南京大学俞扬博士：强化学习前沿（下）

转载自雷锋网 https://www.leiphone.com/news/201705/uO8nd09EnR77NBRP.html

---

在此列出俞扬老师讲课目录，以供读者参考：

• 一、介绍（Introduction）

• 二、马尔可夫决策过程（Markov Decision Process）

• 三、从马尔可夫决策过程到强化学习（from Markov Decision Process to Reinforce Learning）

• 四、值函数估计（Value function approximation）

• 五、策略搜索（Policy Search）

• 六、游戏中的强化学习（Reinforcement Learning in Games）

• 七、强化学习总结

• 八、强化学习资源推荐

上篇介绍了前两个小节的内容，以下为下篇内容：

三、从马尔可夫决策过程到强化学习

在强化学习任务中，奖赏和转移都是未知的，需要通过学习得出。具体解决办法有两个：

一种是还原出奖赏函数和转移函数。首先把MDP还原出来，然后再在MDP上解这个策略，这类方法称为有模型（Model-Based）方法，这里的模型指的是MDP。

还有一类和它相对应的方法，免模型（Model-Free）法，即不还原奖赏和转移。

基于模型的方法

在这类方法中，智能体会维护Model（即MDP），然后从Model中求解策略。

从随机策略开始，把策略放到环境中运行，从运行的序列数据中把MDP恢复出来。因为序列数据可以提供环境转移和奖赏的监督信息，简单的做一个回归，就能知道一个状态做了一个动作下面会转移到哪儿，以及能得到的奖赏是多少。

这里有一个非常简单的环境探索方法——RMax，它用了计数这个非常简单的回归模型。

虽然看起来很简单，但是还原MDP的样本复杂度是状态数的平方，远高于前面说到的求解策略的复杂度。从这里可以看出学习MDP的复杂度极高，所以大量的研究工作都集中在免模型学习上。

免模型学习

免模型学习简单介绍两种方法。一种叫做蒙特卡罗采样方法（Monte-Carlo method），一种是时序差分法（Temporal difference method）

• 蒙特卡罗采样方法介绍（Monte-Carlo method）

免模型学习和之前讲到的策略迭代的思路很像，首先，评估当前策略怎么样；第二，提高当前策略。

第一步 评估策略

在MDP里评估策略的时候，由于奖赏和转移都是知道的，所以可以直接用这两个函数算评估值。现在这两个函数都不知道，那怎么办呢？

这个Q值函数实际上是个期望，所以直接用采样来替代期望就可以了。换句话说，就是拿该策略在环境里面去跑，看跑出来什么结果。

比如跑了之后我得到一条轨迹：先是出太阳，接着是多云，最后是出太阳；再跑第二次得到一条轨迹，再跑第三次又得到一个轨迹。最后得到很多轨迹。我知道每条轨迹的奖赏是多少，然后把这些轨迹的奖赏平均起来，作为这个策略的值函数的估计，用频率来逼近期望。

第二步 更新/提高策略

如此一来，我们就可以去评价一个策略的好坏。评价完一个策略以后，就可以和刚才一样，取Q值函数指示最好的动作作为新的策略，更新过程是一样的。

整个算法写出来比较简单。我们要做m次采样，每一次都把当前的策略拿到环境里面运行，然后会得到一个序列，根据序列让奖赏求和，然后更新Q值，这个Q值就是历史上采样的均值，c是计数。

在一条轨迹下来以后，更新Q值后，做第二条轨迹，这样就做到了不依赖MDP模型的强化学习方法。

然而该方法缺乏环境探索，难以更新策略

但是，这个有一个问题——如果得到了确定性策略，那么有可能采100个样本出来的轨迹都是一样的，导致无法评估策略在所有状态上的表现，所以无法提高策略。这里的关键在于它缺乏对环境的探索。

如何探索环境，以获得最大回报？

怎么探索？我们可以考虑一个最简单的强化学习问题：一个状态，两个动作，一个动作的回报高一点，一个动作回报低一点，但是这两个回报来自于两个分布。这个时候你选哪个动作，或者你怎么做能收到最大的回报？这其实就是bandit模型。

