在剛剛落幕的 RL China 2025 開幕式上，倫敦大學(xué)學(xué)院（UCL）汪軍教授與圖靈獎(jiǎng)得主、“強(qiáng)化學(xué)習(xí)之父” Richard Sutton 展開了一場(chǎng)跨越地域的思想對(duì)話，從強(qiáng)化學(xué)習(xí)（RL）的學(xué)科根基出發(fā)，共探智能的本質(zhì)與未來方向。

汪軍教授深耕智能信息系統(tǒng)領(lǐng)域多年，現(xiàn)任 UCL 計(jì)算機(jī)系教授，Turing Fellow，是華人強(qiáng)化學(xué)習(xí)社區(qū) RL China 的聯(lián)合發(fā)起人。RL China 是由全球華人學(xué)者與強(qiáng)化學(xué)習(xí)相關(guān)從業(yè)者共同發(fā)起的非盈利性學(xué)術(shù)與技術(shù)交流平臺(tái)，致力于推動(dòng)強(qiáng)化學(xué)習(xí)及決策智能領(lǐng)域的研究、應(yīng)用與教育。

Richard Sutton 是強(qiáng)化學(xué)習(xí)領(lǐng)域的奠基者，這位美國(guó)計(jì)算機(jī)科學(xué)家現(xiàn)任阿爾伯塔大學(xué)計(jì)算機(jī)學(xué)教授，因提出時(shí)序差分學(xué)習(xí)、策略梯度方法等核心理論，被公認(rèn)為 “現(xiàn)代強(qiáng)化學(xué)習(xí)之父”。2024 年，他斬獲計(jì)算機(jī)領(lǐng)域最高榮譽(yù)——圖靈獎(jiǎng)，這一獎(jiǎng)項(xiàng)不僅是對(duì)其在算法創(chuàng)新與基礎(chǔ)研究中突出貢獻(xiàn)的認(rèn)可，更標(biāo)志著強(qiáng)化學(xué)習(xí)作為 AI 核心分支的價(jià)值與影響力，以及整個(gè) RL 研究社區(qū)為人工智能發(fā)展奠定的基礎(chǔ)。

Richard 在對(duì)話中坦言：當(dāng)前人工智能行業(yè)的快速擴(kuò)張雖改變了人們從事的工作與生活感知，卻也在一定程度上分散了對(duì)基礎(chǔ)科學(xué)的關(guān)注，這對(duì)科學(xué)發(fā)展來說并非真正有益。我們必須對(duì)此進(jìn)行反擊，努力將目光投向理解思維如何運(yùn)作、智能如何運(yùn)作這一重大目標(biāo)。

在他看來，大模型并非真正理解智能的途徑。LLM 確實(shí)很有用，但它們?cè)谶\(yùn)行過程中是沒有學(xué)習(xí)能力的，一旦模型被訓(xùn)練完成，它們就不再學(xué)習(xí)了。事實(shí)上，它們也無法學(xué)習(xí)，因?yàn)樗鼈儧]有目標(biāo)，沒有獎(jiǎng)勵(lì)。它們只是在模仿人類，而人類是有目標(biāo)的，但 LLM 本身沒有目標(biāo)，也無法判斷自己說的話是對(duì)是錯(cuò)。

人類語境中的目標(biāo)與意圖一般被理解為：對(duì)一種名為 “獎(jiǎng)勵(lì)” 的標(biāo)量信號(hào)的累積和的期望值進(jìn)行最大化，這是對(duì)智能問題一項(xiàng)極具價(jià)值的簡(jiǎn)化與提煉。要知道，智能就是與世界交互以達(dá)成目標(biāo)，而你需要某種方式來定義這個(gè)目標(biāo)。所以，在強(qiáng)化學(xué)習(xí)的框架下，Richard 建議：所有目標(biāo)都可以被解讀為 “獎(jiǎng)勵(lì)”，一種單一的標(biāo)量數(shù)值。

正因如此， Richard 非常重視從經(jīng)驗(yàn)中學(xué)習(xí)，他認(rèn)為，從某種意義上來說，RL 的核心在于，它最強(qiáng)大的思維方式來自于從經(jīng)驗(yàn)中學(xué)習(xí)的理念。而且既希望直接從經(jīng)驗(yàn)中學(xué)習(xí)，也希望間接從經(jīng)驗(yàn)中學(xué)習(xí)，讓自己的經(jīng)驗(yàn)?zāi)苄纬梢粋€(gè)世界模型，然后利用這個(gè)模型來規(guī)劃行為上的改進(jìn)。這種規(guī)劃就類似于推理，人們僅憑對(duì)世界的認(rèn)知就能想清楚該做什么。

而且智能的基本原則有限，梯度下降在其中至關(guān)重要。但行業(yè)熟練后很容易陷入只用梯度下降，而忽視其他可能性的局限中。實(shí)際上梯度下降、時(shí)序差分學(xué)習(xí)、搜索都是智能的基本原則的其中之一，其中搜索尤為關(guān)鍵。隨機(jī)權(quán)重是搜索的核心要素，它能讓模型探索更多可能性。因此，梯度下降算法中需要融入這種搜索成分，把搜索和梯度下降結(jié)合起來，其威力會(huì)遠(yuǎn)大于梯度下降單獨(dú)使用。

以下是此次對(duì)話的精彩分享，AI 科技評(píng)論進(jìn)行了不改原意的編輯整理：

01 對(duì)智能的思考

汪軍：可以簡(jiǎn)單介紹一下你 2023 年創(chuàng)建 Openmind Research Institute（開放思維研究所）的背景嗎？以及你想要實(shí)現(xiàn)的使命是什么？

