本論文由倫敦大學學院、上海交通大學、布朗大學、布里斯托大學、新加坡國立大學以及薩里大學的研究者合作完成。

馮熙棟是論文第一作者，即將畢業(yè)于倫敦大學學院。目前是Google DeepMind的Research Scientist，主要研究方向包括強化學習與生成模型。劉博是本推文作者，新加坡國立大學二年級博士生，研究強化學習、推理及機器學習系統(tǒng)在復雜現(xiàn)實環(huán)境中的應用。

在人工智能發(fā)展史上，強化學習 (RL) 憑借其嚴謹?shù)臄?shù)學框架解決了眾多復雜的決策問題，從圍棋、國際象棋到機器人控制等領域都取得了突破性進展。

然而，隨著應用場景日益復雜，傳統(tǒng)強化學習過度依賴單一數(shù)值獎勵的局限性日益凸顯。在現(xiàn)實世界中，反饋信號往往是多維度、多模態(tài)的，例如教練的口頭指導、視覺示范，或是詳細的文字說明。

來自倫敦大學學院、上海交通大學、布朗大學、新加坡國立大學和布里斯托大學的聯(lián)合研究團隊提出了全新的自然語言強化學習（Natural Language Reinforcement Learning, NLRL）范式，成功將強化學習的核心概念類比為基于自然語言的形式，開辟了一條通向更智能、更自然的 AI 決策學習的新道路。

• 論文題目: Natural Language Reinforcement Learning 
• 論文鏈接: https://arxiv.org/abs/2411.14251 
• 代碼鏈接: https://github.com/waterhorse1/Natural-language-RL

從數(shù)值到語言：新范式的萌芽

隨著大語言模型（LLM）在理解和生成自然語言方面的飛速發(fā)展，研究者們開始探索如何讓 AI 系統(tǒng)像人類一樣通過語言來理解任務、制定策略并解釋決策過程。論文第一作者的早期工作 ChessGPT（https://arxiv.org/abs/2306.09200）嘗試通過收集對局評論來訓練語言模型并取得了一定成功。然而，這種基于人類數(shù)據的學習方式很快遇到了瓶頸：互聯(lián)網數(shù)據質量參差不齊，高質量專家標注成本高昂，而對于全新任務更是無從獲取相關經驗數(shù)據。

這種困境促使研究團隊開始探索一個更具突破性的方向：能否設計一個框架，讓 AI 系統(tǒng)完全通過與環(huán)境的交互來學習，而不依賴任何人類標注數(shù)據？傳統(tǒng)強化學習為這個問題提供了靈感，但其單一數(shù)值獎勵的機制難以滿足復雜場景的需求。團隊意識到需要一個新范式，既要繼承強化學習的數(shù)學嚴謹性，又要具備自然語言的表達豐富性。這個思路最終導向了 NLRL 的誕生。

自然語言強化學習

傳統(tǒng)強化學習雖然在數(shù)學上嚴謹優(yōu)雅，但其單一數(shù)值反饋機制與人類學習方式存在巨大差距。研究團隊從象棋教練指導學生的場景獲得啟發(fā)：教練不會簡單說 “這步棋的價值是 0.7”，而是會詳細解釋 “這個走法控制了中心，限制了對手的機動性，同時為王翼進攻創(chuàng)造了條件”。這種觀察促使團隊思考：能否將豐富的語言反饋信號整合進學習框架？

這個思路的關鍵突破來自對傳統(tǒng)強化學習本質的重新思考：既然傳統(tǒng) RL 可以通過蒙特卡洛和時序差分等方法進行學習，這些方法是否可以擴展到語言空間？基于這一洞察，團隊提出了 NLRL 框架，將傳統(tǒng) RL 中的數(shù)學概念類比為語言形式。以下是一個對應關系示意圖。

具體而言，NLRL 引入 “語言任務指令”（T_L）替代抽象的獎勵函數(shù)，并設計了度量函數(shù) F 來評估軌跡描述 D_L (τ_π) 與任務指令的完成度。