• 一个极端是，尝试100次，每个动作做50次，这个时候我可能知道哪个动作比较好，但是拿到的回报可能不是最高的，因为可能做10次以后，就已经知道第一个动作的回报要高一点了，如果剩下的投资还是均匀分布的话，就得不到最大回报。

• 另一个极端是，两个动作各试一次，看哪个回报高，剩下的98次全部投到最高的回报去。这个方法也不好，因为只试了1次，估计的回报很不稳定。

第一种情况是要有足够多的探索（即exploration），第二种情况是不需要过多的探索而有更好的投资（即exploitation），我们要在这两点之间找到平衡。

解决这个问题有多种方法。第简单的方法是，以1-ε的概率，现在看好哪个，就去投资它，剩下的ε概率就完全随机，每个动作都去尝试。这个方法称为ε-greedy。

该方法可以保证所有状态都有一定的概率，哪怕是很小的概率，被访问到。所以当运行一段时间以后，它能够找到最优的策略。

但这个方法也有缺点，就是必须要指定一个ε值。通常这个值应当不断衰减，直到收敛到一个比较好的结果。还有一个效率问题，比如A动作尝试了10次以后，平均回报是1万，B动作尝试了10次以后是0.1，这个时候就已经没有必要尝试下去了，因为距离非常远。但是ε-greedy的探索不会停下来，所以有了其他的方法，比如softmax——它会考虑到Q值本身，如果两个动作的值差别很大，探索的概率就很小。另一个在理论上比较漂亮的方法是UCB（Upper Confidence Bound）：

• 第一，考虑了Q值。如果Q值本身差距比较大，探索的可能性就很小；

• 第二，考虑了探索次数。如果探索次数很少，可能它的置信度就比较低，如果探索的次数较多，置信度就会比较高。

所以，按照Q值加上置信度的上界来选择动作，它就会自动平衡。

不过，最常用的还是第一种ε-greedy方法。给出一个策略π以后，把它变成探索的策略，即随机挑选一个动作，把这个带探索的策略放到蒙特卡罗的算法里面。并且，这个轨迹并不是从π中产生的，而是从带探索的πε中产生的，这就能保证策略可以不断更新了。

下面介绍On/Off Policy：学习带探索/不带探索的策略。

大家可能常听On/Off Policy策略这个词。

在蒙特卡洛采样中使用了πε策略来采样，学的并不是π，是带探索的πε。因为用来评估的数据，是从带探索的策略产出来的，而不是从我们想要学的策略上产生出来的。这个区别会导致把探索也作为策略的一部。这种采样与更新的策略是一样的算法叫做On Policy。

但很多时候，我们想学的实际是不带探索的策略，也就是说要从带探索的策略中采样，但更新的只是策略本身，即Off Policy。这里面临一个问题就是，采样并不来自于当前的策略，常用的重要性采样（Importance Sampling）技术通过修改采样的分布，改成想要的样子。可以通过加权重这个简单的方法，修改策略的分布，然把这个分布加到具体算法里面去。也就是把奖赏加了一个权重，这样的算法就变成一个Off Policy的算法，这样它学习的就是π自己了。

蒙特卡洛算法总结

总体来说，蒙特卡洛的算法不是一个效率很高的算法，但是能够展现免模型类算法的特性。

我们要做这个策略的评估，然后做完评估以后找到一个改进的方向，就可以改进这个算法了；这里，为了使策略能够有效更新，需要引入对环境的探索；而对环境的探索里面，要注意On/Off Policy这么两个概念。

另外，蒙特卡洛的算法有一个很显然的缺陷：一定要拿到整个轨迹以后，才能更新模型。

• 时序差分（Temporal difference method）

那能不能每走一步都更新模型呢？蒙特卡洛算法里面有一个性质——即更新Q值的时候，实际上是在更新均值。

更新均值还可以写成：μt = μt-1 + α(xt _ μt-1)，意思是刚才我们更新的是Q值（算式如下图显示），其中R − Q(st, at)叫做蒙特卡罗误差。我们知道，Q是对奖赏的一个估计，R是是采完这个轨迹以后得到的真实的奖赏。换句话说，Q值d饿更新就是加上就是真实值和估计值的差别，即蒙特卡罗误差。

