机器自我学习是终极科幻梦想。如今，随着Alpha Go和各类LLM的出现，这一差距正在缩小。但你是否相信，研究人员在1950年代末就开始构想这些问题并开发算法？虽然这个时间点对于技术史来说似乎太早，同时又感觉并不遥远，但实际上，正是在那时，研究人员开始构想后来成为我们今天所知的强化学习。
强化学习（RL）是一种机器学习类型，其中智能体通过与环境的交互来学习最优行为。智能体不依赖显式编程或标记数据集，而是通过试错学习，并以奖励或惩罚的形式接收其行为的反馈。这个过程模仿了人类自然学习的方式，使RL成为创建能够解决复杂问题的智能系统的强大方法。
我们是如何走到强化学习的？回顾过去，我们今天所知的强化学习实际上起源于1950年代的最优控制领域。然而，还有其他几个研究领域最终导致了强化学习的发展。这些领域都致力于制定方法论和开发随时间学习的算法。虽然最优控制领域对许多人（包括我）来说可能听起来陌生，但你可能更熟悉为解决这类问题而开发的一类算法：动态规划。
最优控制、动态规划与学习的交叉点直到1970年代末才出现。Paul Werbos开发了启发式动态规划，十年后，Chris Watkins将动态规划方法与在线学习相结合。该领域继续发展，Dimitri Bertsekas和John Tsitsiklis做出了关键贡献，他们在1990年代中期创造了神经动态规划这一术语。这仍然是一个极其活跃的研究领域，应用范围从机器人技术、像Alpha Go这样的程序到自然语言问题，仅举几例。
来源: Towards Data Science · 由HeadlinesBriefing整理摘要