)域門檻與人力成本。

圖9-4深度學(xué)習(xí)的一般方法9.2.3學(xué)習(xí)方式不同監(jiān)督學(xué)習(xí)分為預(yù)測和訓(xùn)練兩個階段，學(xué)習(xí)只能發(fā)生在訓(xùn)練階段，該階段會出現(xiàn)一個監(jiān)督信號（即具有學(xué)習(xí)的能力，數(shù)學(xué)上稱為“差分信號”）。例如在語音識別任務(wù)中，需要收集大量的語音語料數(shù)據(jù)和該語料對應(yīng)標(biāo)注好的文本內(nèi)容。有了原始的語音數(shù)據(jù)和對應(yīng)的語音標(biāo)注數(shù)據(jù)后，可通過監(jiān)督學(xué)習(xí)方法收集數(shù)據(jù)中的模式，例如對語音分類、判別該語音音素所對應(yīng)的單詞等。9.2.3學(xué)習(xí)方式不同上述標(biāo)注語音文本內(nèi)容相當(dāng)于一個監(jiān)督信號，等語音識別模型訓(xùn)練完成后，在預(yù)測階段就不再需要該監(jiān)督信號，生成的語言識別模型僅用作新數(shù)據(jù)的預(yù)測。如果想要重新修改監(jiān)督信號，則需要對語言識別模型進(jìn)行重新訓(xùn)練。由于監(jiān)督學(xué)習(xí)的訓(xùn)練階段非常耗時，現(xiàn)在有許多學(xué)者對遷移學(xué)習(xí)進(jìn)行深入研究，以期望縮短監(jiān)督學(xué)習(xí)的訓(xùn)練時間。強(qiáng)化學(xué)習(xí)與監(jiān)督學(xué)習(xí)截然不同，其學(xué)習(xí)過程與生物的自然學(xué)習(xí)過程非常類似。具體而言，智能體在與環(huán)境的互動過程中，通過不斷探索與試錯的方式，利用基于正/負(fù)獎勵的方式進(jìn)行學(xué)習(xí)。9.2.3學(xué)習(xí)方式不同強(qiáng)化學(xué)習(xí)不需要像監(jiān)督學(xué)習(xí)那樣依賴先驗知識數(shù)據(jù)。例如線上游戲，越來越多的用戶使用移動終端進(jìn)行游戲，使數(shù)據(jù)的獲取來源更為廣泛。比如圍棋游戲，圍棋的棋譜可以很容易得到，這些棋譜是人類玩家的動作行為記錄，如果只用監(jiān)督學(xué)習(xí)進(jìn)行建模，模型學(xué)習(xí)出的對弈技能很有可能只局限在所收集的有限棋譜內(nèi)。當(dāng)出現(xiàn)新的下棋方式時，模型可能會因為找不到全局最優(yōu)解而使得棋力大減。9.2.4先驗知識與標(biāo)注數(shù)據(jù)強(qiáng)化學(xué)習(xí)通過自我博弈方式產(chǎn)生更多的標(biāo)準(zhǔn)數(shù)據(jù)。在強(qiáng)化學(xué)習(xí)中，如果有基本棋譜，便可以利用系統(tǒng)自我學(xué)習(xí)和獎勵的方式，系統(tǒng)自動學(xué)習(xí)更多的棋譜或者使用兩個智能體進(jìn)行互相博弈，進(jìn)而為系統(tǒng)自身補(bǔ)充更多的棋譜信息，不受標(biāo)注數(shù)據(jù)和先驗知識的限制?？傊?，強(qiáng)化學(xué)習(xí)可以利用較少的訓(xùn)練信息，讓系統(tǒng)不斷地自主學(xué)習(xí)，自我補(bǔ)充更多的信息，進(jìn)而免受監(jiān)督者的限制。9.2.4先驗知識與標(biāo)注數(shù)據(jù)另外，可以使用遷移學(xué)習(xí)來減少標(biāo)注數(shù)據(jù)的數(shù)量，因為它在一定程度上突破了監(jiān)督學(xué)習(xí)中存在的限制，提前在大量標(biāo)注數(shù)據(jù)信息中提取其高維特征，從而減少后續(xù)復(fù)用模型的輸入數(shù)據(jù)。