Richard Sutton：Openmind  Research Institute 的使命是理解智能，并與世界分享這種理解。嘗試與世界分享的原因是，人工智能已經(jīng)變得有點(diǎn)地緣政治化，各個(gè)國(guó)家都在試圖主導(dǎo)這個(gè)領(lǐng)域。當(dāng)然，許多不同的政治陣營(yíng)之間存在競(jìng)爭(zhēng)，尤其是中美。任何一方都不應(yīng)該占據(jù)主導(dǎo)地位。

理解智能是對(duì)人類思維理解的根本性探索，每個(gè)人都應(yīng)該參與其中。這主要是一項(xiàng)科學(xué)探索，而不是為了追求產(chǎn)業(yè)發(fā)展。大家都應(yīng)該嘗試面對(duì)思維的根本問題，以及如何理解它、如何讓它更好地運(yùn)作，這樣我們才能更好地運(yùn)作，才能理解我們是什么，以及我們?cè)谟钪嬷邪缪菔裁唇巧?/p>

Openmind Research Institute 肯定是從小事做起，它是一個(gè)實(shí)驗(yàn)室，中心在加拿大阿爾伯塔省，但之后還會(huì)啟動(dòng)一個(gè)以新加坡為中心的新實(shí)驗(yàn)室。這樣一來，研究范圍就遍布全球了，每個(gè)實(shí)驗(yàn)室都會(huì)有一定數(shù)量的研究員，通常是剛獲得博士學(xué)位但想要從事基礎(chǔ)研究和人工智能的年輕人。

汪軍：這是要必須做的，而且非常及時(shí)，因?yàn)楝F(xiàn)在有些研究社區(qū)甚至不發(fā)表論文。這談不上絕對(duì)的好壞，這些算法本質(zhì)上是特定時(shí)期的研究成果，問題在于，我們似乎已經(jīng)丟失了當(dāng)初驅(qū)動(dòng)其誕生的發(fā)展勢(shì)頭，這種狀態(tài)對(duì)整個(gè)研究學(xué)界來說是極不健康的。（Openmind Research Institute）這個(gè)想法讓一切都變得開放和獨(dú)立，讓科學(xué)回歸到純粹的科學(xué)好奇心，這很關(guān)鍵。我很高興現(xiàn)在一些基礎(chǔ)模型開始開源或開放參數(shù)，情況變得越來越好了，希望 Openmind  Research Institute 能在中國(guó)設(shè)立分支機(jī)構(gòu)，鼓勵(lì)年輕人，讓年輕的研究人員回歸真正的科學(xué)追求，而不只是追求產(chǎn)業(yè)進(jìn)步。

我在 RL China 舉辦過一些會(huì)議研討會(huì)，已經(jīng)舉辦了好幾年，還有這次夏令營(yíng)。大多數(shù)參會(huì)者都是年輕的研究員，尤其是在 RL 領(lǐng)域，以及從機(jī)器人技術(shù)到多智能體（Multi-Agent）系統(tǒng)，再到核心領(lǐng)域。你對(duì)年輕的研究人員有什么想說的嗎？或者認(rèn)為他們應(yīng)該思考的根本問題是什么？

Richard Sutton：有一點(diǎn)很關(guān)鍵：要著眼于長(zhǎng)遠(yuǎn)目標(biāo)。

人工智能不是今年或明年就能實(shí)現(xiàn)的，它可能會(huì)在這個(gè)十年或下個(gè)十年完成，所以這是一個(gè)長(zhǎng)遠(yuǎn)目標(biāo)，它就像一場(chǎng)馬拉松，而不是短跑比賽。尤其在人工智能的 RL 領(lǐng)域中，情況比較特殊：一方面，我們面臨著一個(gè)基礎(chǔ)性的科學(xué)難題；但另一方面，這個(gè)領(lǐng)域又已經(jīng)形成了龐大的產(chǎn)業(yè)，有巨額資金源源不斷地投入到各類應(yīng)用中。單看人工智能這個(gè)行業(yè)的確十分龐大，它也確實(shí)改變了人們的感受以及人們可以從事的工作，但同時(shí)也在某種程度上減少了對(duì)基礎(chǔ)科學(xué)的關(guān)注。

它更像是一場(chǎng)快速的游戲，你可以很快就賺點(diǎn)錢退出。這對(duì)科學(xué)發(fā)展來說并非真正有益。

從宏觀角度來看，科學(xué)取得如此大的成功是件好事，這為該領(lǐng)域帶來了大量資金。但作為一門科學(xué)，它在某種程度上改變了這個(gè)領(lǐng)域的性質(zhì)，我們必須對(duì)此進(jìn)行反擊，努力將目光投向理解思維如何運(yùn)作、智能如何運(yùn)作這一重大目標(biāo)，并不斷解決問題。既要著手解決那些我們已經(jīng)知道該怎么做的問題，更要持續(xù)關(guān)注那些我們還不知道該如何解決的問題。工業(yè)界傾向于關(guān)注我們已知的、我們今天能做什么；而科學(xué)界則關(guān)注我們尚不知道如何做的事情，是什么阻礙了我們深入理解。

