強化學習是否言過其實?

譯者 | 李睿

審校 | 孫淑娟

可以想像一下，你正準備和朋友一起下西洋棋，但他不是人類，而是一個不了解##遊戲規則的電腦程式。 但這個應用程式卻明白自己致力實現一個目標，就是在遊戲中獲 勝。

因為電腦程式不知道規則，所以開始下棋的招數是隨機的。其中有些招數完全沒有意義，而對你來說獲勝很容易。 在這裡假設你非常喜歡和這個朋友下西洋棋，以至於沉迷於這個遊戲。

但電腦程式最終會贏，因為它會逐漸學會擊敗你的方法和招數字。 雖然假設的這個場景看起來有些牽強，但它應該能讓你對強化學習(機器學習的一個領域)的大致工作原理有一個基本的了解。

人類智力包含許多特徵，包括獲得知識、擴展智力能力的願望和直覺思考。當西洋棋冠軍加里·卡斯帕羅夫在輸給IBM公司的一台名為「深藍」（Deep Blue）的電腦時，人類的智慧受到了極大的質疑。除了吸引大眾的注意力之外，描繪機器人在未來統治人類的世界末日場景也佔據了主流意識。

然而，「深藍」並不是一個普通的對手。與這個計算程式下棋就像是與一個千歲的老#人進行比賽，而他一生一直在#不停地下西洋棋。但「深藍」擅長玩一種特定的遊戲，而不是其他智性活動，如演奏樂器、撰寫著作、進行科學實驗、養育子女或修理汽車。

這絕不是想貶#低「深藍色」 取得的成就。 與其相反，電腦在智力能力上超越人類的想法需要仔細的檢驗，首先要分析強化學習的工作機制。

#如##上所述，強化學習是機器學習的子集，它涉及智慧代理在環境中如何行動以最大化累積獎勵的概念。

簡單地說，強化學習機器人接受獎懲機制的訓練，它們做出正確的動作會得到獎勵，做出錯誤的動作會受到懲罰。 強化學習機器不會「思考」如何採取更的行動，

強化學習的缺點

強化學習的主要缺點是它需要大量的資源來實現它的目標。強化學習在圍棋遊戲中的成功就說明了這一點。這是一款受歡迎的雙人遊戲，目標是使用棋子在棋盤上佔據最大區域，同時避免丟子。

AlphaGo Master是一款在圍棋比賽中擊敗人類棋手的電腦程序，它耗費大量的資金和人力，其中包括許多工程師，非常豐富的遊戲經驗以及256個GPU和128000個CPU。

在學習如何在比賽獲勝的過程中，需要投入大量的資源和精力。這就引出了一個問題：設計不能憑直覺思考的人工智慧是否合理?人工智慧研究不是應該嘗試模仿人類智慧嗎?

量子強化學習

強化學習是一個新興的領域，據說可以解決上述的一些問題。量子強化學習(QRL)是一種加速運算的方法。

首先，量子強化學習(QRL)應該透過最佳化探索(發現策略)和開發(選擇最佳策略)階段來加速學習。目前的一些應用和提出的量子計算改進了數據庫搜索，將大數分解為質數，等等。

強化學習的商業案例

• 優化半導體和晶片設計，優化製造工藝，提高半導體產業的產量。
• 提高工廠產量，優化物流以減少浪費和成本，提高農業利潤。
• 縮短航空航太和國防工業新系統的上市時間。
• 優化設計流程，提高汽車產業的生產效率。
• 透過即時交易和定價策略增加收入，改善客戶體驗，並在金融服務中為客戶提供先進的個人化服務。
• 優化礦山設計，管理發電，應用整體物流調度，最佳化作業，降低成本，提高產量。
• 透過即時監控和精確鑽井提高產量，優化油輪行進路線，實現預測性維護，防止油氣產業的設備故障。
• 促進藥物發現，優化研究流程，自動化生產和優化製藥業的生物方法。
• 優化供應鏈，實施先進的庫存建模，為零售部門的客戶提供先進的個人化服務。
• 優化和管理網絡，在電信業應用客戶個人化。
• 優化運輸物流的路線、網路規劃、倉庫作業。
• 使用下一代代理程式從網站提取資料。

強化學習的反思

#強化學習的能力可能是有限的，但它不會被高估。此外，隨著強化學習研究和開發專案的增加，幾乎每個經濟部門的潛在用例也在增加。

大規模採用強化學習依賴幾個因素，其中包括最佳化演算法設計、配置學習環境和運算能力的可用性。

原文標題：#Is reinforcement learning overhyped? ，作者：Aleksandras Šulženko

以上是強化學習是否言過其實?的詳細內容。更多資訊請關注PHP中文網其他相關文章！