?談到強化學(xué)習(xí)，很多研究人員的腎上腺素便不受控制地飆升！它在游戲AI系統(tǒng)、現(xiàn)代機器人、芯片設(shè)計系統(tǒng)和其他應(yīng)用中發(fā)揮著十分重要的作用。 

強化學(xué)習(xí)算法有很多不同的類型，但主要分為兩類：「基于模型的」和「無模型的」。 

在與TechTalks的對話中，神經(jīng)科學(xué)家、 「智能的誕生」一書的作者Daeyeol Lee分別討論了人類和動物強化學(xué)習(xí)的不同模式、人工智能和自然智能，以及未來的研究方向。? 

無模型的強化學(xué)習(xí)

19世紀(jì)后期，心理學(xué)家Edward Thorndike提出的「效應(yīng)定律」成為了無模型強化學(xué)習(xí)的基礎(chǔ)。 Thorndike提出，在特定情境中具有積極影響的行為，在該情境中更有可能再次發(fā)生，而產(chǎn)生負(fù)面影響的行為則不太可能再發(fā)生。

Thorndike在一個實驗中探索了這一「效應(yīng)定律」。 他把一只貓放在一個迷宮盒子中，并測量貓從盒中逃脫所需的時間。為了逃脫，貓必須操作一系列小工具，如繩子和杠桿。Thorndike觀察到，當(dāng)貓與謎盒互動時，它學(xué)會了有助于逃跑的行為。隨著時間的推移，貓?zhí)与x盒子的速度越來越快。 Thorndike的結(jié)論是，貓可以從其行為提供的獎勵和懲罰中進(jìn)行學(xué)習(xí)。 「效應(yīng)定律」后來為行為主義鋪平了道路。行為主義是心理學(xué)的一個分支，試圖從刺激和反應(yīng)的角度來解釋人類和動物的行為。 「效應(yīng)定律」也是無模型強化學(xué)習(xí)的基礎(chǔ)。在無模型強化學(xué)習(xí)中，通過主體感知世界，然后采取行動，同時衡量獎勵。 

在無模型強化學(xué)習(xí)中，并不存在直接的知識或世界模型。RL代理必須通過反復(fù)試驗，直接去體驗每個動作的結(jié)果。 

基于模型的強化學(xué)習(xí)

Thorndike的「效應(yīng)定律」一直流行到20世紀(jì)30年代。當(dāng)時另一位心理學(xué)家Edward Tolman在探索老鼠如何快速學(xué)會走迷宮時發(fā)現(xiàn)了一個重要的見解。在他的實驗中，Tolman意識到動物可以在沒有強化的情況下了解他們的環(huán)境。 

例如，當(dāng)一只老鼠在迷宮中被放出來時，它會自由地探索隧道，并逐漸了解環(huán)境的結(jié)構(gòu)。如果隨后將這只老鼠重新放進(jìn)相同的環(huán)境，并提供強化信號，如尋找食物或?qū)ふ页隹冢敲此梢员葲]有探索過迷宮的動物更快地到達(dá)目標(biāo)。 Tolman稱之為「潛在學(xué)習(xí)」，這成為基于模型的強化學(xué)習(xí)的基礎(chǔ)。 「潛在學(xué)習(xí)」使動物和人類對他們的世界形成一種心理表征，在他們的頭腦中模擬假設(shè)的場景，并預(yù)測結(jié)果。

 基于模型的強化學(xué)習(xí)的優(yōu)點是它消除了agent在環(huán)境中進(jìn)行試錯的需要。 值得強調(diào)的一點是：基于模型的強化學(xué)習(xí)在開發(fā)能夠掌握國際象棋和圍棋等棋盤游戲的人工智能系統(tǒng)方面尤其成功，可能的原因是這些游戲的環(huán)境是確定的。 

基于模型 VS 無模型

 通常來說，基于模型的強化學(xué)習(xí)會非常耗時，在對時間極度敏感的時候，可能會發(fā)生致命的危險。 Lee說：「在計算上，基于模型的強化學(xué)習(xí)要復(fù)雜得多。首先你必須獲得模型，進(jìn)行心理模擬，然后你必須找到神經(jīng)過程的軌跡，再采取行動。不過，基于模型的強化學(xué)習(xí)不一定就比無模型的RL復(fù)雜。」 當(dāng)環(huán)境十分復(fù)雜時，倘若可以用一個相對簡單的模型（該模型可以快速獲得）進(jìn)行建模，那么模擬就會簡單得多，而且具有成本效益。? 

