從「試錯」到「優(yōu)化」，RL 的統(tǒng)一思維框架。

編譯丨鄭佳美

編輯丨馬曉寧

人工智能領(lǐng)域發(fā)展到現(xiàn)在，強(qiáng)化學(xué)習(xí)（RL）已經(jīng)成為人工智能中最令人著迷也最核心的研究方向之一。它試圖解決這樣一個問題：當(dāng)智能體沒有現(xiàn)成答案時，如何通過與環(huán)境的交互，自主學(xué)會最優(yōu)行為？

聽起來簡單，做起來卻異常復(fù)雜。幾十年來，研究者提出了成百上千種算法，從最早的Q-learning到后來基于深度學(xué)習(xí)的DDPG、SAC、PPO、IQL……每種方法都有自己的原理、參數(shù)與假設(shè)，看起來彼此獨(dú)立，仿佛一座龐大而混亂的迷宮。

對于剛接觸強(qiáng)化學(xué)習(xí)的人來說，這種復(fù)雜性常常令人挫?。何覀兯坪踉趯W(xué)習(xí)無數(shù)名字，卻始終難以看清它們之間的聯(lián)系。

然而，最近有一篇由上海交通大學(xué)與上海期智研究院的博士生 Kun Lei 發(fā)布的博客提出了一個令人眼前一亮的框架：所有強(qiáng)化學(xué)習(xí)算法，其實都可以通過兩個問題來理解，第一，數(shù)據(jù)從哪里來？第二，策略更新有多頻繁？

就是這兩個看似樸素的問題，像兩根主線一樣，把強(qiáng)化學(xué)習(xí)的世界重新梳理清楚。從它們出發(fā)，我們可以發(fā)現(xiàn)：復(fù)雜的 RL 算法不過是在這兩根軸上移動的不同點(diǎn)位。

而當(dāng)這一結(jié)構(gòu)被揭示出來，整個算法邏輯突然變得直觀、有序，也更容易被理解。

博客地址：https://lei-kun.github.io/blogs/rl.html

01
數(shù)據(jù)從哪里來

強(qiáng)化學(xué)習(xí)的過程，本質(zhì)上是智能體不斷收集經(jīng)驗、并用這些經(jīng)驗改進(jìn)策略的循環(huán)。不同算法的差異，很大程度上取決于它們依賴什么樣的數(shù)據(jù)。

最直接的方式是“在策略學(xué)習(xí)”。在這種模式下，智能體一邊與環(huán)境交互，一邊學(xué)習(xí)。每一個動作都帶來新的數(shù)據(jù)，立刻被用于更新模型。這類方法像是不斷在現(xiàn)場實踐的學(xué)生，代表算法包括 PPO、SAC 等。

在線學(xué)習(xí)的優(yōu)點(diǎn)是靈活、適應(yīng)性強(qiáng)，但也意味著代價高昂，每次試錯都可能耗費(fèi)時間、能量，甚至造成損失。

相對保守的是“離策略學(xué)習(xí)”。它允許智能體反復(fù)使用過去的經(jīng)驗，而不必每次都重新與環(huán)境交互。算法會把這些經(jīng)驗保存下來，在需要時反復(fù)采樣學(xué)習(xí)。DQN、TD3、DDPG 都屬于這一類。

離策略學(xué)習(xí)提高了樣本利用率，也讓學(xué)習(xí)過程更穩(wěn)定，是許多實際應(yīng)用中的主流方案。

還有一種方式更極端，叫做“離線學(xué)習(xí)”。這里，智能體完全依賴一個固定的數(shù)據(jù)集進(jìn)行訓(xùn)練，不能再與環(huán)境交互。這種方法看似受限，但在高風(fēng)險場景中卻尤為重要，比如醫(yī)療、自動駕駛或機(jī)器人控制。

算法必須在不試錯的情況下，從既有數(shù)據(jù)中學(xué)會盡可能好的決策，CQL、IQL 就是這類方法的代表。

從在線到離線，數(shù)據(jù)的獲取方式逐漸從主動探索轉(zhuǎn)向被動利用。算法的選擇往往反映了任務(wù)的現(xiàn)實約束：能否安全地試錯？能否持續(xù)獲得新數(shù)據(jù)？試錯的代價是否可承受？這便是強(qiáng)化學(xué)習(xí)的第一個維度：數(shù)據(jù)從哪里來。