汪軍：沒錯(cuò)，我認(rèn)為在中國(guó)也有類似的情況。產(chǎn)業(yè)方的參與在某些方面確實(shí)非常有益，但另一方面，它在某種程度上會(huì)推動(dòng)甚至是迫使研究 （尤其是學(xué)術(shù)研究）聚焦于一些短期問題，這未必是好事。比如大模型（LLM），需要進(jìn)行預(yù)訓(xùn)練，還需要大量的計(jì)算資源。這確實(shí)是一部分人能做的事，但對(duì)于整個(gè)研究界來說，可能無法都投入其中。我們真正應(yīng)該關(guān)注的是超越 Transformer 的東西，超越你之前提出并研究過的重要學(xué)習(xí)領(lǐng)域。

Richard Sutton：讓我再次強(qiáng)調(diào)一下關(guān)于 LLM 的討論，LLM 在人工智能產(chǎn)業(yè)中占據(jù)主導(dǎo)地位，但我確實(shí)覺得它對(duì)科學(xué)造成了巨大的干擾。

所以我想對(duì)各位說的是，雖然 RL 可以作為 LLM 的一部分——這沒問題，而且 LLM 確實(shí)是一種與互聯(lián)網(wǎng)所有知識(shí)進(jìn)行交互的有效方式，它有很多優(yōu)點(diǎn)——但它在很大程度上分散了我們對(duì)理解智能問題的注意力。

我們必須把它放在一邊，不要走這條路。學(xué)生們對(duì) LLM 的關(guān)注和熱情，很難不想在此基礎(chǔ)上繼續(xù)研究，但它（大模型）并非真正理解智能的途徑。雖然 LLM 確實(shí)很有用，但它們?cè)谶\(yùn)行過程中是沒有學(xué)習(xí)能力的，機(jī)器學(xué)習(xí)確實(shí)被用于創(chuàng)建它們，但一旦模型被訓(xùn)練完成，它們就不再學(xué)習(xí)了。

事實(shí)上，它們也無法學(xué)習(xí)，因?yàn)樗鼈儧]有目標(biāo)，沒有獎(jiǎng)勵(lì)。它們只是在模仿人類，而人類是有目標(biāo)的，但 LLM 本身沒有目標(biāo)，也無法判斷自己說的話是對(duì)是錯(cuò)。

我有一句用于人工智能研究的口號(hào)，如果在網(wǎng)上搜索“Rich's slogan”之類的詞，就可以找到。其中一個(gè)核心口號(hào)就是：你不應(yīng)該要求你的人工智能知道一些它自己都無法判斷正確的事情。Agent（智能體）必須能夠驗(yàn)證它的知識(shí)，LLM 無法驗(yàn)證它們的任何知識(shí)，除了人類會(huì)說它正確之外，但這種正確沒有任何意義。

那么該如何驗(yàn)證你的知識(shí)呢？可能有一種行為方式：如果它沒有得到獎(jiǎng)勵(lì)，你就知道這不是一個(gè)好的行為方式，這就給了你獎(jiǎng)勵(lì)，給了你一個(gè)目標(biāo)，或者你可能有一個(gè)世界的預(yù)測(cè)模型，你可能會(huì)預(yù)測(cè)某事會(huì)發(fā)生，然后從經(jīng)驗(yàn)中看到它確實(shí)發(fā)生了。但 LLM 不會(huì)這樣做，它們可能會(huì)說我預(yù)測(cè)了某事，但大模型無法將其與實(shí)際發(fā)生的事情進(jìn)行比較，因?yàn)榇竽Ｐ蜎]有持續(xù)的經(jīng)驗(yàn)流。

所以我非常重視從經(jīng)驗(yàn)中學(xué)習(xí)，從某種意義上來說，RL 的核心在于，它最強(qiáng)大的思維方式來自于從經(jīng)驗(yàn)中學(xué)習(xí)的理念，這種理念實(shí)際上可以追溯到人工智能誕生之初。

艾倫·圖靈有一篇書面演講提到：我們想要的是一個(gè)能夠在1947年、甚至在人工智能出現(xiàn)之前，從經(jīng)驗(yàn)中學(xué)習(xí)的機(jī)器。我們現(xiàn)在依然渴望這樣的機(jī)器，這仍然是核心，也是我們應(yīng)該努力的方向，這就是 RL 的意義所在，而這一點(diǎn)正是 LLM 所完全缺乏的。

02 強(qiáng)化學(xué)習(xí)的突破路徑

汪軍：你對(duì)經(jīng)驗(yàn)（experience）的定義是什么？我認(rèn)為圖靈在撰寫那篇論文時(shí)有著他自己對(duì)經(jīng)驗(yàn)的理解；另外，像 AlphaGo 那樣，通過自我對(duì)弈生成一系列軌跡數(shù)據(jù)，這也算一種經(jīng)驗(yàn)，而現(xiàn)在情況發(fā)生了什么變化呢？你認(rèn)為如今的經(jīng)驗(yàn)和過去一樣還是有所不同了？

Richard Sutton： 我認(rèn)為經(jīng)驗(yàn)這一概念非常自然，并且隨著時(shí)間推移一直以來都是如此。你的經(jīng)驗(yàn)并非某種怪異、模糊或難以捉摸的東西，它就是你在世界中生存時(shí)接收到的真實(shí)數(shù)據(jù)。你采取行動(dòng)、做各種事情，然后看到結(jié)果——這些就是你的觀察，同時(shí)你也會(huì)感受到獎(jiǎng)勵(lì)。這三組時(shí)間序列共同構(gòu)成了你的經(jīng)驗(yàn)。

實(shí)際上，至少?gòu)?agent 的視角以及在 RL 的思維框架下，除了你接收和生成的數(shù)據(jù)之外，再無其他東西。而且，你無法先驗(yàn)地去談?wù)摽臻g、物體、物理規(guī)律或幾何概念，因?yàn)槟銦o法直接接觸到這些東西；你能直接接觸的，只有你的觀察和行動(dòng)。而那些概念，不過是你為了解釋自身經(jīng)驗(yàn)、為經(jīng)驗(yàn)建立模型而編造的故事罷了。