在TD算法里，我们走了一步得到了一步真实的奖赏，再往后走还没走，所以不知道后面真实的奖赏是多少，但可以通过之前的Q值来估计之后的奖赏，这两个加起来就是当前知道的信息，用它来替代这个R，来减去老的预估值，我们称这个过程为时序差分。

如果用蒙特卡罗的话，需要先走到底，知道总体的结果之后，每一步的差别就能算出来；而对于TDL来说，只需要记录一步的信息，所以可以在线更新自己。

• SARSA
  

动态规划记录的是所有状态上面的信息。而把刚才的蒙特卡罗的error换成了TD errpr，就可以得到新的TD方法的强化学习方法。这个方法就不是采集整个轨迹了，而是根据探索的策略，用TDL来更新Q值，每走一步就更新一下对当前策略的评判，然后再更新策略。这个算法叫做SARSA，属于On Policy，而变成Off Policy的策略，只修改一处，用非探索策略来计算TD error，就得到Q-Learning算法。

• SARSA v.s. Q-learning

这是一个爬格子的问题，是典型的经典强化学习问题。

动作是上下左右的走，每走一步就会有一个-1的奖赏。从初始状态走到最终的状态，要走最短的路才能使奖赏最大。图中有一个悬崖，一旦走到悬崖奖赏会极小，而且还要再退回这个初始状态。

在这里用On Policy SARSA会有一定的概率去探索，也就有可能会掉到这个悬崖下面去，所以奖赏就会比较小；而用Q Learning，因为最后的策略是不带任何探索的，没有任何的随机性，所以路径最短。

这就是两类强化学习算法的区别。你在学习过程中可以看到，Q Learning的值较低，这是因为学习的时候一定要带探索的学习，所以你训练的过程中一定是不断的去训练。

另外，前面讲的TD误差更新是走一步后的更新，实际上还可以做两步的更新、走N步的更新，都是可以的。所以有一种方法就是做很多步的，按照一个概率加权把它综合起来，综合起来以后到一个叫做λ—return，就是走一步、走两步和走多步的TD。

 四、值函数估计（Value function approximation）

刚才讲的所有问题，前提是都能用表格表示。但是很多真实环境是无法用表格表示的。所以在强化学习发展的早期，一直没办法用在大规模的真实问题上去。后来大家就想，怎么把这个强化学习放在一个连续状态空间去，甚至说放在动作也是连续的情景中，比如控制一架直升机的。

大家可能觉得强化学习的学习过程和监督学习之间的差别比较大，算法、模型好像都完全不一样。但进入连续状态空间以后，两者就会出现很多相似的地方。

离散状态下可以用表格来表示值函数或策略；但进入连续状态空间就要用一个函数的近似来表示，这个方法叫做值函数近似。

比如，我们可以用一个线性函数来表示，V值是表示状态s下面的一个值，状态s先有一个特征的向量φ（s），这个V值表达出来就是一个线性的参数乘以特征的内积。Q值里面有一个动作，假设这个动作是离散的，一种方式是把这个动作和状态放在一起变成一个特征，另一种方法是给每一个动作单独做一个模型。

当遇到连续空间的问题时，用近似来表示值函数V和Q，这个做法看起来很自然，但是近似以后会发现，以往很多的理论结果就不成立了。

但我们现在先不管那些问题，先看做了近似以后怎么来学？我们想知道的是，这里的Q值，是希望Q值近似以后，够尽量逼近真实的Q值。如果已经知道真实的Q值，怎么逼近呢？最简单的方法就是做一个最小二乘回归。其中一种解法是求导。求导以后，导数表示为，真实的Q和估计的Q的差值，然后再乘对Q值模型的导。可以看到，导数表达的含义与之前的模特卡罗误差、TD误差是一致的，只不过更新的是参数w。把这种更新方式套进Q learning里，其他地方都没有变，只得到了用值函数逼近的Q-Learning方法。

这个模型用什么函数呢？最简单就是用线性函数。但是线性函数有很多局限的，需要在特征的设计上下功夫，这需要很好的人工设计。

把它变成非线性函数，一个常用方法是用神经网络，直接用神经网络表示Q值。在更新的时候也很简单，只需要把梯度传到神经网络中去就可以了，因为神经网络的BP算法本身也是求梯度。