02
學(xué)習(xí)更新的節(jié)奏

而強(qiáng)化學(xué)習(xí)的第二個維度，是學(xué)習(xí)更新的節(jié)奏。簡單來說，就是智能體多久評估一次策略，又多久調(diào)整一次行為。

最簡單的方式是一種“一步式學(xué)習(xí)”。智能體在一個固定的數(shù)據(jù)集上訓(xùn)練一次，學(xué)到一個策略后就不再改進(jìn)。模仿學(xué)習(xí)就是典型例子。它速度快、風(fēng)險低，適合那些對安全性要求高或數(shù)據(jù)有限的任務(wù)。

另一種方式是“多步式學(xué)習(xí)”。算法在一批數(shù)據(jù)上多次更新，直到性能收斂，再重新收集新的數(shù)據(jù)。這是一種折中策略，既避免了頻繁交互的高成本，又能比一次性訓(xùn)練獲得更好的表現(xiàn)。

最具代表性的是“迭代式學(xué)習(xí)”。這類算法不斷在“收集數(shù)據(jù)—更新模型—再收集數(shù)據(jù)”的循環(huán)中進(jìn)化，每一次交互都推動性能提升。它們像一個永不停歇的學(xué)習(xí)者，不斷探索未知、修正自身。PPO 和 SAC 就是這種方式的代表。

從一步到多步，再到迭代，算法的更新節(jié)奏越來越密集，也意味著從靜態(tài)到動態(tài)的轉(zhuǎn)變。不同節(jié)奏之間，其實反映的是對穩(wěn)定性和適應(yīng)性的權(quán)衡。

03
走一個更底層的統(tǒng)一框架

在講清楚“數(shù)據(jù)從哪來”和“學(xué)習(xí)更新的節(jié)奏”這兩條主線之后，博客提出了一個更底層的統(tǒng)一視角：無論算法形式如何變化，所有強(qiáng)化學(xué)習(xí)方法其實都在做兩件事：評估當(dāng)前策略、然后改進(jìn)它。

簡單來說，強(qiáng)化學(xué)習(xí)就像一個反復(fù)自我練習(xí)的過程：

先評估，看看自己目前的策略表現(xiàn)得怎樣，哪些動作好、哪些不好；

再改進(jìn)，根據(jù)評估結(jié)果，調(diào)整策略，讓下一次決策更聰明一點(diǎn)。

Q-learning、PPO、SAC……看起來名字各不相同，其實都在重復(fù)這兩個動作。唯一的區(qū)別，只是它們評估得方式不同、改進(jìn)的速度不同、或者用到的數(shù)據(jù)不同。

在博客中，作者用一組公式，把這兩步統(tǒng)一地寫了出來：

評估階段（Policy Evaluation）就是去衡量“這套策略到底值不值”。算法會讓模型預(yù)測某個狀態(tài)下采取某個動作能得到多大的回報，然后和實際反饋進(jìn)行比較。如果誤差太大，就調(diào)整模型，讓它的預(yù)期更接近現(xiàn)實。在線算法直接用新數(shù)據(jù)計算，離線或離策略算法則要通過重要性采樣、加權(quán)平均等方式修正舊數(shù)據(jù)的偏差。

改進(jìn)階段（Policy Improvement）是在得到新的評估結(jié)果后，優(yōu)化策略本身。模型會傾向于選擇那些帶來更高期望回報的動作。但為了避免一下子“改過頭”，很多算法會加上約束或正則項，比如讓新策略不能偏離舊策略太多（這就是 PPO 的思想），或者在策略里保留一定的探索性（這就是 SAC 中熵正則的作用）。

從這個角度看，所謂不同的強(qiáng)化學(xué)習(xí)算法，其實只是這兩個過程的不同實現(xiàn)。有的算法更注重評估的準(zhǔn)確性，有的更強(qiáng)調(diào)改進(jìn)的穩(wěn)定性，有的頻繁更新、快速迭代，有的則保守謹(jǐn)慎、慢慢優(yōu)化。

當(dāng)我們用“評估 + 改進(jìn)”去看強(qiáng)化學(xué)習(xí)時，整個算法體系就像被抽絲剝繭地展現(xiàn)在眼前，所有方法都不再是孤立的技巧，而是這兩個動作的不同組合。

在講清這兩條主線后，博客還進(jìn)一步將視角延伸到了現(xiàn)實世界的智能系統(tǒng)，尤其是當(dāng)下正在快速發(fā)展的機(jī)器人基礎(chǔ)模型。