經(jīng)驗(yàn)是根本性的，它是智能的核心。我們有時(shí)會(huì)說從經(jīng)驗(yàn)中學(xué)習(xí)，但同樣重要的是，你的知識(shí)本身就與經(jīng)驗(yàn)相關(guān)。比如，當(dāng)你相信某件事時(shí)，這個(gè)信念本質(zhì)上是關(guān)于未來你會(huì)接收到哪些觀察的預(yù)判。說到底，它就是一種理論：關(guān)于你未來會(huì)收到什么數(shù)據(jù)、會(huì)擁有怎樣的經(jīng)驗(yàn)的理論。

汪軍：你覺得樣本復(fù)雜度是人工智能領(lǐng)域里我們需要解決的一個(gè)問題嗎？還是說，你其實(shí)并不認(rèn)為這是個(gè)問題？

Richard Sutton：我們的算法學(xué)習(xí)效率確實(shí)不夠高，但我并不覺得這是 RL 獨(dú)有的問題。實(shí)際上，我們所有的算法學(xué)習(xí)效率都很低，所以必須解決這個(gè)問題。說到底，或許整個(gè)研究的核心就是要從經(jīng)驗(yàn)中高效學(xué)習(xí)——這正是我們研究者正在做的事，我們?cè)谂ふ夷茏屛覀儚慕?jīng)驗(yàn)中盡可能高效學(xué)習(xí)的算法。

在某種意義上，從獎(jiǎng)勵(lì)中學(xué)習(xí)比從指令中學(xué)習(xí)更困難，如果世界直接告訴你該做什么，學(xué)習(xí)起來會(huì)簡(jiǎn)單得多。但顯然，世界不會(huì)直接給出指令，世界只會(huì)給你拋出一個(gè)問題，你得自己弄明白該怎么做，所以這才是真正的問題所在。因此，我不會(huì)把這種問題看作是一種困難，而是一項(xiàng)挑戰(zhàn)。

汪軍：這兩個(gè)單一的獎(jiǎng)勵(lì)會(huì)是這個(gè)標(biāo)量嗎？要知道，獎(jiǎng)勵(lì)本身也分不同種類的

Richard Sutton：這就是我們所說的“獎(jiǎng)勵(lì)假設(shè)”了。我們所說的目標(biāo)與意圖，都可以被很好地理解為：對(duì)一種名為 “獎(jiǎng)勵(lì)” 的標(biāo)量信號(hào)的累積和的期望值進(jìn)行最大化，這是對(duì)智能問題一項(xiàng)極具價(jià)值的簡(jiǎn)化與提煉。要知道，智能就是與世界交互以達(dá)成目標(biāo)，而你需要某種方式來定義這個(gè)目標(biāo)。

在強(qiáng)化學(xué)習(xí)中，我們建議：所有目標(biāo)都可以被解讀為 “獎(jiǎng)勵(lì)”，一種單一的標(biāo)量數(shù)值。

在你們看來，這樣認(rèn)為可能顯得有些淺薄，甚至格局不大。但我認(rèn)為，這恰恰是它極具智慧的部分——它非常清晰，高度簡(jiǎn)化，卻又似乎足夠完備。事實(shí)上，像風(fēng)險(xiǎn)考量、多目標(biāo)這類更復(fù)雜的設(shè)定，未必能讓系統(tǒng)變得更強(qiáng)大。阿爾伯塔大學(xué)（也就是我所在的大學(xué)）的幾位研究者發(fā)表過一篇很棒的論文，名為《Settling the Reward Hypothesis》，這篇論文深入探討了這一假說，論證了我們并不需要多目標(biāo)、風(fēng)險(xiǎn)等復(fù)雜設(shè)定，單一獎(jiǎng)勵(lì)信號(hào)已足夠。

論文鏈接：https://arxiv.org/pdf/2212.10420

我還記得自己最初真正接受這一假設(shè)時(shí)的情景，它確實(shí)顯得有些格局不大。畢竟，我們的人生似乎承載著更宏大的目標(biāo)：比如拯救世界、積累財(cái)富、保護(hù)生態(tài)，或者養(yǎng)育家庭。我們有許多目標(biāo)，而且它們似乎都與現(xiàn)實(shí)世界緊密相關(guān)、具體可感。但要打造算法、構(gòu)建智能，就必須將問題轉(zhuǎn)化為一種標(biāo)準(zhǔn)形式。獎(jiǎng)勵(lì)假設(shè)正是這樣一個(gè)極具價(jià)值的核心思想，它非常深刻，極大地幫助我們理解了智能究竟是什么。

汪軍：這種整合方式能否解決“獎(jiǎng)勵(lì)難以定義”或“獎(jiǎng)勵(lì)定義得非常模糊”的問題呢？你認(rèn)為，明確獎(jiǎng)勵(lì)是否已成為人工智能或任何學(xué)習(xí)算法的一種先決條件？

