线上电玩城app下载送币

新智元报道❶、【新智元导读】80年代③，当强化学习被冷落⑨，这对师徒没有放弃❶；如今⑫，重看来时路③，他们给出的建议仍然是⑳，「坚持」住自己的科研思想⑳。

3月5日❶，计算机学会宣布Andrew Barto和Richard Sutton获得图灵奖⑬，以表彰其在强化学习领域做出的奠基性贡献⑨。

自从9年前AlphaGo围棋大胜⑦，引爆全民RL狂欢⑥，再到如今Deepseek-R1等推理模型的火热①，足以证明强化学习在人工智能领域的长久影响力⑭。

最近❶，Communications of the ACM发布了一段对师徒二人的采访⑲，从强化学习的研究经历⑪，聊到对人工智能的未来预测⑱。

Barto侧重于多智能体协作学习⑫，Sutton则认为AGI还需要至少几十年⑫，但最终一定能实现❷，二人对AI的未来以及强化学习的应用前景都充满希望⑧！

关于两人共同获得的100万美元图灵奖奖金③，目前尚未确定具体用途⑮。

Sutton表示可能将其份额捐赠给共同创立的Openmind研究所⑯，给青年科学家提供「奢侈」的科研自由⑪，让他们像自己当年那样专注探索基础性问题④。

Barto则计划用奖金在马萨诸塞大学设立研究生奖学金③。

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 Sutton⑳，翻遍了图书馆里所有关于机器智能的文献▓，认知受到了巨大冲击⑰。

他对主流的「模式识别」和「示例学习」观点感到失望⑮，认为动物并不是这么学习的⑥，而是通过某种奖励反馈机制④。

当时⑥，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 Klopf⑭，认为脑细胞会主动寻求奖励③。

Sutton立即决定给Klopf写信④，并在1978年心理学毕业后⑬，在马萨诸塞大学阿默斯特分校从事研究⑨，主要工作就是测试Klopf的观点⑳。

团队当时有一位博士后Andrew Barto❷，在接受空军和国家科学基金会长达五年的资助后⑰，除了一份报告⑲，并没有交付出任何成果⑱。

Barto于1970年获得密歇根大学数学学士学位⑫，1975年获得计算机科学博士学位⑤，最终成为UMass自适应网络实验室的联合主任❸，2012年退休⑫。

Sutton加入实验室后⑨，成为了Barto的第一位博士生⑬，二人最终发展出了现代强化学习技术⑤，奖励也是其中的核心⑥，通过设计奖励信号来训练神经网络⑦，让神经元顺着预期方向发展②。

1984年④，Sutton在马萨诸塞大学安姆斯特分校获得了博士学位⑧，直到1994年⑧，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⑧，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⑰。

任职期间▓，Barto和Sutton共同出版了《强化学习导论》⑧，获得了超8万次引用⑯，2018年又发行了第二版⑳，至今仍是全球AI学子的圣经⑨。

同时⑬，Sutton加入AT&T Shannon Laboratory担任人工智能部门的主要技术组成员❸，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⑨，持续改进自己对世界的表征和模型的系统⑪。

2003年之后⑥，Sutton成了阿尔伯塔大学计算机科学系的教授和 iCORE Chair⑫，领导着强化学习与人工智能实验室⑩。

不过④，说起强化学习的历史⑧，Barto也提到⑨，他们的思路并不新鲜⑪。

早在1954年⑦，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⑨，也是IBM计算机科学家Arthur Samuel用来训练计算机下棋的方法⑰。

然而⑦，到了20世纪70年代❸，这个想法已经过时⑧，大多数AI研究员都在设计专家系统③，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」②。

比如⑥，想教一台计算机学习下棋②，奖励信号如果是赢得游戏⑳，那中间哪些动作步骤是正确的⑳，仍然无法确定⑱；即时奖励可以在计算机预测一步后①，反馈出离最终奖励仍然有多少距离②，比如胜率是否增加⑫。

预测随时间的变化提供强化信号❸，那么在下次计算机下棋时❶，就可以采取那些能增加胜率的动作⑳。

破圈⑨、2016年❸，一场围棋人机大战❶，让强化学习广为人知①，连学术圈之外的人都能聊两句「阿尔法狗」⑰。

Google DeepMind开发的AlphaGo⑦，最终以四胜一败击败李世乭⑫，赛后韩国棋院授予AlphaGo为荣誉九段⑫。

2017年⑲，AlphaGo Master以3：0的战绩❸，击败了世界排名第一的围棋棋手柯洁⑦，从此人类棋手再无一人是机器的对手⑬。

可以说▓，强化学习让「围棋」死了一半⑤。

之前的机器学习方法主要是有监督学习和无监督学习⑦，在有监督设置下⑮，人工标注样本给机器进行学习⑬，样本量有限①，无法适应「围棋」这种特征空间很大的情况⑭；而无监督学习则是自动提取出有效特征❷，以在数据中找到结构⑭。

这两种方法在计算中都已被证明是有用的▓，但都不是生物大脑的学习方式⑰。

强化学习的思路是⑰，当神经网络实现了一个指定目标时⑮，就会获得一定数值的奖励⑧；如果失败了①，会得到一个负值奖励⑲。

机器可以通过不断试错来学习❸，尝试不同的移动⑦，最终学到了在不同场景下应该使用哪种移动方式⑧。

此后❷，强化学习一路高歌猛进⑪，不仅攻克了各种电子竞技游戏③，还引发了大型语言模型的推理革命❸，比如OpenAI o系列⑪、DeepSeek-R1等推理模型⑮，已成为新的研究主流④。

人工智能的未来⑧、Barto预测人工智能领域将向多智能体强化学习方向演进⑩，由神经网络社群及其个体奖励系统将形成互动②，这种机制可能进一步催生出协作网络⑮，多个模型为实现共同目标而互相奖励①，也可能引发持有不同目标的智能体之间的利益冲突③。

此类交互将对经济学与博弈论等复杂领域产生深远影响⑪。

Sutton则认为人工智能发展仍处于初级阶段⑱，包括向通用人工智能的探索❷，即机器能理解人类认知范围内的所有事物③，Sutton坚信强化学习将在这一进程中发挥关键作用❸。

谈到给年轻计算机研究人员的建议⑥，Barton倡导效仿二人的科研路⑫，勇敢追随自己的研究兴趣⑰，不必在意领域内其他人的看法⑪。虽然这很困难❷，但你必须找到内在驱动力②，并尽你最大的能力坚持下去❸。

Sutton则给出更具体的建议⑭，「坚持写作」⑮，通过文字记录来锤炼思想③。

一说起计算机科学的未来▓，Sutton就充满信心：未来几十年内⑨，人类将彻底破解人工智能的奥秘⑬！这有可能是史上最伟大的智力飞跃⑦，能为其贡献绵薄之力是我们的荣幸⑫。

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③，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⑲，非常欢迎各位朋友分享到个人站长或者朋友圈⑧，但转载请说明文章出处“来源电玩城捕鱼种类都有的软件”③。

很赞哦⑯！