奔驰宝马游戏电玩城免费版

新智元报道⑦、【新智元导读】80年代⑧，当强化学习被冷落⑭，这对师徒没有放弃⑱；如今❸，重看来时路⑨，他们给出的建议仍然是⑫，「坚持」住自己的科研思想⑬。

3月5日④，计算机学会宣布Andrew Barto和Richard Sutton获得图灵奖⑨，以表彰其在强化学习领域做出的奠基性贡献⑦。

自从9年前AlphaGo围棋大胜⑮，引爆全民RL狂欢❷，再到如今Deepseek-R1等推理模型的火热②，足以证明强化学习在人工智能领域的长久影响力⑳。

最近①，Communications of the ACM发布了一段对师徒二人的采访⑱，从强化学习的研究经历⑥，聊到对人工智能的未来预测❶。

Barto侧重于多智能体协作学习⑦，Sutton则认为AGI还需要至少几十年③，但最终一定能实现⑰，二人对AI的未来以及强化学习的应用前景都充满希望⑲！

关于两人共同获得的100万美元图灵奖奖金⑤，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▓，给青年科学家提供「奢侈」的科研自由⑬，让他们像自己当年那样专注探索基础性问题⑨。

Barto则计划用奖金在马萨诸塞大学设立研究生奖学金⑨。

强化学习萌芽⑮、1975年的斯坦福校园里②，当时还是心理学专业的本科生Richard Sutton❸，翻遍了图书馆里所有关于机器智能的文献⑥，认知受到了巨大冲击⑦。

他对主流的「模式识别」和「示例学习」观点感到失望④，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❸。

当时⑮，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②。

Sutton立即决定给Klopf写信⑧，并在1978年心理学毕业后⑯，在马萨诸塞大学阿默斯特分校从事研究⑩，主要工作就是测试Klopf的观点⑯。

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⑬，除了一份报告❸，并没有交付出任何成果⑥。

Barto于1970年获得密歇根大学数学学士学位▓，1975年获得计算机科学博士学位②，最终成为UMass自适应网络实验室的联合主任⑤，2012年退休⑮。

Sutton加入实验室后⑮，成为了Barto的第一位博士生⑮，二人最终发展出了现代强化学习技术⑰，奖励也是其中的核心⑭，通过设计奖励信号来训练神经网络①，让神经元顺着预期方向发展④。

1984年⑯，Sutton在马萨诸塞大学安姆斯特分校获得了博士学位❶，直到1994年⑱，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⑮。

任职期间▓，Barto和Sutton共同出版了《强化学习导论》⑯，获得了超8万次引用①，2018年又发行了第二版❷，至今仍是全球AI学子的圣经⑰。

同时⑩，Sutton加入AT&T Shannon Laboratory担任人工智能部门的主要技术组成员⑰，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⑮，持续改进自己对世界的表征和模型的系统⑰。

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 Chair⑭，领导着强化学习与人工智能实验室⑱。

不过②，说起强化学习的历史❷，Barto也提到③，他们的思路并不新鲜⑬。

早在1954年❷，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⑧，也是IBM计算机科学家Arthur Samuel用来训练计算机下棋的方法⑳。

然而⑫，到了20世纪70年代⑫，这个想法已经过时⑨，大多数AI研究员都在设计专家系统⑲，Barto也庆幸自己能够保持「不合时宜」⑥。

Barto和Sutton提出的一个关键技术是「时间差分学习」❷。

比如⑥，想教一台计算机学习下棋④，奖励信号如果是赢得游戏①，那中间哪些动作步骤是正确的⑲，仍然无法确定③；即时奖励可以在计算机预测一步后⑥，反馈出离最终奖励仍然有多少距离⑬，比如胜率是否增加⑱。

预测随时间的变化提供强化信号⑦，那么在下次计算机下棋时④，就可以采取那些能增加胜率的动作⑳。

破圈⑩、2016年⑥，一场围棋人机大战⑦，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」③。

Google DeepMind开发的AlphaGo⑩，最终以四胜一败击败李世乭①，赛后韩国棋院授予AlphaGo为荣誉九段⑱。

2017年③，AlphaGo Master以3：0的战绩⑨，击败了世界排名第一的围棋棋手柯洁⑩，从此人类棋手再无一人是机器的对手⑪。

可以说⑱，强化学习让「围棋」死了一半①。

之前的机器学习方法主要是有监督学习和无监督学习❷，在有监督设置下⑩，人工标注样本给机器进行学习⑤，样本量有限⑯，无法适应「围棋」这种特征空间很大的情况⑤；而无监督学习则是自动提取出有效特征①，以在数据中找到结构❶。

这两种方法在计算中都已被证明是有用的④，但都不是生物大脑的学习方式⑧。

强化学习的思路是⑯，当神经网络实现了一个指定目标时❷，就会获得一定数值的奖励⑮；如果失败了④，会得到一个负值奖励⑫。

机器可以通过不断试错来学习▓，尝试不同的移动❸，最终学到了在不同场景下应该使用哪种移动方式①。

此后⑥，强化学习一路高歌猛进⑧，不仅攻克了各种电子竞技游戏⑭，还引发了大型语言模型的推理革命⑰，比如OpenAI o系列⑱、DeepSeek-R1等推理模型❶，已成为新的研究主流⑳。

人工智能的未来▓、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⑱，这种机制可能进一步催生出协作网络⑳，多个模型为实现共同目标而互相奖励⑥，也可能引发持有不同目标的智能体之间的利益冲突⑭。

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⑤，包括向通用人工智能的探索❶，即机器能理解人类认知范围内的所有事物⑪，Sutton坚信强化学习将在这一进程中发挥关键作用④。

谈到给年轻计算机研究人员的建议③，Barton倡导效仿二人的科研路⑬，勇敢追随自己的研究兴趣⑳，不必在意领域内其他人的看法⑤。虽然这很困难⑯，但你必须找到内在驱动力⑮，并尽你最大的能力坚持下去❷。

Sutton则给出更具体的建议⑫，「坚持写作」⑪，通过文字记录来锤炼思想⑬。

一说起计算机科学的未来▓，Sutton就充满信心：未来几十年内⑩，人类将彻底破解人工智能的奥秘❸！这有可能是史上最伟大的智力飞跃⑯，能为其贡献绵薄之力是我们的荣幸⑦。

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⑬，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⑨，非常欢迎各位朋友分享到个人站长或者朋友圈❷，但转载请说明文章出处“来源电玩城捕鱼种类都有的软件”⑫。

很赞哦⑰！