Richard Sutton：首先，我們先回歸自然、動(dòng)物和人類本身。沒人需要為我們制定獎(jiǎng)勵(lì)，我們的獎(jiǎng)勵(lì)是進(jìn)化的產(chǎn)物。那我們的獎(jiǎng)勵(lì)到底是什么？并沒有一根線從外部接入我們的大腦，獎(jiǎng)勵(lì)究竟存在于何處呢？實(shí)際上，獎(jiǎng)勵(lì)是在你的顱骨內(nèi)部計(jì)算產(chǎn)生的。大腦中有一個(gè)區(qū)域，我認(rèn)為是下丘腦，它會(huì)計(jì)算一系列狀態(tài)：你的身體狀況是否良好？血液中是否含有足夠的營(yíng)養(yǎng)？你是否脫離了痛苦？是否感到不適？體溫是否適宜？所有這些因素都會(huì)影響你的獎(jiǎng)勵(lì)信號(hào)。

所以，獎(jiǎng)勵(lì)信號(hào)存在于你的顱骨之內(nèi)，它是你大腦（實(shí)際上也是你身體）的一部分。但我們不會(huì)把身體視為環(huán)境的一部分，而大腦中這個(gè)負(fù)責(zé)計(jì)算獎(jiǎng)勵(lì)的小區(qū)域，卻屬于環(huán)境的范疇。我們必須將其歸為環(huán)境的一部分，這樣它才不會(huì)受到 agent 的直接控制，agent 無法隨心所欲地將自身獎(jiǎng)勵(lì)調(diào)至高位，要讓獎(jiǎng)勵(lì)升高，它必須采取行動(dòng)：比如避免痛苦、獲取食物以維持血糖在滿意水平，它必須通過行動(dòng)影響周圍的世界，這些影響再通過身體反饋，最終產(chǎn)生高獎(jiǎng)勵(lì)信號(hào)。

在那之后，當(dāng)我們打造工程化系統(tǒng)、希望人工智能完成特定任務(wù)時(shí)，作為設(shè)計(jì)者，我們必須想清楚、明確自己真正希望達(dá)成的目標(biāo)是什么，并且得找到方法，將這個(gè)目標(biāo)轉(zhuǎn)化為獎(jiǎng)勵(lì)信號(hào)傳遞給 agent。這一步有時(shí)頗具挑戰(zhàn)，有時(shí)又比較簡(jiǎn)單。比如，下國(guó)際象棋，贏得比賽你會(huì)得到獎(jiǎng)勵(lì)；下圍棋，贏得比賽也會(huì)得到獎(jiǎng)勵(lì)。如果是企業(yè)想要盈利，你可以為成功賺錢的人提供獎(jiǎng)勵(lì)。能作為獎(jiǎng)勵(lì)的東西有很多，有時(shí)很簡(jiǎn)單，有時(shí)卻真的很難。難點(diǎn)部分在于，我們自己往往都難以確定最想讓人工智能完成的到底是什么。

我想說的是：人們常常有一種強(qiáng)烈的傾向，就是把問題的解決方案直接塞進(jìn)獎(jiǎng)勵(lì)里。比如，想讓 AI 下圍棋，你可能會(huì)忍不住在過程中設(shè)置一些額外獎(jiǎng)勵(lì)，比如控制棋盤的特定區(qū)域或做出眼位就給獎(jiǎng)勵(lì)，但這幾乎是錯(cuò)誤的。你應(yīng)該為自己真正想要的結(jié)果設(shè)置獎(jiǎng)勵(lì)，對(duì)于圍棋而言，真正想要的就是贏棋，做出眼位只是通向贏棋的一條路徑。盡管你可能是想幫人工智能一把，這種嘗試也非常普遍，但這樣實(shí)際上改變了問題本身，而我們并不想改變問題。如果你想贏，就應(yīng)該只為贏設(shè)置獎(jiǎng)勵(lì)。

汪軍：你之前提到過要保持開放的心態(tài)，并且也鼓勵(lì)那些剛拿到博士學(xué)位的年輕研究者這樣做，我最近看了一些研究提案，其中關(guān)于持續(xù)學(xué)習(xí)的一些想法我很喜歡，所以你能不能進(jìn)一步講講？

Richard Sutton：無論是阿爾伯塔省還是新加坡的研究項(xiàng)目都是從 RL 開始的，尤其是“阿爾伯塔人工智能研究計(jì)劃”（The Alberta Plan for AI Research），這是一份文件，你可以在 arXiv 上找到它。這份文件由 Michael Bowling、Patrick Plarskin 和我自己共同撰寫。在其中，我們?cè)噲D盡可能清晰地勾勒出從當(dāng)前階段邁向 full intelligent agent，即 the full AI 所需的步驟。這是一個(gè)包含 12 個(gè)步驟的計(jì)劃，這些步驟并非必須按順序執(zhí)行，但我目前正致力于第一步，并且熱切期待完成第一步后能開始著手第二步。

鏈接：https://arxiv.org/pdf/2208.11173

計(jì)劃的前期步驟都與使用函數(shù)近似（function approximation）進(jìn)行高效學(xué)習(xí)相關(guān)，實(shí)際上也都圍繞 RL 展開，涉及持續(xù)學(xué)習(xí)（continual learning）、元學(xué)習(xí)（meta-learning）等方向——真正聚焦 RL 本身的內(nèi)容其實(shí)從第三步才開始。但歸根結(jié)底，整個(gè)計(jì)劃的目標(biāo)是打造一個(gè) RL agent：一個(gè)具備推理、規(guī)劃與學(xué)習(xí)能力的完整 agent。

