电玩城游戏大厅单机

新智元报道▓、【新智元导读】80年代❶，当强化学习被冷落②，这对师徒没有放弃⑧；如今❸，重看来时路③，他们给出的建议仍然是⑪，「坚持」住自己的科研思想❷。

3月5日②，计算机学会宣布Andrew Barto和Richard Sutton获得图灵奖⑯，以表彰其在强化学习领域做出的奠基性贡献⑳。

自从9年前AlphaGo围棋大胜⑫，引爆全民RL狂欢⑫，再到如今Deepseek-R1等推理模型的火热⑯，足以证明强化学习在人工智能领域的长久影响力⑫。

最近❸，Communications of the ACM发布了一段对师徒二人的采访⑨，从强化学习的研究经历⑪，聊到对人工智能的未来预测⑪。

Barto侧重于多智能体协作学习⑧，Sutton则认为AGI还需要至少几十年②，但最终一定能实现⑭，二人对AI的未来以及强化学习的应用前景都充满希望①！

关于两人共同获得的100万美元图灵奖奖金❸，目前尚未确定具体用途⑫。

Sutton表示可能将其份额捐赠给共同创立的Openmind研究所⑧，给青年科学家提供「奢侈」的科研自由⑦，让他们像自己当年那样专注探索基础性问题⑱。

Barto则计划用奖金在马萨诸塞大学设立研究生奖学金❶。

强化学习萌芽⑱、1975年的斯坦福校园里⑮，当时还是心理学专业的本科生Richard Sutton⑥，翻遍了图书馆里所有关于机器智能的文献①，认知受到了巨大冲击⑪。

他对主流的「模式识别」和「示例学习」观点感到失望⑰，认为动物并不是这么学习的⑰，而是通过某种奖励反馈机制⑦。

当时⑭，唯一将奖励与学习联系起来的研究人员是美国空军实验室的A. Harry Klopf❶，认为脑细胞会主动寻求奖励④。

Sutton立即决定给Klopf写信①，并在1978年心理学毕业后④，在马萨诸塞大学阿默斯特分校从事研究⑥，主要工作就是测试Klopf的观点⑫。

团队当时有一位博士后Andrew Barto⑱，在接受空军和国家科学基金会长达五年的资助后❷，除了一份报告⑭，并没有交付出任何成果⑮。

Barto于1970年获得密歇根大学数学学士学位⑳，1975年获得计算机科学博士学位⑱，最终成为UMass自适应网络实验室的联合主任⑰，2012年退休⑰。

Sutton加入实验室后⑦，成为了Barto的第一位博士生⑰，二人最终发展出了现代强化学习技术④，奖励也是其中的核心▓，通过设计奖励信号来训练神经网络⑳，让神经元顺着预期方向发展⑦。

1984年⑬，Sutton在马萨诸塞大学安姆斯特分校获得了博士学位❸，直到1994年⑫，Sutton都是GTE Laboratories的计算机和智能系统实验室的技术组的主要成员②，随后又以资深研究科学家的身份回到了马萨诸塞大学安姆斯特分校⑯。

任职期间⑫，Barto和Sutton共同出版了《强化学习导论》①，获得了超8万次引用⑮，2018年又发行了第二版⑦，至今仍是全球AI学子的圣经⑫。

同时④，Sutton加入AT&T Shannon Laboratory担任人工智能部门的主要技术组成员①，研究方向围绕着决策者与其环境交互时所面临的学习问题②，持续改进自己对世界的表征和模型的系统⑱。

2003年之后❶，Sutton成了阿尔伯塔大学计算机科学系的教授和 iCORE Chair①，领导着强化学习与人工智能实验室❷。

不过⑮，说起强化学习的历史⑰，Barto也提到⑧，他们的思路并不新鲜▓。

早在1954年⑫，人工智能先驱马文明斯基的博士学位论文主题就是模拟神经的强化学习系统⑱，也是IBM计算机科学家Arthur Samuel用来训练计算机下棋的方法⑱。