多種學(xué)習(xí)模式

其實，無論是基于模型的強化學(xué)習(xí)還是無模型的強化學(xué)習(xí)都不是一個完美的解決方案。無論你在哪里看到一個強化學(xué)習(xí)系統(tǒng)解決一個復(fù)雜的問題，它都有可能是同時使用基于模型和無模型的強化學(xué)習(xí)，甚至可能更多形式的學(xué)習(xí)。 神經(jīng)科學(xué)的研究表明，人類和動物都有多種學(xué)習(xí)方式，而大腦在任何特定時刻都在這些模式之間不斷切換。 ?最近幾年，人們對創(chuàng)造結(jié)合多種強化學(xué)習(xí)模式的人工智能系統(tǒng)越來越感興趣。 加州大學(xué)圣地亞哥分校的科學(xué)家最近的研究表明，將無模型強化學(xué)習(xí)和基于模型的強化學(xué)習(xí)結(jié)合起來，可以在控制任務(wù)中取得卓越的表現(xiàn)。 Lee表示：「如果你看看像AlphaGo這樣復(fù)雜的算法，它既有無模型的RL元素，也有基于模型的RL元素，它根據(jù)棋盤配置學(xué)習(xí)狀態(tài)值，這基本上是無模型的 RL，但它同時也進(jìn)行基于模型的前向搜索。」 

盡管取得了顯著的成就，強化學(xué)習(xí)的進(jìn)展仍然緩慢。一旦RL模型面臨復(fù)雜且不可預(yù)測的環(huán)境，其性能就會開始下降。?

Lee說：「我認(rèn)為我們的大腦是一個學(xué)習(xí)算法的復(fù)雜世界，它們已經(jīng)進(jìn)化到可以處理許多不同的情況。」 

除了在這些學(xué)習(xí)模式之間不斷切換之外，大腦還設(shè)法一直保持和更新它們，即使是在它們沒有積極參與決策的情況下。 

心理學(xué)家Daniel Kahneman表示：「維護(hù)不同的學(xué)習(xí)模塊并同時更新它們是有助于提高人工智能系統(tǒng)的效率和準(zhǔn)確性?！?nbsp;

我們還需要清楚另一件事——如何在AI系統(tǒng)中應(yīng)用正確的歸納偏置，以確保它們以具有成本效益的方式學(xué)習(xí)正確的東西。 數(shù)十億年的進(jìn)化為人類和動物提供了有效學(xué)習(xí)所需的歸納偏置，同時使用盡可能少的數(shù)據(jù)。 歸納偏置可以理解為，從現(xiàn)實生活觀察到的現(xiàn)象中，總結(jié)出規(guī)則，然后對模型做一定的約束，從而可以起到模型選擇的作用，即從假設(shè)空間中選擇出更符合現(xiàn)實規(guī)則的模型。 Lee說：「我們從環(huán)境中獲得的信息非常少。使用這些信息，我們必須進(jìn)行概括。原因是大腦存在歸納偏置，并且存在可以從一小組示例中概括出來的偏置。這是進(jìn)化的產(chǎn)物，越來越多的神經(jīng)科學(xué)家對此感興趣?！?nbsp;然而，雖然歸納偏置在物體識別任務(wù)中很容易理解，但在構(gòu)建社會關(guān)系等抽象問題中就變得晦澀難懂。 未來，需要我們了解的還有很多~~~?

參考資料：

https://thenextweb.com/news/everything-you-need-to-know-about-model-free-and-model-based-reinforcement-learning?