此外，該計(jì)劃完全以獎(jiǎng)勵(lì)為核心基礎(chǔ)，但在實(shí)踐過程中，會(huì)衍生出子目標(biāo)或輔助任務(wù)，這些子目標(biāo)可以是我們?nèi)粘?huì)考慮的事情，比如拿起一個(gè)物體可能成為一個(gè)子任務(wù)，高效行走是一個(gè)目標(biāo)，下圍棋也可以是一個(gè)需要達(dá)成的子目標(biāo)，甚至獲得學(xué)位?；旧夏阋徽熳龅乃惺?，步行去大學(xué)、喝杯水、找洗手間，這些都可以成為你努力達(dá)成并學(xué)習(xí)相關(guān)技能的目標(biāo)。而所有這些子目標(biāo)和技能，最終都服務(wù)于那一個(gè)核心目標(biāo)，例如完成工作，這就是阿爾伯塔人工智能研究計(jì)劃的一部分內(nèi)容。

03 通用智能體的認(rèn)知轉(zhuǎn)向

汪軍：你提到了元學(xué)習(xí)，關(guān)于如何讓 RL 在跨任務(wù)場(chǎng)景下更具通用性，你的看法是什么？如何讓它不僅能解決雅達(dá)利圍棋游戲這類特定任務(wù)，還能具備更廣泛的通用性？你認(rèn)為元學(xué)習(xí)會(huì)是打造通用 agent 的有力候選方向嗎？還是說，我們需要其他完全不同的方法？

Richard Sutton：我們當(dāng)然想要打造通用 agent，但并不認(rèn)同“task”（任務(wù)）這個(gè)概念。說實(shí)話，我覺得我們只是生活而已，我不覺得我有什么任務(wù)是需要單獨(dú)獎(jiǎng)勵(lì)的，我有自己的人生，有自己的獎(jiǎng)勵(lì)信號(hào)，它會(huì)一直持續(xù)下去，雖然并非永恒，但會(huì)延續(xù)很長(zhǎng)時(shí)間。

每次聽到人們談?wù)摗皌ask”，我其實(shí)都不太清楚他們具體指什么，但我很清楚“skill”（技能）是什么。比如，我有熟練行走的技能，有找到去銀行路線的技能，還有做其他各種事情的技能。這些就像我之前提到的輔助性問題：拿起一個(gè)物體、找到去不同地方的路，等等。我會(huì)學(xué)習(xí)如何完成所有這些事，然后思考如何將這些技能組合起來，以獲得屬于自己的獎(jiǎng)勵(lì)。

通用性至關(guān)重要，我們確實(shí)追求通用性，但我們不想在“task”之間追求通用。因?yàn)椤皌ask”并非這一框架的組成部分，也不屬于 RL 的范疇，并不存在“task”這種概念，這里只有單一的獎(jiǎng)勵(lì)信號(hào)，僅此而已。但我們確實(shí)需要探討泛化（generalization）。這里的泛化指的是狀態(tài)之間的泛化，在這個(gè)狀態(tài)下學(xué)會(huì)了該做什么，這會(huì)影響我對(duì)在另一個(gè)狀態(tài)下該做什么才正確的判斷。所以，泛化是在不同狀態(tài)間發(fā)生的，這正是泛化的核心價(jià)值所在，而這種泛化能力也將助力我們打造出通用 agent。

我們說的元學(xué)習(xí)是指：當(dāng)存在一個(gè)基礎(chǔ)學(xué)習(xí)過程，然后我們?cè)谶@個(gè)基礎(chǔ)之上再做一些操作時(shí)，談?wù)撛獙W(xué)習(xí)才是恰當(dāng)?shù)?。我認(rèn)為最主要的例子是這樣的：比如我們通過調(diào)整模型權(quán)重來解決某個(gè)基礎(chǔ)學(xué)習(xí)任務(wù)，不管這個(gè)基礎(chǔ)任務(wù)是監(jiān)督學(xué)習(xí)（supervised learning）還是 RL，在這個(gè)過程中，我們會(huì)涉及步長(zhǎng)（step sizes）以及其他超參數(shù)的設(shè)置。所以，這些步長(zhǎng)的調(diào)整就屬于元學(xué)習(xí)的一個(gè)例子。

我們的整個(gè)網(wǎng)絡(luò)都應(yīng)該設(shè)置步長(zhǎng)，每個(gè)權(quán)重都該有自己專屬的步長(zhǎng)，這些步長(zhǎng)必須通過自動(dòng)化流程來單獨(dú)調(diào)整，而不是由人工操作。這樣一來，如果你能調(diào)整這些步長(zhǎng)，就能從中得知：這些權(quán)重不想調(diào)整，那些權(quán)重想調(diào)整。而當(dāng)你決定調(diào)整哪些權(quán)重時(shí)，這些權(quán)重正是你要進(jìn)行泛化的依據(jù)。打個(gè)比方，你有很多特征，該基于哪些特征進(jìn)行泛化呢？答案就是那些步長(zhǎng)較高的特征。因此，這就把研究焦點(diǎn)引向了學(xué)習(xí)算法本身，也就是用于學(xué)習(xí)所有權(quán)重對(duì)應(yīng)步長(zhǎng)的元學(xué)習(xí)算法。

在所有算法中，我最愛的算法當(dāng)然是時(shí)序差分學(xué)習(xí)（Temporal Difference Learning），第二愛的算法是專門用來設(shè)置步長(zhǎng)的，它叫 Incremental Delta-Bar-Delta，簡(jiǎn)稱 IDBD。這是個(gè)1992年的老算法了，它的用途非常明確，就是用來設(shè)置步長(zhǎng)，進(jìn)而決定泛化是如何發(fā)生的。再來聊聊 RL 中的偏置（bias），這篇論文提出了類似通過梯度下降（gradient descent）學(xué)習(xí)偏置的思路。也就是說，我們不再由人工編寫程序來設(shè)定偏置，而是讓系統(tǒng)自主學(xué)習(xí)如何泛化，這本質(zhì)上就是在學(xué)習(xí)偏置。IDBD 算法雖然是個(gè)老算法，但它已經(jīng)過一些改進(jìn)，我們目前也在對(duì)它進(jìn)行更新，還在嘗試將其擴(kuò)展到深度學(xué)習(xí)領(lǐng)域，只是這項(xiàng)工作仍在進(jìn)行中，它有很大的潛力。