語言化的決策框架

在 NLRL 中，MDP 的每個組成部分都被重新定義為文本形式。狀態(tài)變?yōu)榘暾舷挛牡淖匀徽Z言描述，動作空間轉化為帶有推理過程的語言決策，而環(huán)境反饋則擴展為包含原因分析的詳細評估。例如，在迷宮環(huán)境中的狀態(tài)描述會包含位置、周圍環(huán)境、歷史探索等完整信息。

語言策略與推理

NLRL 中的策略 π_L 被創(chuàng)新性地分解為兩個部分：π_L (a,c|s) = π_L (c|s)π_L (a|c,s)，其中 c 代表思維過程。這種分解使得決策過程變得完全透明。以國際象棋為例，系統(tǒng)會先分析局勢（“白方控制中心點，黑方王翼薄弱”），提出計劃（“開展王翼進攻，同時固守中心”），最后給出具體建議（“Nf3-e5，威脅 f7 并加強中心控制”）。

語言價值評估

NLRL 將傳統(tǒng)的標量值函數(shù) V (s) 和 Q (s,a) 擴展為語言價值函數(shù) V^L_π 和 Q^L_π。這種擴展使得評估變得更加豐富和可解釋。評估結果不僅包含勝率，還涵蓋空間利用、子力配合等多個角度的分析，并提供具體的改進建議。

從理論到實踐

將強化學習的數(shù)學概念轉化為語言形式是一個優(yōu)雅的構想，但如何在實踐中實現(xiàn)這種轉化卻是一個巨大的挑戰(zhàn)。研究團隊意識到，近年來大語言模型在自然語言處理和推理能力方面的突破，為 NLRL 的實現(xiàn)提供了關鍵工具。通過深入研究大語言模型的能力邊界，團隊發(fā)現(xiàn) LLM 不僅能夠理解和生成自然語言，還具備 information synthesis（信息綜合）、reasoning（推理）和 correlation analysis（相關性分析）等能力，這些能力恰好對應了傳統(tǒng)強化學習中的期望計算、價值估計和策略改進等核心操作。

基于這一洞察，研究團隊提出了三個關鍵技術創(chuàng)新，構建了完整的 NLRL 實現(xiàn)框架：

語言蒙特卡洛估計

在傳統(tǒng)強化學習中，蒙特卡洛方法通過采樣多條軌跡并取平均值來估計狀態(tài)價值。但在語言空間中，我們無法直接對文本描述進行算術平均。研究團隊利用大語言模型作為信息聚合器 (aggregator)。

具體來說，當系統(tǒng)需要評估某個狀態(tài)時，它會：

1. 從該狀態(tài)開始采樣 K 條完整軌跡

2. 將每條軌跡轉化為詳細的文本描述

3. 使用專門設計的提示讓 LLM 扮演 “專家評估員” 的角色

4.LLM 分析所有軌跡描述，提取關鍵模式和見解

5. 生成一個綜合性的評估報告

例如，在國際象棋中，系統(tǒng)可能會分析說：“基于觀察到的 20 個可能發(fā)展，此位置對白方有利。在 80% 的變化中，白方能夠通過控制中心格和針對 f7 的戰(zhàn)術威脅獲得優(yōu)勢。但需要注意的是，如果黑方成功完成王翼城堡，局勢可能趨于平衡。”

語言時序差分學習

傳統(tǒng)的時序差分學習基于貝爾曼方程，將長期價值分解為即時獎勵和未來狀態(tài)的折扣價值。NLRL 創(chuàng)新性地提出了語言貝爾曼方程，將這種時序關系擴展到語言空間。

在 NLRL 中，語言時序差分學習包含三個關鍵組件：

1. 文本描述生成器 d：將狀態(tài)轉換 (s,a,r,s') 轉化為自然語言描述

2. 信息聚合函數(shù) G1：綜合多個時間步的信息

3. 語言組合函數(shù) G2：將即時反饋與未來評估結合

這三個組件協(xié)同工作的方式如下：

• 首先，d 將環(huán)境反饋轉化為詳細的文本描述，包括采取的動作、即時反饋和到達的新狀態(tài)
• G2（通常是一個經過特殊提示的 LLM）將即時描述與對未來狀態(tài)的語言評估結合，生成一個整體性的分析
• G1 聚合多個這樣的分析，得出最終的狀態(tài)評估