遷移學(xué)習(xí)是把已經(jīng)訓(xùn)練好的模型參數(shù)遷移到新的模型以幫助訓(xùn)練新模型?？紤]到大部分?jǐn)?shù)據(jù)或任務(wù)存在相關(guān)性，通過遷移學(xué)習(xí)可以將已經(jīng)學(xué)到的模型參數(shù)（也可理解為模型學(xué)到的知識）通過某種方式分享給新模型，進(jìn)而不需要從零開始學(xué)習(xí)，加快并優(yōu)化新模型的學(xué)習(xí)效率。9.2.4先驗知識與標(biāo)注數(shù)據(jù)PART03強(qiáng)化學(xué)習(xí)的基礎(chǔ)強(qiáng)化學(xué)習(xí)的基本元素包括智能體、環(huán)境、狀態(tài)、動作和獎勵，智能體和環(huán)境間通過獎勵、狀態(tài)、動作3個信號進(jìn)行交互，不斷地根據(jù)環(huán)境的反饋信息進(jìn)行試錯學(xué)習(xí)。。由于其交互方式與人類和環(huán)境的交互方式類似，可以認(rèn)為強(qiáng)化學(xué)習(xí)是一套通用的學(xué)習(xí)框架，用來解決通用人工智能問題，因此它也被稱為通用人工智能的機(jī)器學(xué)習(xí)方法。9.3強(qiáng)化學(xué)習(xí)的基礎(chǔ)在強(qiáng)化學(xué)習(xí)中，按智能體所處的環(huán)境，將不同的算法分成兩種類型：一種是環(huán)境已知，叫作基于模型，就是智能體已經(jīng)對環(huán)境進(jìn)行建模；另一種是環(huán)境未知，叫作免模型。9.3.1基于模型與免模型環(huán)境（1）基于模型的強(qiáng)化學(xué)習(xí)。例如，工廠載貨機(jī)器人通過傳感器感應(yīng)地面上的航線來控制其行走。由于地面上的航線是事先規(guī)劃好的，工廠的環(huán)境也是可控已知的，因此可以將其視為基于模型的任務(wù)。圖9-5基于模型的任務(wù)：工廠AGV自動載重車9.3.1基于模型與免模型環(huán)境在這些方法中，智能體使用環(huán)境的轉(zhuǎn)移模型來幫助解釋獎勵信號并決定如何行動。模型最初可能是未知的，在這種情況下，智能體通過觀測其行為的影響來學(xué)習(xí)模型；或者它也可能是已知的，例如，國際象棋程序可能知道國際象棋的規(guī)則，即便它不知道如何選擇好的走法。在部分可觀測的環(huán)境中，轉(zhuǎn)移模型對于狀態(tài)估計也是很有用的?；谀Ｐ偷膹?qiáng)化學(xué)習(xí)系統(tǒng)通常會學(xué)習(xí)一個運(yùn)籌學(xué)的效用（價值）函數(shù)U(s)。不過在現(xiàn)實情況下，環(huán)境的狀態(tài)轉(zhuǎn)移概率、獎勵函數(shù)往往很難提前獲取，甚至很難知道環(huán)境中一共有多少個狀態(tài)。9.3.1基于模型與免模型環(huán)境（2）無模型強(qiáng)化學(xué)習(xí)。例如汽車的自動駕駛系統(tǒng)，在現(xiàn)實交通環(huán)境下，很多事情是無法預(yù)先估計的，例如路人的行為、往來車輛的行走軌跡等情況，因此可以將其視為免模型的任務(wù)。在這種方式中，智能體不知道環(huán)境的轉(zhuǎn)移模型，也不會學(xué)習(xí)它。相反，它直接學(xué)習(xí)如何采取行為方式，可以使用動態(tài)規(guī)劃法求解。其中主要有以下兩種形式，動作效用函數(shù)學(xué)習(xí)和策略搜索?？