汪軍：之前我們聊到過學(xué)習(xí)效率，你也說過效率當(dāng)然是越高越好，而且這是機(jī)器學(xué)習(xí)領(lǐng)域的普遍問題，所以梯度下降在過去確實(shí)推動(dòng)了人工智能的發(fā)展。但另一方面，它或許并不是學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)函數(shù)映射的高效方法。你認(rèn)為這是我們需要突破的瓶頸嗎？還是說，你覺得梯度下降仍是未來的發(fā)展方向？

Richard Sutton：如果我們?cè)囍釤捴悄芘c學(xué)習(xí)的幾條基本原則，梯度下降一定是其中之一，它的威力強(qiáng)大且至關(guān)重要。問題在于，當(dāng)我們熟練掌握梯度下降后，就開始覺得它無比出色，甚至可能認(rèn)為一切學(xué)習(xí)問題都能用梯度下降解決。而這恰恰是錯(cuò)誤所在，我們陷入了只用梯度下降，而排除所有其他可能性的局限中。

所以如果要列舉智能的基本原則，我認(rèn)為梯度下降、時(shí)序差分學(xué)習(xí)、搜索都是其中之一，此外還有其他原則，但不會(huì)太多了。而搜索尤其重要，其實(shí)搜索的影子已經(jīng)存在于反向傳播中了，訓(xùn)練開始時(shí)，我們會(huì)給模型設(shè)置隨機(jī)的小權(quán)重，但也僅僅是在開始時(shí)這樣做。從那之后，模型就只會(huì)完全確定性地沿著梯度方向更新。

在過去幾年里，我們?cè)诔掷m(xù)學(xué)習(xí)領(lǐng)域取得了一點(diǎn)突破，我們對(duì)反向傳播進(jìn)行了改進(jìn)，提出了持續(xù)反向傳播。這種方法下，模型不再是一直只沿著梯度更新，也不再只在初始階段設(shè)置隨機(jī)權(quán)重，而是在整個(gè)訓(xùn)練過程中持續(xù)重新注入隨機(jī)權(quán)重。也就是說，隨機(jī)化不再只發(fā)生在開頭，而是貫穿始終，這樣就是完全連續(xù)的。隨機(jī)權(quán)重正是搜索的核心要素，它能將模型推向隨機(jī)的方向，從而探索更多可能性。因此，我們的梯度下降算法中需要融入這種搜索成分，把搜索和梯度下降結(jié)合起來，其威力會(huì)遠(yuǎn)大于梯度下降單獨(dú)使用。

汪軍：你之前提到了時(shí)序差分學(xué)習(xí)，你是如何發(fā)明時(shí)序差分學(xué)習(xí)的？這種決策—行動(dòng)的邏輯與整個(gè)控制領(lǐng)域息息相關(guān)，他們一直在研究貝爾曼方程優(yōu)化等問題，而 RL 正是從這些基礎(chǔ)上發(fā)展而來的，時(shí)序差分學(xué)習(xí)是其中的關(guān)鍵。還有我之前提到過，你的一篇早期論文總是被我用作案例，這篇論文從心理學(xué)中的經(jīng)典條件反射、神經(jīng)科學(xué)等領(lǐng)域切入，然后將思路延伸到了計(jì)算機(jī)科學(xué)領(lǐng)域，這篇論文非常出色，能和我們多講講這篇論文以及背后的故事嗎？

Richard Sutton：時(shí)序差分學(xué)習(xí)的確源于經(jīng)典條件反射，它脫胎于心理學(xué)，以及上世紀(jì)早期所有關(guān)于動(dòng)物學(xué)習(xí)的先驅(qū)性實(shí)驗(yàn)。經(jīng)典條件反射是巴甫洛夫在 19 世紀(jì) 90 年代左右提出的概念。我本科時(shí)學(xué)的就是心理學(xué)，但我還是一直都在研究人工智能，只是在 70 年代，本科階段還沒法主修計(jì)算機(jī)科學(xué)，必須選其他專業(yè)，我很樂意主修心理學(xué)，因?yàn)樵趯W(xué)習(xí)領(lǐng)域，尤其是在探索學(xué)習(xí)的基本原理方面，心理學(xué)家的思考是最深入的，他們?yōu)榇烁冻隽司薮笈?，提出了許多重要的觀點(diǎn)，其中有一些觀點(diǎn)雖然沒有直接催生時(shí)序差分學(xué)習(xí)，但已經(jīng)非常接近了。如果你仔細(xì)梳理所有的動(dòng)物實(shí)驗(yàn)，試著從中提煉規(guī)律，就必然會(huì)走向時(shí)序差分學(xué)習(xí)，它就是這樣誕生的。

直到后來我們才意識(shí)到，從動(dòng)態(tài)規(guī)劃和控制理論的角度來看，時(shí)序差分學(xué)習(xí)同樣說得通，但時(shí)序差分學(xué)習(xí)最初是源于經(jīng)驗(yàn)的產(chǎn)物。可以這樣理解二者的關(guān)系：動(dòng)態(tài)規(guī)劃的前提是，你已經(jīng)完全了解整個(gè)世界，你就能計(jì)算出最優(yōu)解；而時(shí)序差分學(xué)習(xí)則不同，即便我不知道世界是如何運(yùn)作的，我也能通過經(jīng)驗(yàn)而非知識(shí)達(dá)成與動(dòng)態(tài)規(guī)劃相同的目標(biāo)。