用批量学习改进

还有一些改进的方式。比如说我们在训练近似模型的时候，在一个样本上训练可能会不稳定，所以可以用Batch Models的方式，积累一批数据来训练这个模型。

刚才讲的所有训练方法，都是先把V值或者Q值估计出来，然后再从中把这个策略导出来。我们称这种方法为基于值函数的强化学习方法。

五、策略搜索（Policy Search）

值函数估计法存在的问题：策略退化

但是用值函数估计会有一个问题——这种方法可以收敛到最优策略，但前提必须是用表格的表达方式；如果用的是函数近似，则会出现策略退化，即对Q值估计越大，策略越差。

举一个简单的例子，现在有两个状态，一个是状态1，一个是状态2，状态1的特征为2，状态2的特征为1。我们设定奖赏，使得状态2的最优V值比状态1的要大。这时如果用一个线性函数来表示这个V，也就是用W乘以特征，这个特征只有一维，最优的这个V值2是比1大的，1的特征值要高一点，2的特征值要小一点，所以最优的W就应该是个负数，这样会使得V(2)比V(1)大，因而能导出最优策略。

但是基于值函数的做法是要使得V值尽量靠近最优的V值，最优的V值又是正值，这样会导致这个W一定是正的，无法得到最优的策略。这样值函数估计得越准，策略越差的现象被称为策略退化。

用策略搜索解决策略退化问题

为了避免策略退化，我们的方法是直接去找策略，这就是策略搜索。

先把策略参数化，对于离散动作来说，参数可以做成像Gibbs Policy一样，即每个动作有一个参数，然后把它归一，变成每一个动作有一个概率。如果是一个连续动作的话，可以用高斯分布来描述。里面这个参数，我在这里写的是一个线性的过程，但也可以用神经网络来替代。

直接优化策略的参数，使得收到的总回报达到最大的方法，就是策略搜索（Policy Search）。

策略搜索的优势

策略搜索和基于值函数的方法相比，优缺点各是什么？

• 第一，能处理连续状态和动作；

• 第二，对于高维的数据总的表现比较好。

• 第三，可以直接学出随机性策略

• 第四，Policy Search和监督学习的兼容性比较好。

第三点用处很大，比如说玩“剪刀石头布”，如果选择确定性策略，那一定会输；一定要做一个带概率的输出才会赢。     

还有另外一个例子，跟大家讲解一下为什么需要随机性策略。

骷髅代表走到这就死掉了；最优策略肯定是往中间走，但是这里有两个灰色格子，它们代表的是不完全观测的状态，即走到灰格子之后不知道该往左边还是右边；

• 如果这时又用了确定性策略，那就只能向左或向右走，只能是确定的，则有可能会遇到走不通的路径。

• 如果用随机性策略，向左和向右的概率都为50%，因此不管往哪边走总能到达目标。

这也体现了策略搜索的优势。

第四，策略搜索和监督学习的兼容性比较好。

这个策略是用参数表达的，它的目标是最大化的奖赏。最大化奖赏的意思就是说，把空间里所有的轨迹枚举出来。因为策略产生这些轨迹是有一定概率的，在某个状态上，策略做出相应动作的概率是由策略决定的，把所有一条轨迹上所有动作的概率相乘，就得出产生这条轨迹的概率。所以它总体的期望回报，就是所有轨迹的期望，也就是每条轨迹的概率乘以每条概率能获得的奖赏，这也是总回报的另外一种写法。这种写法有的好处就在于，它和策略参数目标有关，所以我可以对奖赏直接求导，来求解策略。另外一种写法用的是稳态分布（Stationary Distribution），用和上面写法完全等价，意思是完全一样的，在这里就跳过不讲了。

策略搜索也有一个缺点，其中一个缺点就是有很多局部最优解，失去了全局最优的收敛性保障，其次是训练过程方差非常高。

• 早期策略求导的方法：Finite Difference

相信大家都会求导，不过有一种方式大家可能没有见过——有限差分（Finite Difference），这是早期用来做策略求导的方法。

那什么时候会用到有限差分呢？可能是这个系统可能太复杂了，不容易求导，那就可以用一个简单的方式来逼近这个导数。拿到一个参数θ，θ的导数就是看一下周围哪个方向走的比较快，这样给θ加一个很小的扰动的值，对θ周围的局部进行采样，对那个采样增长得最快，这个方向就当成是一个导数方向。这是最简单的方法，当然这个方法有很多缺陷，特别是在高维度的情况下，会需要很多采样，所以更直接的方法还是直接求导。