梢允褂妹商乜宸ê蜁r間差分法來求解，還可以使用值函數(shù)近似、梯度策略等方法。9.3.1基于模型與免模型環(huán)境在強(qiáng)化學(xué)習(xí)中，“探索”的目的是找到更多有關(guān)環(huán)境的信息，而“利用”（或者說“開發(fā)”）的目的是利用已知的環(huán)境信息來使預(yù)期累積獎勵最大化。簡而言之，“探索”是嘗試新的動作行為，而“利用”則是從已知動作中選擇下一步的行動。也正因如此，有時候會陷入一種困境。例如，小老鼠可以吃到無窮多塊分散的奶酪（每塊+1），但在迷宮上方有許多堆在一起的奶酪（+1000），或者看成巨型奶酪。如果我們只關(guān)心吃了多少，小老鼠就永遠(yuǎn)不會去找那些大奶酪。它只會在安全的地方一塊一塊地吃，這樣獎勵累積比較慢，但它不在乎。如果它跑去遠(yuǎn)的地方，也許就會發(fā)現(xiàn)大獎的存在，但也有可能發(fā)生危險。9.3.2探索與利用例如在一些策略游戲中，探索階段玩家并不知道地圖上被遮蓋的地方到底有什么，敵人是否在那里，所以需要一個探路者游走于未知地圖區(qū)域進(jìn)行探索，以便能夠獲得更多地圖相關(guān)的環(huán)境知識，便于玩家制定作戰(zhàn)策略。當(dāng)開拓完地圖之后，就能全面了解地圖上的環(huán)境狀態(tài)信息。接下來玩家便可以利用探索到的信息，去找到一個最優(yōu)的作戰(zhàn)策略。9.3.2探索與利用實際上，“探索”和“利用”哪個重要，以及如何權(quán)衡兩者之間的關(guān)系，是需要深入思考的。在基于模型的環(huán)境下，已經(jīng)知道環(huán)境的所有信息（環(huán)境完備信息），智能體不需要在環(huán)境中進(jìn)行探索，而只要簡單利用環(huán)境中已知信息即可；可是在免模型環(huán)境下，探索和利用兩者同等重要，既需要知道更多有關(guān)環(huán)境的信息，又需要針對這些已知信息來提高獎勵。9.3.2探索與利用不過，“探索”和“利用”兩者本身是矛盾的，因為在實際運(yùn)行中，算法能夠嘗試的次數(shù)是有限的，增加了探索的次數(shù)則利用次數(shù)會降低，反之亦然。這就是強(qiáng)化學(xué)習(xí)中的探索—利用困境。如果想要最大化累積獎勵，設(shè)計者需要設(shè)定一種規(guī)則，讓智能體能夠在探索和利用之間進(jìn)行權(quán)衡。9.3.2探索與利用在求解強(qiáng)化學(xué)習(xí)問題時，具體還有免模型預(yù)測和免模型控制，以及基于模型預(yù)測和基于模型控制?！邦A(yù)測”的目的是驗證未來——對于一個給定的策略，智能體需要去驗證該策略能夠到達(dá)的理想狀態(tài)值，以確定該策略的好壞。而“控制”則是優(yōu)化未來——給出一個初始化策略，智能體希望基于該給定的初始化策略，找到一個最優(yōu)的策略。相比較而言，“預(yù)測”和“控制”是探索和利用的抽象詞語。預(yù)測希望在未知環(huán)境中探索更多可能的策略，然后驗證該策略的狀態(tài)值函數(shù)?？刂茖?yīng)于利用，希望在未知環(huán)境中找到的策略中發(fā)現(xiàn)一個最好的。9.3.2探索與利用強(qiáng)化學(xué)習(xí)里的任務(wù)分兩種。（1）片段性任務(wù)。這類任務(wù)有個起點(diǎn)，有個終點(diǎn)。兩者之間有一堆狀態(tài)，一堆行動，一堆獎勵和一堆新的狀態(tài)，它們共同構(gòu)成了一“集”。當(dāng)一集結(jié)束，也就是到達(dá)終止?fàn)顟B(tài)時，智能體會看一下獎勵累積了多少，以此評估自己的表現(xiàn)。