本文共3600字，建議閱讀10分鐘
深度強化學習是一個值得持續(xù)研究和關(guān)注的新方向。

深度學習不夠智能，強化學習又太抽象。深度強化學習是兩套理論體系乘風破浪以后的成團產(chǎn)物，其骨架來自強化學習，而靈魂由深度學習賦予。深度強化學習是一個值得持續(xù)研究和關(guān)注的新方向。

一、深度學習的反思

現(xiàn)在深度學習大熱，一點也不輸給現(xiàn)在的室外氣溫，但大熱背后也有隱憂，深度學習雖然表面光鮮，但細看就會發(fā)現(xiàn)：仍然充滿了槽點。

其中一個可謂是直擊靈魂?，F(xiàn)在深度學習用得最多的就是有監(jiān)督學習。有監(jiān)督學習不妨理解成“有參考答案的學習”，它有一個特點，就是數(shù)據(jù)必須經(jīng)過標識才能用于訓練。但現(xiàn)在海量的數(shù)據(jù)是未標識數(shù)據(jù)，且標識成本很高。很多研究人員，甚至包括有不少的大牛都在反思，琢磨深度學習是不是“錯了”。如果說人工智能發(fā)展的正道在于模擬人類智能，那深度學習的這套學習模式可能走了歪路。

舉一個例子，就是人類的小嬰兒學走路。小嬰兒學走路肯定不是靠先看一大堆的《如何解鎖行走姿勢》或者《人類直立動作大全》之類的資料，用行話來說，就是不必依賴外部輸入大量的訓練數(shù)據(jù)。那小嬰兒是怎么學的呢？靠不斷嘗試，也就是我們常說的跌倒了爬起來再走。簡單來說，這一派研究人員認為：深度學習和人類的學習模式是截然不同的，別看現(xiàn)在大紅大紫，早晚是要碰到天花板的。那應(yīng)該怎么辦呢？很多人都指了同一個地方，就是深度強化學習。

二、強化學習原理

深度強化學習是兩套理論體系乘風破浪以后的成團產(chǎn)物，這兩套體系本來都是單飛型選手，分別是深度學習和強化學習，具體來說，深度強化學習的骨架來自強化學習，而靈魂則是由深度學習賦予。所以，要講明白深度強化學習，首先來看下強化學習。

2.1?AlphaGo進化史

AlphaGo打敗柯潔等一眾國際頂尖棋手的事實讓大家對人工智能技術(shù)信心倍增。當年AlphaGo一共迭代了三個版本，分別是戰(zhàn)勝李世石的一代目AlphaGo Lee、戰(zhàn)勝柯潔的二代目AlphaGo Master，以及吊打前兩代的三代目AlphaGo Zero。這三代棋藝當然是逐代遞增了，技術(shù)上也有一個明顯的變化趨勢，就是強化學習的比重越來越大。

最開始訓練AlphaGo的模型，是需要用借助已有棋譜的，也就是需要參考答案，是有監(jiān)督學習。而當進化到了AlphaGo Zero，這哥們兒開始“悟了”，對，是真正意義上的悟了，不再需要任何棋譜，完全自食其力，從零開始自學成才，所以名字叫Zero。親爹DeepMind喜不自勝，跑到Nature發(fā)了一篇爆款論文，名字叫《Mastering the game of go without human knowledge》，我看中文不妨就翻譯為《圍棋滅霸》，反正意思就是“你們?nèi)祟惗际窃?，我不需要人教也能稱霸棋壇”。這次是真不用人教，那靠什么自學呢？就是強化學習。AlphaGo Zero的學習模式非常類似于人類，而且取得了無可非議的良好效果，確實讓業(yè)內(nèi)所有人都真真切切地感受到了強化學習的驚人潛力。