最后得到的一个导数，导数形式如下所示：

                                   

E是期望，1到T代表考虑的是T步的轨迹，每一步轨迹对策略输出值的对数取导数，然后乘以真实的奖赏（奖赏不取对数）。奖赏是个常数，即轨迹得到的奖赏值。

可以通过采样可以来逼近期望，对一个策略以后，去跑一些轨迹，然后计算平均梯度，作为梯度期望的逼近。

我们刚刚说到，这种方式有一个很大的缺陷，就是它的方差很大，直接用计算的梯度来更新策略（vallina policy gradient），基本上得不到好的策略，因为它的方差太大，不稳定。

控制方差的方法 1、Actor-Critic

控制方差有多种方式，其中一种叫做Actor-Critic。用比如直接求导的方式把策略求出来，叫做Actor；对值函数进行估计，并用于评估策略，是Critic，意为它是一个评价者。

我们要维护一个值函数Q的模型。另外，用导数的方法来求策略的梯度的时候，不做直接使用奖赏，而是使用Criitic提供的Q值。所以Actor-Critic会维护两个模型，第一个是策略的模型，第二个是Q函数的模型。

对Q函数求近似的时候，式子和上面的那个导数形式一样，里面的经验奖赏换成了Q值。在求策略梯度时，Q值是一个常数，是不更新的，它有自己的更新方式，且通常是真实的Q值。

控制方差的方法2、引入偏差项（bias term）

另一种控制方差的形式，是引入偏差项，只要这个函数是一个只跟状态有关、跟动作无关的函数，它的积分就是0，不影响梯度方向，而会影响梯度的方差。

对于简单的形式，我们可以直接求出来最优的偏差是什么。更一般的形式，我们可以用V值来替代bias。因为V值就是关于状态的估计值，和动作没有关系，所以它带到积分里面去的时候会是0。

把V值带进去，后面的Q就变成了Q-V，叫做Advantage Function，意思指：在这个状态上，V值相当于是一个平均值，Q值指某个动作比平均值高出来多少。用Advantage Function会使得做策略梯度以后，方差控制得比较好，只有当方差控制好了，这类算法才能真正起作用。

其他改进方法

梯度的改进方法还有Nature Policy Gradient。在监督学习里面，随机梯度是很容易并行的。最近有一些理论的工作，也探讨了它的并行不会影响到它的理论性质。在策略梯度里面，我们同样可以把这个梯度并行来做，这样可以使得它的速度下的很快。

还有对策略直接求导的方法，比如无梯度的优化（Derivative-Free Optimization）。这类方法不管强化学习是在做什么，而是直接优化策略里面的参数。优化完参数以后，试一下策略，得出这个值具体是多少。

这样，优化过的算法可以通过总体奖赏值来调整模型里面的参数。通常来说它比用Gradient Policy效率差，由于中间过程是忽略不计的，所以它对特别复杂的问题，反而有比较好的效果，比如俄罗斯方块游戏。

六、游戏中的强化学习（Reinforcement Learning in Games）

最后一部分，讲一下强化学习和游戏。

为什么讲游戏？一方面，是因为在游戏里面需要克服的一些问题，在真实应用中也常遇到；另外一方面，用游戏来做强化学习任务的成本比较低。

• 游戏推动深度强化学习（Deep Reinforcement Learning）的发展

2015年，DeepMind在Atari游戏上使用深度网络直接从屏幕图像训练强化学习，直接推动了“深度强化学习”的发展。

用深度神经网络，放在Policy Gradient里面，作为一个策略的模型；或者放在基于值函数的方法里面，作为值函数Q值的一个估计。这样的方法就称为深度强化学习。