然后，它就帶著之前的經(jīng)驗開始一局新游戲。這一次，智能體做決定的依據(jù)會充分一些。9.3.3片段還是連續(xù)性任務(wù)以貓鼠迷宮為例的一集：·永遠(yuǎn)從同一個起點(diǎn)開始；·如果被貓吃掉或者走了超過20步，則游戲結(jié)束；·結(jié)束時，得到一系列狀態(tài)、行動、獎勵和新狀態(tài)；·算出獎勵的總和（看看表現(xiàn)如何）；·更有經(jīng)驗地開始新游戲。集數(shù)越多，智能體的表現(xiàn)會越好。9.3.3片段還是連續(xù)性任務(wù)（2）連續(xù)性任務(wù)。游戲永遠(yuǎn)不會結(jié)束。智能體要學(xué)習(xí)如何選擇最佳的行動，和環(huán)境進(jìn)行實時交互，就像自動駕駛汽車。這樣的任務(wù)是通過時間差分學(xué)習(xí)來訓(xùn)練的。每一個時間步都會有總結(jié)學(xué)習(xí)，并不是等到一集結(jié)束再分析結(jié)果。9.3.3片段還是連續(xù)性任務(wù)強(qiáng)化學(xué)習(xí)把學(xué)習(xí)看作試探評價過程。智能體選擇一個動作用于環(huán)境，環(huán)境接受該動作后狀態(tài)發(fā)生變化，同時產(chǎn)生一個強(qiáng)化信號（獎或懲）反饋給智能體，智能體根據(jù)強(qiáng)化信號和環(huán)境當(dāng)前狀態(tài)再選擇下一個動作，選擇的原則是使受到正強(qiáng)化（獎）的概率增大。選擇的動作不僅影響立即強(qiáng)化值，而且影響環(huán)境下一時刻的狀態(tài)及最終的強(qiáng)化值。強(qiáng)化學(xué)習(xí)系統(tǒng)使用某種隨機(jī)單元動態(tài)地調(diào)整參數(shù)，以達(dá)到強(qiáng)化信號最大，智能體在可能動作空間中進(jìn)行搜索并發(fā)現(xiàn)正確的動作。強(qiáng)化學(xué)習(xí)的常見模型是標(biāo)準(zhǔn)的馬爾可夫決策過程（MDP）。9.3.4網(wǎng)絡(luò)模型設(shè)計強(qiáng)化學(xué)習(xí)的基本組成元素定義如下。（1）智能體：強(qiáng)化學(xué)習(xí)的本體，作為學(xué)習(xí)者或者決策者。（2）環(huán)境：強(qiáng)化學(xué)習(xí)智能體以外的一切，主要由狀態(tài)集組成。（3）狀態(tài)：表示環(huán)境的數(shù)據(jù)。狀態(tài)集是環(huán)境中所有可能的狀態(tài)。（4）動作：智能體可以做出的動作。動作集是智能體可以做出的所有動作。9.3.4網(wǎng)絡(luò)模型設(shè)計（5）獎勵：智能體在執(zhí)行一個動作后，獲得的正/負(fù)獎勵信號。獎勵集是智能體可以獲得的所有反饋信息，正/負(fù)獎勵信號亦可稱作正/負(fù)反饋信號。（6）策略：從環(huán)境狀態(tài)到動作的映射學(xué)習(xí)，該映射關(guān)系稱為策略。通俗地說，智能體選擇動作的思考過程即為策略。（7）目標(biāo)：智能體自動尋找在連續(xù)時間序列里的最優(yōu)策略，這通常指最大化長期累積獎勵。9.3.4網(wǎng)絡(luò)模型設(shè)計在強(qiáng)化學(xué)習(xí)中，每一個自主體由兩個神經(jīng)網(wǎng)絡(luò)模塊組成，即行動網(wǎng)絡(luò)和評估網(wǎng)絡(luò)。行動網(wǎng)絡(luò)是根據(jù)當(dāng)前的狀態(tài)而決定下一個時刻施加到環(huán)境上去的最好動作。