這一點(diǎn)太美妙了，因?yàn)樗馕吨醒芯恐悄芘c學(xué)習(xí)的學(xué)科實(shí)現(xiàn)了統(tǒng)一，時(shí)序差分學(xué)習(xí)的影響力非常深遠(yuǎn)?；氐缴窠?jīng)科學(xué)領(lǐng)域，它為研究者們觀察到的許多動(dòng)物學(xué)習(xí)新結(jié)果、新數(shù)據(jù)提供了合理解釋，如今已成為大腦獎(jiǎng)勵(lì)系統(tǒng)研究中占主導(dǎo)地位的標(biāo)準(zhǔn)模型與理論。我們能看到，人工智能、控制理論、神經(jīng)科學(xué)這些原本截然不同的學(xué)科，正成功地走向融合與交匯。我對(duì)此感到非常欣慰，這就像終于觸碰到了智能最根本的東西。

汪軍：我注意到的一點(diǎn)區(qū)別也就是無模型（model-free）和基于模型（model-based）的概念，你能再詳細(xì)解釋一下這個(gè)嗎？

Richard Sutton：首先，我們得明確一點(diǎn)，我們兩者都需要兼顧。我們既希望直接從經(jīng)驗(yàn)中學(xué)習(xí)，也希望間接從經(jīng)驗(yàn)中學(xué)習(xí)，我們希望自己的經(jīng)驗(yàn)?zāi)苄纬梢粋€(gè)世界模型，然后利用這個(gè)模型來規(guī)劃行為上的改進(jìn)。這種規(guī)劃就類似于推理，我們僅憑對(duì)世界的認(rèn)知就能想清楚該做什么。這兩者我們都需要，而實(shí)現(xiàn)二者在某種意義上的統(tǒng)一，正是我們追求的“The Holy Grail”（圣杯），就是能夠同時(shí)進(jìn)行規(guī)劃和學(xué)習(xí)，并在某種意義上將它們統(tǒng)一起來。

這種統(tǒng)一的開端是“dyna system”（動(dòng)力系統(tǒng)），在這個(gè)系統(tǒng)中，規(guī)劃的過程本身就帶有學(xué)習(xí)的屬性，不過這種學(xué)習(xí)是通過想象自己可能采取的行動(dòng)來完成的，這一點(diǎn)在心理學(xué)文獻(xiàn)中也有很好的體現(xiàn)，RL 的目標(biāo)正是成為一種涵蓋所有智能形式的宏大理論。

汪軍：您有什么想對(duì)中國(guó)的 RL 社區(qū)說的嗎？您認(rèn)為這與您正在開展的 Openmind 使命有什么聯(lián)系？

Richard Sutton：我想補(bǔ)充一點(diǎn)我們尚未談及的核心內(nèi)容，得益于摩爾定律以及計(jì)算能力的日益普及，當(dāng)下正是宇宙中一個(gè)極其特殊的時(shí)代，在未來的一二十年里，我們將得以弄明白思維是如何運(yùn)作的。能生活在這樣一個(gè)時(shí)代，實(shí)在太令人驚嘆了。我曾將對(duì)智能的理解比作地球上生命的起源，我認(rèn)為這是一件具有同等重大意義的事件。我們將能夠設(shè)計(jì)出與人類自身一樣強(qiáng)大、甚至可能更強(qiáng)大的 agent，這真的是一件無比激動(dòng)人心的大事。如果說我最想表達(dá)什么，那就是我對(duì)此抱有極大的樂觀，我認(rèn)為一切都會(huì)變得非常好，這不僅將實(shí)現(xiàn)歷史上知識(shí)分子乃至普通人一直以來追尋的偉大探索目標(biāo)，還將對(duì)世界的經(jīng)濟(jì)發(fā)展產(chǎn)生巨大的積極影響。

未來并非全都是一帆風(fēng)順的，肯定會(huì)面臨諸多挑戰(zhàn)，但這并非因?yàn)槿斯ぶ悄軙?huì)帶來什么糟糕的結(jié)果，總的來說，它是一件極具積極意義的事。它將為我們帶來更深入的科學(xué)研究、更透徹的自我認(rèn)知，甚至有可能幫助我們更好地和平共處，而這正是 Openmind 使命的一部分。

每個(gè)人都能參與到這份理解中來，我們會(huì)展開合作，共同去探索人工智能的奧秘，共同收獲它帶來的成果，共同加深對(duì)自我的認(rèn)知，而且要明白，并非只有機(jī)器會(huì)變得智能，我們?nèi)祟愖陨硪矔?huì)通過增強(qiáng)手段變得更聰明。其實(shí)我們已經(jīng)在被增強(qiáng)了，電話在增強(qiáng)我們的溝通，眼鏡在增強(qiáng)我們的視力，一支鉛筆、一門能讓彼此交流的語言，這些都是對(duì)我們能力的增強(qiáng)，人工智能實(shí)際上就是這一增強(qiáng)過程的延續(xù)，所以人工智能的發(fā)展前景會(huì)非常好。我們應(yīng)當(dāng)為從事這項(xiàng)工作而感到由衷的喜悅，并為了全人類的福祉去推進(jìn)它的發(fā)展。

（雷峰網(wǎng)(公眾號(hào)：雷峰網(wǎng))）

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。