2.2?強化學習基礎(chǔ)概念

說了這么多，那什么是強化學習呢？強化學習是機器學習中的一種。強化學習和有監(jiān)督學習、無監(jiān)督學習都不太一樣，有一個智能體（Agent）的概念。什么是智能體呢？大家應(yīng)該都玩過任天堂的一款經(jīng)典FC橫版通關(guān)游戲——馬里奧兄弟。在游戲中，玩家通過控制馬里奧頂蘑菇、踩烏龜來取得勝利，如果想用強化學習來通關(guān)，那這里的智能體指的就是馬里奧。

智能體是強化學習的第一個重要概念，是主角，但強化學習作為一臺好戲，自然不能光有主角，還得有舞臺，這就是強化學習的第二個重要概念，環(huán)境（Environment）。

強化學習的學習過程，就是作為主角的智能體和作為舞臺的環(huán)境不斷交互的過程。這個過程又包括三個重要概念，分別是觀察（Observation）、動作（Action）和獎勵（Reward）。這五個概念可謂是強化學習的五線譜，能夠演奏出無數(shù)美妙動人的旋律。

那么，對于剛剛提出的智能體、環(huán)境、觀察、動作和獎勵這這五個概念是怎么進行演奏呢？

2.3 深入淺出強化學習

首先一條就是主線，前面已經(jīng)介紹，強化學習的主線就是作為主角智能體，與作為舞臺的環(huán)境所作的各種交互。交互過程衍生了三個概念，聽起來復雜，其實玩馬里奧兄弟游戲非常相像，完全可以一對一比照。

回想一下，游戲里的馬里奧想要通關(guān)，第一步需要干什么呢？前進后退還是蹦蹦跳跳？都不對，首先需要觀察。你得先看一下周圍環(huán)境，看看前面到底蘑菇還是烏龜，才能決定接下來的行動。觀察環(huán)境，獲取當前的狀態(tài)信息了，才決定下一步行動對不對？強化學習也一樣，主角智能體通過前面介紹的第三個重要概念“觀察”，來獲得當前時刻的各種狀態(tài)信息，一般記為s(t)。

掌握了狀態(tài)信息，游戲里的馬里奧開始躍躍欲試，準備做出反應(yīng)了。強化學習也一樣，我們將s(t)作為智能體的輸入，智能體會略加思索，接著就能做出“動作”。這里的動作，就是前面介紹的第四個重要概念。智能體能做出哪些動作呢？這和具體的場景有關(guān)，譬如在馬里奧游戲中，動作就是指“頂蘑菇”或者“踩烏龜”，一般記為a(t)。

最后一個重要概念是“獎勵”。這個好理解，前面我們一再強調(diào)，強化學習的主線是智能體與環(huán)境的各種交互，那現(xiàn)在當智能體做出某個動作后，環(huán)境當然也得有所表示，得有個反饋信息，這就是獎勵。譬如馬里奧游戲中，馬里奧“吃到金幣”后，相應(yīng)的游戲得分就會增加，這就是獎勵。需要說明一點，強化學習的“獎勵”和我們?nèi)粘Ｋ晳T的用法略有不同，強調(diào)的是環(huán)境對智能體的反饋。上面說的得分增加，這是一種好的反饋，當然也有壞的反饋，譬如做了什么動作被扣分了，但無論是好的反饋，還是壞的反饋，在強化學習這里都統(tǒng)一稱為“獎勵”。

至此，智能體就完成了一輪強化學習。不斷重復這輪流程，智能體就能順利地與環(huán)境交互下去。聽起來是不是很簡單？不過，魔鬼都藏在細節(jié)里。

2.4?強化學習方向分類

不知道大家在閱讀時，有沒有注意到強化學習的一個非常重要的問題，上面卻一筆帶過？沒錯，就是從獲取s(t)到做出a(t)之間的“略加思索”。作為輸入的狀態(tài)信息，和作為輸出的待選動作，都是給定好的，但二者的映射關(guān)系如何，也就是輸入什么樣的狀態(tài)信息該對應(yīng)輸出什么樣的動作反應(yīng)，也就是智能體應(yīng)該如何進行思考。