圖9-6強(qiáng)化學(xué)習(xí)的網(wǎng)絡(luò)模型設(shè)計9.3.4網(wǎng)絡(luò)模型設(shè)計對于行動網(wǎng)絡(luò)，強(qiáng)化學(xué)習(xí)算法允許它的輸出結(jié)點(diǎn)進(jìn)行隨機(jī)搜索，有了來自評估網(wǎng)絡(luò)的內(nèi)部強(qiáng)化信號后，行動網(wǎng)絡(luò)的輸出結(jié)點(diǎn)即可有效地完成隨機(jī)搜索，并且大大提高選擇好的動作的可能性，同時可以在線訓(xùn)練整個行動網(wǎng)絡(luò)。用一個輔助網(wǎng)絡(luò)來為環(huán)境建模，評估網(wǎng)絡(luò)可單步和多步預(yù)報當(dāng)前由行動網(wǎng)絡(luò)施加到環(huán)境上的動作強(qiáng)化信號，根據(jù)當(dāng)前狀態(tài)和模擬環(huán)境預(yù)測其標(biāo)量值。可以提前向行動網(wǎng)絡(luò)提供有關(guān)將候選動作的強(qiáng)化信號，以及更多的獎懲信息（內(nèi)部強(qiáng)化信號），以減少不確定性并提高學(xué)習(xí)速度。9.3.4網(wǎng)絡(luò)模型設(shè)計進(jìn)化強(qiáng)化學(xué)習(xí)對評估網(wǎng)絡(luò)使用時序差分預(yù)測方法TD和反向傳播BP算法進(jìn)行學(xué)習(xí)，而對行動網(wǎng)絡(luò)進(jìn)行遺傳操作，使用內(nèi)部強(qiáng)化信號作為行動網(wǎng)絡(luò)的適應(yīng)度函數(shù)。網(wǎng)絡(luò)運(yùn)算分成兩個部分，即前向信號計算和遺傳強(qiáng)化計算。在前向信號計算時，對評估網(wǎng)絡(luò)采用時序差分預(yù)測方法，由評估網(wǎng)絡(luò)對環(huán)境建模，可以進(jìn)行外部強(qiáng)化信號的多步預(yù)測，為行動網(wǎng)絡(luò)提供更有效的內(nèi)部強(qiáng)化信號，使它產(chǎn)生更恰當(dāng)?shù)男袆?。?nèi)部強(qiáng)化信號使行動網(wǎng)絡(luò)、評估網(wǎng)絡(luò)在每一步都可以進(jìn)行學(xué)習(xí)，而不必等待外部強(qiáng)化信號，從而大大加速了兩個網(wǎng)絡(luò)的學(xué)習(xí)。9.3.4網(wǎng)絡(luò)模型設(shè)計以采用強(qiáng)化學(xué)習(xí)方法研究未知環(huán)境下機(jī)器人導(dǎo)航問題為例，由于環(huán)境的復(fù)雜性和不確定性，這些問題變得更為復(fù)雜，因此，在強(qiáng)化學(xué)習(xí)的設(shè)計中要考慮：（1）如何表示狀態(tài)空間和動作空間。（2）如何選擇建立信號以及如何通過學(xué)習(xí)來修正不同狀態(tài)－動作對的值。（3）如何根據(jù)這些值來選擇合適的動作。9.3.4網(wǎng)絡(luò)模型設(shè)計在標(biāo)準(zhǔn)的強(qiáng)化學(xué)習(xí)中，智能體作為學(xué)習(xí)系統(tǒng)，獲取外部環(huán)境的當(dāng)前狀態(tài)信息，對環(huán)境采取試探行為并獲取環(huán)境反饋的對此動作的評價和新的環(huán)境狀態(tài)。如果智能體的某個動作導(dǎo)致環(huán)境正的獎賞（立即報酬），那么智能體以后產(chǎn)生這個動作的趨勢便會加強(qiáng)；反之，智能體產(chǎn)生這個動作的趨勢將減弱。