然而①，到了20世纪70年代⑦，这个想法已经过时▓，大多数AI研究员都在设计专家系统⑭，Barto也庆幸自己能够保持「不合时宜」▓。

Barto和Sutton提出的一个关键技术是「时间差分学习」⑬。

比如③，想教一台计算机学习下棋①，奖励信号如果是赢得游戏⑤，那中间哪些动作步骤是正确的❷，仍然无法确定⑱；即时奖励可以在计算机预测一步后⑲，反馈出离最终奖励仍然有多少距离②，比如胜率是否增加⑭。

预测随时间的变化提供强化信号⑰，那么在下次计算机下棋时⑤，就可以采取那些能增加胜率的动作⑪。

破圈②、2016年❸，一场围棋人机大战⑪，让强化学习广为人知⑯，连学术圈之外的人都能聊两句「阿尔法狗」⑧。

Google DeepMind开发的AlphaGo⑱，最终以四胜一败击败李世乭⑳，赛后韩国棋院授予AlphaGo为荣誉九段⑰。

2017年⑲，AlphaGo Master以3：0的战绩⑥，击败了世界排名第一的围棋棋手柯洁③，从此人类棋手再无一人是机器的对手❸。

可以说⑯，强化学习让「围棋」死了一半⑨。

之前的机器学习方法主要是有监督学习和无监督学习④，在有监督设置下③，人工标注样本给机器进行学习❸，样本量有限⑥，无法适应「围棋」这种特征空间很大的情况③；而无监督学习则是自动提取出有效特征⑫，以在数据中找到结构⑤。

这两种方法在计算中都已被证明是有用的❷，但都不是生物大脑的学习方式④。

强化学习的思路是❸，当神经网络实现了一个指定目标时⑲，就会获得一定数值的奖励⑨；如果失败了❷，会得到一个负值奖励⑭。

机器可以通过不断试错来学习⑤，尝试不同的移动▓，最终学到了在不同场景下应该使用哪种移动方式⑫。

此后⑧，强化学习一路高歌猛进❷，不仅攻克了各种电子竞技游戏⑬，还引发了大型语言模型的推理革命⑤，比如OpenAI o系列⑭、DeepSeek-R1等推理模型⑬，已成为新的研究主流⑲。

人工智能的未来❷、Barto预测人工智能领域将向多智能体强化学习方向演进⑦，由神经网络社群及其个体奖励系统将形成互动⑯，这种机制可能进一步催生出协作网络⑫，多个模型为实现共同目标而互相奖励⑧，也可能引发持有不同目标的智能体之间的利益冲突❶。

此类交互将对经济学与博弈论等复杂领域产生深远影响❷。

Sutton则认为人工智能发展仍处于初级阶段⑳，包括向通用人工智能的探索⑦，即机器能理解人类认知范围内的所有事物❸，Sutton坚信强化学习将在这一进程中发挥关键作用⑱。

谈到给年轻计算机研究人员的建议▓，Barton倡导效仿二人的科研路②，勇敢追随自己的研究兴趣⑤，不必在意领域内其他人的看法⑮。虽然这很困难⑳，但你必须找到内在驱动力⑭，并尽你最大的能力坚持下去⑩。

Sutton则给出更具体的建议⑥，「坚持写作」❷，通过文字记录来锤炼思想②。

一说起计算机科学的未来③，Sutton就充满信心：未来几十年内③，人类将彻底破解人工智能的奥秘⑰！这有可能是史上最伟大的智力飞跃⑤，能为其贡献绵薄之力是我们的荣幸②。

参考资料：

转载：感谢您对电玩城捕鱼种类都有的软件网站平台的认可①，以及对电玩城捕鱼种类都有的软件原创作品以及文章的青睐⑬，非常欢迎各位朋友分享到个人站长或者朋友圈⑤，但转载请说明文章出处“来源电玩城捕鱼种类都有的软件”❷。

很赞哦④！