在實踐中，這種方法表現(xiàn)出了獨特的優(yōu)勢：

• 可以捕捉到難以量化的微妙因素
• 評估結果具有很強的可解釋性
• 能夠處理長期依賴關系

語言策略提升

在傳統(tǒng)強化學習中，策略提升通常通過梯度上升來最大化期望回報。但在語言空間中，我們需要一個全新的策略提升機制。研究團隊提出了基于語言相關性分析的策略提升方法。

這種提升機制的工作原理是：

1. 對當前狀態(tài)收集多個候選動作

2. 獲取每個動作的語言價值評估

3. 使用 LLM 分析這些評估與任務目標的相關性

4. 生成改進的決策鏈路，包括：  

• 詳細的推理過程
• 對不同選項的權衡分析
• 最終決策的依據

例如，在迷宮導航任務中，系統(tǒng)可能會這樣分析：“向右移動是最優(yōu)選擇，因為：1）根據之前的探索經驗，右側路徑更可能通向目標 2）即使這條路不是最短路徑，也為我們保留了回退的選項 3）相比向上移動可能遇到的死胡同，這個選擇風險更小?！?/span>

實驗驗證

研究團隊在三個具有代表性的環(huán)境中系統(tǒng)地驗證了 NLRL 的效果。這些實驗不僅展示了 NLRL 的性能優(yōu)勢，更重要的是證明了該框架在不同類型任務中的普適性和可擴展性。

迷宮導航 - 基于 prompt 的自然語言策略迭代

在復雜的迷宮導航任務中，研究團隊測試了純基于 prompt 的自然語言策略迭代算法。研究團隊選擇了兩種具有挑戰(zhàn)性的迷宮環(huán)境進行測試：雙 T 型迷宮和中等復雜度迷宮。在這些環(huán)境中，智能體需要從隨機初始位置導航到目標位置，同時避免撞墻。通過語言 TD 估計，在雙 T 型迷宮中實現(xiàn)了 - 11.19±2.86 的平均獎勵，遠優(yōu)于基線方法的 - 27.29±4.43。但 NLRL 真正的優(yōu)勢不僅僅體現(xiàn)在數(shù)字上。系統(tǒng)能夠清晰地解釋每個決策的原因，例如：“選擇向南移動，因為：1）北邊是死胡同，我們之前已經探索過 2）南向路徑似乎更接近目標位置 3）即使這條路不是最優(yōu)解，我們仍保留了向東撤退的選項?！?實驗還發(fā)現(xiàn)，增加變化數(shù)量和前瞻步數(shù)能進一步提升性能。

突破棋 (Breakthrough)- 自然語言價值函數(shù)

在 5x5 突破棋（狀態(tài)空間達 10^8）這個幾乎沒有人類數(shù)據的任務中，NLRL 純依靠環(huán)境反饋訓練出了高質量的語言評估器。通過混合不同水平的 MCTS 策略數(shù)據構建訓練集，評估器達到了 0.85 的準確率，顯著超越 LLAMA-3.1-70b 的 0.61 以及 GPT-4o 的 0.58。更重要的是，這個評估器能提供專業(yè)級別的局勢分析。例如：“黑方略占優(yōu)勢，原因有三：1）在 d4 和 e4 形成了穩(wěn)固的雙兵鏈 2）白方右翼的兵形成了薄弱點 3）黑方的推進速度比白方快半步。建議白方通過 c3-c4 來爭奪中心控制權。”

井字棋 - 自然語言 Actor-Critic

在井字棋環(huán)境中，團隊實現(xiàn)了完整的語言 Actor-Critic 系統(tǒng)。通過動作選擇掩碼防止幻覺、經驗緩沖區(qū)解決遺忘問題、持續(xù)的迭代優(yōu)化等創(chuàng)新，系統(tǒng)在隨機對手下實現(xiàn) 90% 以上勝率，面對確定性策略甚至能保持 100% 的勝率，同時保持決策過程的清晰可解釋性。