在學(xué)習(xí)系統(tǒng)的控制行為與環(huán)境反饋的狀態(tài)及評價的反復(fù)交互作用中，以學(xué)習(xí)方式不斷修改從狀態(tài)到動作的映射策略，以達(dá)到優(yōu)化系統(tǒng)性能目的。學(xué)習(xí)從環(huán)境狀態(tài)到行為的映射，使得智能體選擇的行為能夠獲得環(huán)境最大的獎賞，使外部環(huán)境對學(xué)習(xí)系統(tǒng)在某種意義下的評價（或整個系統(tǒng)的運(yùn)行性能）為最佳。9.3.4網(wǎng)絡(luò)模型設(shè)計強(qiáng)化學(xué)習(xí)使人們從手動構(gòu)造行為和標(biāo)記監(jiān)督學(xué)習(xí)所需的大量數(shù)據(jù)集（或不得不人工編寫控制策略）中解脫了出來。它在機(jī)器人技術(shù)中的應(yīng)用中特別有價值，該領(lǐng)域需要能夠處理連續(xù)、高維、部分可觀測環(huán)境的方法，在這樣的環(huán)境中，成功的行為可能包含成千上萬的基元動作。9.3.5數(shù)據(jù)依賴性強(qiáng)化學(xué)習(xí)的方法有很多且錯綜復(fù)雜，這是因為并不存在一種公認(rèn)的最佳方法。（1）智能體整體的設(shè)計限制了學(xué)習(xí)所需的信息類型?！せ谀Ｐ偷膹?qiáng)化學(xué)習(xí)智能體需要（或者配備有）環(huán)境的轉(zhuǎn)移模型，并學(xué)習(xí)效用函數(shù)。·無模型強(qiáng)化學(xué)習(xí)智能體可以學(xué)習(xí)一個動作效用函數(shù)或?qū)W習(xí)一個策略?；谀Ｐ秃蜔o模型方法相比，核心問題是智能體函數(shù)的最佳表示方式。隨著環(huán)境變得更加復(fù)雜，基于模型方法的優(yōu)勢將變得越發(fā)明顯。9.3.5數(shù)據(jù)依賴性（2）效用函數(shù)可以通過如下幾種方法進(jìn)行學(xué)習(xí)?！ぶ苯有в霉烙媽⒂^測到的總獎勵用于給定狀態(tài)，作為學(xué)習(xí)其效用的樣本直接來源?！ぷ赃m應(yīng)動態(tài)規(guī)劃（ADP）從觀測中學(xué)習(xí)模型和獎勵函數(shù)，然后使用價值或策略迭代來獲得效用或最優(yōu)策略。ADP較好地利用了環(huán)境的鄰接結(jié)構(gòu)作為狀態(tài)效用的局部約束。9.3.5數(shù)據(jù)依賴性·時序差分（TD）方法調(diào)整效用估計，使其與后繼狀態(tài)的效用估計相一致。它是ADP方法的一個簡單近似，且學(xué)習(xí)時不需要預(yù)先知道轉(zhuǎn)移模型。此外，使用一個學(xué)習(xí)模型來產(chǎn)生偽經(jīng)驗可以學(xué)習(xí)得更快。9.3.5數(shù)據(jù)依賴性（3）可以通過ADP方法或TD方法學(xué)習(xí)動作效用函數(shù)。在使用TD方法時，在學(xué)習(xí)或動作選擇階段都不需要模型，簡化了學(xué)習(xí)問題，但同時潛在地限制了它在復(fù)雜環(huán)境中的學(xué)習(xí)能力，因為智能體無法模擬可能的動作過程的結(jié)果。進(jìn)行動作選擇時，它必須在這些動作的價值估計的有用新信息之間進(jìn)行權(quán)衡。探索問題的精確解是無法獲得的，但一些簡單的啟發(fā)式可以給出一個合理的結(jié)果。同時探索性智能體也必須注意避免過早陷入終止態(tài)。9.3.5數(shù)據(jù)依賴性（4）在大的狀態(tài)空間中，強(qiáng)化學(xué)習(xí)算法必須進(jìn)行函數(shù)近似表示，以便在狀態(tài)空間進(jìn)行泛化。