深度强化学习

其实，深度强化学习里很多工作是在研究怎么让网络更稳定。特别是当输入数据比较少的时候，网络方差的浮动会比较大。这就可以用“延后更新”来解决——如果用深度神经网络，那么每走一步都更新模型会导致模型抖动非常大。而用“延后更新”，例如可以在100步里不更新策略，只是把神经网络更新一下，这个神经网络没有放到新的策略里面来，等神经网络有一个比较稳定的上升以后，再更新策略。还有，积累的数据不要丢掉，也拿出来，让这个神经网络更稳定一点。这两个技巧合起来放在Q-Learning里面，就是DQN。

• Deep Q-Network（DQN）

DQN可以说是第一个声称深度强化学习算法，可能也是最广为人知的一个。基本上，它的整体结构就是一个函数近似的Q Learning，只不过用CNN做了近似函数。

在玩这个游戏的时候，它已经有了100万个记录历史。每次训练神经网络的时候，要抓32个出来训练一次，并且训练完以后不去更新策略，而是在走一定的步数以后，再更新这个策略。除此之外，并不是直接从屏幕上把一帧图像拿进来，而是把历史上好几帧的屏幕拼起来，得到一个当前帧和前面好几帧合起来的一个总体的图作为CNN的输入。不过在最新的一些工作中，这个过程已经被被递归神经网络替代了，不再是把好几层拼起来，而是让好几帧分别输入例如LSTM的网络。

很多运用强化学习寻找策略的游戏已经比人玩得都好了，它玩的好的优势主要体现在反应速度上。但是在需要深入思考逻辑关系的游戏中，强化学习没有人做得好。

我们来看看它的游戏报告结果。

这里面，“with replay”和“without replay”的意思是有没有用到历史数据，“with target Q”和“without target Q”就用了CNN还是线性网络。我们可以看到，神经网络在这里贡献并不是最大的。如果我们只用神经网络而不用replay的话，效果还不如用了replay，但只用线性模型而不用CNN。当然，同时使用深度模型和强化学习是最好的，这可以完成一些过去完成不了的事情。

在AlphaGo中的应用

AlphaGo系统的基础框架是蒙特卡洛树搜索，这是经典的树搜索的方法。但是单凭蒙特卡洛树搜索本身并不能取得很好的效果，只用树搜索大概只能达到业余的五六段。AlphaGo里面的一个创新的点就是引入强化学习来改进搜索树的深度和宽度。

这里面用了三个神经网络。

• 第一个policy network，在展开蒙特卡罗树搜索节点的时候起作用。这个网络是用策略梯度方法训练出来的。

• 第二个是一个很小的神经网络，蒙特卡罗树搜索里再往下做很深的搜索时会用到，这样它可以算得很快。这个小的网络是通过监督学习学出来的。

• 第三个网络是用来修正值的。它是通过强化学习中间产生的数据来学习。

由于大家对DQN比较熟悉，所以在尝试深度学习的时候，首先想到的算法大多是DQN。但因为它是一个基于值函数估计的强化学习方法，所以这种方法在稍微复杂一点的应用环境中可能运行不了，大家会感觉用DQN做强化学习效果没那么好。但同样是DeepMin做的围棋游戏，它的强化学习方法已经改成了Policy Gradient，而且以后的很多算法也都是以Policy Gradient为主的，用这种方法处理复杂问题效果更好。

在其他游戏上的应用

正是由于在计算机中模拟游戏的代价很低，所以不断有研究者借助游戏来发展强化学习。比如，有用在3D第一人称射击游戏中，可以在这个世界里面行走，并且寻找东西。去年有一个“DOOM”游戏比赛，参赛者要用计算机控制游戏角色，以第一视角进行3D射击。有了强化学习，参赛者就能控制游戏角色，让它做一些动作。由于这个游戏额环境比较复杂，所以在玩游戏的过程中，也发展出了一些创新方法。

例如，在游戏里面，如果让一个强化学习直接到游戏环境里面学习，那它又要捡医疗箱，又要去捡武器等等，太复杂了。而其中一个团队，就采取了这样的做法：他们让强化学习从简单到复杂，一步一步的去学习——首先学一个策略，比如捡起医疗箱，然后在这个策略的基础上再来学怎么样来开枪、怎么样来射击敌人等等。