這是強化學習最核心的問題。有了問題，自然就會產(chǎn)生各種腦洞。我們說強化學習的五個概念像是五線譜，演奏出無數(shù)美妙旋律，這絕對不是藝術(shù)化的比喻，而是實情。為了解決強化學習這個核心問題，研究人員是真真切切地開了無數(shù)的腦洞，總的來說，主要是朝著兩大方向開腦洞。

第一個大方向叫基于價值（Value-Based）的強化學習。機器學習都有個目標函數(shù)的概念，而基于價值的強化學習，它的目標函數(shù)就是累計獎勵最大化，也就是當前哪個動作能讓得分更高就選擇做哪個動作。這很符合我們的直覺認知，比較容易理解。那怎么達到這個目標呢？不同的算法各有不同，基于價值（Value-Based）的強化學習算法中，最有名氣的算法應(yīng)該數(shù)Q-Learning，也有人稱為Q學習，通過不斷計算和更新動作價值函數(shù)Q來實現(xiàn)獎勵最大化。

第二個大方向叫基于策略（Policy-Based）的強化學習?；趦r值雖然符合直覺，但這種走一步看一步，每次都要用價值函數(shù)量一下才能行動的做法，難免讓人有種“無頭蒼蠅瞎轉(zhuǎn)”的無力感，而基于策略的強化學習最大的特點就是果斷拋棄了價值函數(shù)，嘗試找到每個狀態(tài)對應(yīng)的最佳動作，從而形成一套動作策略，每走一步策略都能直接給出最佳的下一步動作。

當然，除了這兩大方向，強化學習還有其它的腦洞方向，譬如基于模型（Model-Based）的強化學習，不過由于成本和難度較高，用得比較少。而這兩大方向都各自包含了大量的具體實現(xiàn)算法，即使方向相同，各個算法在細節(jié)上仍然有很大差異。

三、深度學習與強化學習的結(jié)合

最后一個問題是，深度學習是怎樣和強化學習結(jié)合，成為深度強化學習的呢？

前面我們說，深度強化學習，強化學習是骨架，深度學習是靈魂，這是什么意思呢？深度強化學習的主要運行機制，其實與強化學習是基本一致的，也都是根據(jù)輸入的s(t)，找到對應(yīng)的輸出a(t)，只不過使用了深度神經(jīng)網(wǎng)絡(luò)來完成這一過程。

更有甚者，有的深度強化學習算法，干脆直接在現(xiàn)成的強化學習算法上，通過添加深度神經(jīng)網(wǎng)絡(luò)來實現(xiàn)一套新的深度強化學習算法，非常有名的深度強化學習算法DQN就是典型的例子。

前面我們介紹基于價值的強化學習算法中介紹了Q-Learning算法，有一個重要的步驟是計算Q值，而傳統(tǒng)的Q-Learning算法是通過Q表來完成計算的，但表格存在一個明顯的局限性，狀態(tài)-動作空間越大，Q表就越膨脹，而且是大一點就膨脹好幾圈。這樣下去不行的，早晚是要河邊見的……

那怎么改善呢？研究人員一想，現(xiàn)在大熱的深度神經(jīng)網(wǎng)絡(luò)不是最擅長干這事嗎？于是一拍大腿，不再需要勞駕Q表您老人家來記錄Q值了，統(tǒng)統(tǒng)改成了深度神經(jīng)網(wǎng)絡(luò)，這就是DQN。雖然聽起來改動不大，但兩者結(jié)合效果很好，能力提升明顯，成就了廣為使用的深度強化學習算法。

本文參考北京理工大學劉馳教授的《深度強化學習：學術(shù)前沿與實戰(zhàn)應(yīng)用》，本書詳解了深度強化學習領(lǐng)域近年來重要進展及其典型應(yīng)用場景，涵蓋新的理論算法、工程實現(xiàn)和領(lǐng)域應(yīng)用。緊跟學術(shù)前沿，聯(lián)合工程實踐，值得學習。

編輯：王菁

校對：林亦霖