深度強(qiáng)化學(xué)習(xí)采用深度神經(jīng)網(wǎng)絡(luò)作為近似函數(shù)，已經(jīng)在一些困難問題上取得了相當(dāng)大的成功。獎勵設(shè)計和分層強(qiáng)化學(xué)習(xí)有助于學(xué)習(xí)復(fù)雜的行為，特別是在獎勵稀少且需要長動作序列才能獲得獎勵的情況下。（5）策略搜索方法直接對策略的表示進(jìn)行操作，并試圖根據(jù)觀測到的表現(xiàn)對其進(jìn)行改進(jìn)，在隨機(jī)領(lǐng)域中，性能的劇烈變化是一個嚴(yán)重的問題，而在模擬領(lǐng)域中可以通過預(yù)先固定隨機(jī)程度來克服這個難點(diǎn)。9.3.5數(shù)據(jù)依賴性（6）難以獲得正確的獎勵函數(shù)時，通過觀測專家行為進(jìn)行學(xué)徒學(xué)習(xí)是一種有效的解決方案，模仿學(xué)習(xí)將問題轉(zhuǎn)換為從專家的狀態(tài)-動作對中進(jìn)行學(xué)習(xí)的監(jiān)督學(xué)習(xí)問題，逆強(qiáng)化學(xué)習(xí)從專家的行為中推斷有關(guān)獎勵函數(shù)的信息。9.3.5數(shù)據(jù)依賴性PART04強(qiáng)化學(xué)習(xí)分類在強(qiáng)化學(xué)習(xí)中，智能體是在沒有“老師”的情況下，通過考慮自己的最終成功或失敗，根據(jù)獎勵與懲罰，主動地從自己的經(jīng)驗中學(xué)習(xí)，以使未來的獎勵最大化。按給定條件，強(qiáng)化學(xué)習(xí)可分為基于模式強(qiáng)化學(xué)習(xí)和無模式強(qiáng)化學(xué)習(xí)，以及主動強(qiáng)化學(xué)習(xí)和被動強(qiáng)化學(xué)習(xí)。強(qiáng)化學(xué)習(xí)的變體包括逆向強(qiáng)化學(xué)習(xí)、階層強(qiáng)化學(xué)習(xí)和部分可觀測系統(tǒng)的強(qiáng)化學(xué)習(xí)。求解強(qiáng)化學(xué)習(xí)問題所使用的算法可分為策略搜索算法和值函數(shù)算法兩類。在強(qiáng)化學(xué)習(xí)中使用深度學(xué)習(xí)模型，形成了深度強(qiáng)化學(xué)習(xí)。9.4強(qiáng)化學(xué)習(xí)分類考慮學(xué)習(xí)下國際象棋的問題。我們首先將其視為監(jiān)督學(xué)習(xí)問題。下棋智能體函數(shù)把棋盤局面作為輸入并返回對應(yīng)的棋子招式，因此，我們通過為它提供關(guān)于國際象棋棋盤局面的樣本來訓(xùn)練此函數(shù)，其中每個樣本都標(biāo)有正確的走法。假設(shè)我們恰好有一個可用數(shù)據(jù)庫，其中包括數(shù)百萬局象棋大師的對局，每場對局都包含一系列的局面和走法。除少數(shù)例外，我們認(rèn)為獲勝者的招式即便不總是完美的，但也是較好的。因此，我們得到了一個很有前途的訓(xùn)練集。9.4.1從獎勵中學(xué)習(xí)現(xiàn)在的問題在于，與所有可能的國際象棋局面構(gòu)成的空間（約1040個）相比，樣本相當(dāng)少（約108個）。在新的對局中，人們很快就會遇到與數(shù)據(jù)庫中的局面明顯不同的局面。那么，此時經(jīng)過訓(xùn)練的智能體很可能會失效——不僅是因為它不知道自己下棋的目標(biāo)是什么（把對手將死），它甚至不知道這些招式對棋子的局面有什么影響。