目录
强化学习上一次为大众熟知，还是 2017 年围棋人工智能模型 AlphaGO 打败柯洁的时候。AlphaGo 是由 Google DeepMind 开发的人工智能程序，它使用了深度强化学习算法，能够通过自我学习和对弈经验不断提高自己的水平，它充分展现了强化学习的效果和能力。而 ChatGPT 则将强化学习引入了 NLP 领域，展现出类似人的智能效果。
本节主要简单介绍一下强化学习的基本概念，以及它在 NLP 中的建模情况，为学习 RLHF 方法做一个铺垫。
强化学习基本概念
强化学习是一种机器学习方法，旨在让智能体（Agent，即人工智能模型）通过与环境的交互来学习如何做出最优决策（Policy）。在强化学习中，智能体根据所处的环境（Environment）中的状态（State），通过执行动作（Action）来影响环境，并从环境中获得奖励（Reward）或惩罚。智能体的目标是通过学习最大化长期奖励来制定最佳策略。
强化学习非常像生物的进化，通过不断地突变基因，由环境来筛选，进而适应环境，生存下来。强化学习的应用非常广泛，主要有游戏、自然语言处理等领域。
它的基本建模图如下所示。在超级玛丽奥游戏中，马里奥主人公就是一个由人或模型操控的智能体，游戏的每一个关卡，就是强化学习中的环境。我们玩马里奥游戏的过程，实际上就是一个强化学习的最好例子
订阅专栏 解锁全文
2074
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
