刚刚，2024 图灵奖得主正式官宣，ChatGPT 和 DeepSeek 都曾受益于他们

正文

请到「今天看啥」查看全文

直到 20 世纪 80 年代初，受心理学研究的启发，Barto 和他的博士生 Sutton 开始将强化学习正式确立为一个通用问题框架，为这一领域的发展奠定了基础。

他们借鉴了马尔可夫决策过程（Markov Decision Processes，MDPs）提供的数学基础。 在 MDP 框架下，智能体在一个随机环境中做出决策，每次状态转移后都会收到一个奖励信号，并以最大化长期累积奖励为目标。

传统的 MDP 理论假设智能体完全了解环境和奖励机制。

而强化学习（RL）框架则允许智能体在未知环境和未知奖励的情况下进行学习。这种对信息的最小依赖性，加上 MDP 框架的通用性，使 RL 算法可以广泛应用于各种问题，下面将进一步介绍其应用。

Barto 和 Sutton 及其合作者共同开发了许多强化学习的基本算法，其中最重要的贡献之一是时序差分学习（temporal difference learning），它在奖励预测问题上取得了重要突破。

此外，他们还提出了策略梯度方法（policy-gradient methods），并探索了神经网络在学习函数表示中的应用。他们还设计了结合学习与规划的智能体结构，证明了智能体在学习环境知识后进行规划的价值。

除了算法贡献，他们合著的教材《强化学习：导论》（Reinforcement Learning: An Introduction，1998）同样具有深远影响。这本书至今仍是该领域的标准参考文献，被引用超过 75000 次，成为该领域标准参考文献，培养了无数研究者。

尽管基础理论早在几十年前就已提出，但强化学习的实际应用在过去 15 年才取得重大突破。

这一进展主要源于强化学习与深度学习（由 2018 年图灵奖得主 Bengio、Hinton 和 LeCun 开创）的结合，催生了深度强化学习技术。没错，就是你所认知的 AI 教父——Hinton。

深度强化学习技术最具代表性的成功案例莫过于 AlphaGo 在 2016 年和2017年连续战胜世界顶级围棋选手

请到「今天看啥」查看全文