當(dāng)然，國際象棋只是真實世界的一小部分。對于更加實際的問題，我們需要更大的專業(yè)數(shù)據(jù)庫，而它們實際上并不存在。9.4.1從獎勵中學(xué)習(xí)取而代之的另一種選擇是使用強(qiáng)化學(xué)習(xí)，在這種學(xué)習(xí)中，智能體將與世界進(jìn)行互動，并不時收到反映其表現(xiàn)的獎勵（強(qiáng)化）。例如，在國際象棋中，獲勝的獎勵為1，失敗的獎勵為0，平局的獎勵為1/2。強(qiáng)化學(xué)習(xí)的目標(biāo)也是相同的：最大化期望獎勵總和。強(qiáng)化學(xué)習(xí)不同于“僅僅解決MDP（馬爾可夫決策過程）”，因為智能體沒有將MDP作為待解決的問題，智能體本身處于MDP中。它可能不知道轉(zhuǎn)移模型或獎勵函數(shù)，它必須采取行動以了解更多信息。9.4.1從獎勵中學(xué)習(xí)想象一下，你正在玩一個你不了解規(guī)則的新游戲，那么在采取若干個行動后，裁判會告訴你“你輸了”。這個簡單的例子就是強(qiáng)化學(xué)習(xí)的一個縮影。從人工智能系統(tǒng)設(shè)計者的角度看來，向智能體提供獎勵信號通常比提供有標(biāo)簽的行動樣本要容易得多。首先，獎勵函數(shù)通常非常簡潔且易于指定；它只需幾行代碼就可以告訴國際象棋智能體這局比賽是贏了還是輸了，或者告訴賽車智能體它贏得或輸?shù)袅吮荣悾蛘咚罎⒘?。其次，我們不必是相關(guān)領(lǐng)域的專家，即不需要能在任何情況下提供正確動作，但如果我們試圖應(yīng)用監(jiān)督學(xué)習(xí)的方法，那么這些將是必要的。9.4.1從獎勵中學(xué)習(xí)然而，事實證明，一點(diǎn)點(diǎn)的專業(yè)知識對強(qiáng)化學(xué)習(xí)會有很大的幫助?？紤]國際象棋和賽車比賽的輸贏獎勵（被稱為稀疏獎勵），因為在絕大多數(shù)狀態(tài)下，智能體根本沒有得到任何有信息量的獎勵信號。在網(wǎng)球和板球等游戲中，我們可以輕松地為每次擊球得分與跑壘得分提供額外的獎勵。在賽車比賽中，我們可以獎勵在賽道上朝著正確方向前進(jìn)的智能體。在學(xué)習(xí)爬行時，任何向前的運(yùn)動都是一種進(jìn)步。這些中間獎勵將使學(xué)習(xí)變得更加容易。9.4.1從獎勵中學(xué)習(xí)只要我們可以為智能體提供正確的獎勵信號，強(qiáng)化學(xué)習(xí)就提供了一種非常通用的構(gòu)建人工智能系統(tǒng)的方法。對模擬環(huán)境來說尤其如此，因為在這種情況下，我們不乏獲得經(jīng)驗的機(jī)會。在強(qiáng)化學(xué)習(xí)系統(tǒng)中引入深度學(xué)習(xí)作為工具，也使新的應(yīng)用成為可能，其中包括從原始視覺輸入學(xué)習(xí)玩電子游戲、控制機(jī)器人以及玩紙牌游戲。9.4.1從獎勵中學(xué)習(xí)考慮一個簡單情形：有少量動作和狀態(tài)，且環(huán)境完全可觀測，其中智能體已經(jīng)有了能決定其動作的固定策略。智能體將嘗試學(xué)習(xí)效用函數(shù)——從狀態(tài)出發(fā)，采用策略得到的期望總折扣獎勵，稱之為被動學(xué)習(xí)智能體。被動學(xué)習(xí)任務(wù)類似于策略評估任務(wù)，可以將其表述為直接效用估計、自適應(yīng)動態(tài)規(guī)劃和時序差分學(xué)習(xí)。9.4.2被動強(qiáng)化學(xué)習(xí)被動學(xué)習(xí)智能體有一個固定的策略來決定其行為，而主動學(xué)習(xí)智能體可以自主決定采取