实际上游戏里面有很多很高难度的挑战，其中一个非常复杂游戏叫做StarCraft。这个游戏已经有很多年的历史了，现在有不少人，包括DeepMind，都希望在这么复杂的游戏上面能表现出一个比较好的性能，因为这个游戏的复杂度已经大到和很多真实应用的复杂度相当，即使人去学这个游戏，也要花很长时间才能学会。以前用强化学习，只是先取其中一个小问题来解决。比如说我和对方各派三个兵，想办法看这六个兵怎么打。这是一个很局部的战役，但能学到这样的东西也已经比较不错了。如果要学到整盘的打法，它里面涉及到很多问题，第一，它的规模远大于围棋的规模；第二，有很多对手的信息是观测不到的，比如敌方的行动。虽然在今年年初，德州扑克游戏上机器已经打赢了人类玩家，但德州扑克其实是一类很简单的牌类游戏，想让强化学习在大规模游戏任务中，在无法观测到对手信息的情况下，指挥200多个单位做连续的运动，还要持续半个多小时走几十万步，目前还做不好。

七、强化学习总结

之前介绍的只是强化学习的其中一小部分，强化学习还包括很多内容：

比如在MDP中如果出现了不可观测的情况，它就不属于Markov了，有一个专门的方向如POMDP来解决这个问题。

还有Learning from Demonstrations，意为人先做出示范，然后从示范数据中教智能体。例如AlphaGo，一开始训练的时候并不是直接上强化学习，而是首先搜集了很多人类对打的数据。

而怎么去设计奖赏函数也会有很多不同的方法。

下面总结一下两个大家比较关心的问题。

• 第一个问题：强化学习是否已经发展成熟？如何选择强化学习问题中的算法？

如果碰到比较简单的强化学习问题，可以用基于值函数的方法，比如DQN，更复杂的问题可以用Policy Gradient的方法做策略梯度。

但是从目前的发展现状两看，强化学习的成熟度远远不够，也就是说在强化学习领域，还有很大的提升的空间，有可能能做出一个性能更好的全新的算法。但大规模的问题现在还是很难解决。这个大规模指是它的状态空间大，并且步数特别多。

• 第二个问题：在实际领域应用强化学习，会遇到什么瓶颈？

1、 强化学习需要探索，在很多场景带来风险。

以推荐股票为例。我本来已经有一个还可以的推荐策略，每天能给我带来100万的收入。但是现在为了训练强化学习，要做探索，尝试一些随机的股票。假如告诉你这个探索会导致今天一下子要损失好几百万，而一个月以后可以赚回1个亿，那你就要衡量一下这里看面的风险有多高，敢不敢用了。

2、 为什么强化学习在很多游戏上面用的比较多？

游戏在计算机中运行，速度高、代价低。如果放到现实世界中来运行，比如放在推荐系统线上运行，那它就必须和真实的环境打交道。它的学习过程需要不断探索，而部署在真实环境里可能会遇到很多麻烦，如果能有一个比较好的模拟器，就可以减少这些麻烦；另外，如果有比较好的监督学习数据的话，也可以做一个初始的策略，不过这个策略可能一开始起点要稍微高一点。做机器人一般也有一个机器人模拟器，所以一般先在模拟器里面做，做好策略再放到机器人身上来学。但是其他现实世界问题，在模拟器里可能就没有那么好做了。

八、强化学习资源推荐书籍

强化学习的书不多，最经典的书是Richard S. Sutton的教科书；Masashi Sugiyama的书属于专著；Reinforcement Learning: State-of-the-Art属于文集，覆盖面比较广，但需要读者有一定基础；还有一些讲述MDP的书；另外，在机器学习的书里面也会提到强化学习。

线上资源

OpenAI Gym：一个基础的强化学习平台，里面很多环境，研究人员可以在上面做实验，它对这个领域有很大的促进。还有AlphaGo技术负责人David Silver的线上教学视频，讲的非常好。

论文发表地

强化学习论文主要发表在AI期刊和会议上，期刊有Artificial Intelligence, JAIR, JMLR, Machine Learning, JAAMAS等，会议有IJCAI, AAAI, NIPS, ICML, ICLR, AAMAS, IROS等等。

以上就是俞扬博士的演讲，更多内容请继续关注雷锋网。

雷锋网原创文章，未经授权禁止转载。详情见转载须知。