Kun Lei 指出這種以訓(xùn)練節(jié)奏為核心的思考方式，與現(xiàn)代機(jī)器人基礎(chǔ)模型的訓(xùn)練實踐高度契合。例如 Generalist 團(tuán)隊的 GEN-0 與 Pi 的 pi_0.5，它們的成長過程就像一臺不斷運(yùn)轉(zhuǎn)的數(shù)據(jù)飛輪。系統(tǒng)會持續(xù)吸收新的任務(wù)與場景，將它們整合進(jìn)統(tǒng)一的語料庫，然后周期性地進(jìn)行再訓(xùn)練或微調(diào)。

在這樣的機(jī)制下，多步式更新成為一種自然選擇。每一次訓(xùn)練循環(huán)都帶來小幅、受控的改進(jìn)，既保守到能避免分布坍塌的風(fēng)險，又留下足夠的探索空間，使模型能夠在不斷擴(kuò)展的數(shù)據(jù)語料中穩(wěn)步成長。

并且當(dāng)模型逐漸接近能力瓶頸，無論是為了超越人類在特定任務(wù)上的上限，還是為了更精準(zhǔn)地對齊人類表現(xiàn)，研究者通常會轉(zhuǎn)向迭代式的在線強(qiáng)化學(xué)習(xí)，針對特定目標(biāo)進(jìn)行更高頻、更精細(xì)的評估與改進(jìn)。

這種從多步更新向在線迭代過渡的訓(xùn)練策略，已在實踐中被多次驗證有效，例如在 rl-100 等典型設(shè)定中，多步更新已經(jīng)能夠在有限數(shù)據(jù)下取得穩(wěn)定進(jìn)步，而適量的在線 RL 則能在保持安全與穩(wěn)定的前提下，將模型性能進(jìn)一步推高。

04
走在 RL 前沿的年輕研究者

作者主頁：https://lei-kun.github.io/?utm

這篇博客的作者 Kun Lei 目前是上海交通大學(xué)與上海期智研究院的博士生，師從清華大學(xué)許華哲教授。

Kun Lei 畢業(yè)于西南交通大學(xué)，在本科階段就開始從事人工智能與優(yōu)化相關(guān)的研究，并曾與西南交通大學(xué)的郭鵬教授以及美國奧本大學(xué)的王毅教授合作開展科研工作。

在讀博之前，他曾在上海期智研究院擔(dān)任研究助理，與許華哲教授共同進(jìn)行強(qiáng)化學(xué)習(xí)和機(jī)器人智能方向的研究，后來又在西湖大學(xué)進(jìn)行了為期四個月的科研實習(xí)，主要探索具身智能與強(qiáng)化學(xué)習(xí)算法在真實環(huán)境中的應(yīng)用。

Kun Lei 的研究方向涵蓋深度強(qiáng)化學(xué)習(xí)、具身智能與機(jī)器人學(xué)習(xí)。相比單純追求算法指標(biāo)，他更關(guān)心這些算法如何真正落地，怎樣讓強(qiáng)化學(xué)習(xí)不僅在仿真環(huán)境中有效，也能在真實的機(jī)器人系統(tǒng)中穩(wěn)定工作，怎樣讓智能體在有限的數(shù)據(jù)下快速學(xué)習(xí)、靈活適應(yīng)。

同時從他的博客也能看出，Kun Lei 的研究風(fēng)格兼具工程實踐與直覺思考，他追求的不是更復(fù)雜的模型，而是更清晰的理解。這篇關(guān)于強(qiáng)化學(xué)習(xí)的文章正體現(xiàn)了這種思路，他沒有堆疊晦澀的公式，而是用兩個最本質(zhì)的問題，理出強(qiáng)化學(xué)習(xí)背后的邏輯主線。

而強(qiáng)化學(xué)習(xí)之所以讓人望而卻步，是因為它的理論體系龐大、公式繁復(fù)。初學(xué)者常常被各種貝爾曼方程、策略梯度、折扣回報等概念包圍，每一個術(shù)語都能展開成幾頁推導(dǎo)，但卻難以抓住核心。

這篇博客的價值就在于，它把這一切重新拉回了原點(diǎn)。作者沒有從復(fù)雜的數(shù)學(xué)出發(fā)，而是提出兩個最簡單的問題：數(shù)據(jù)從哪里來？策略更新有多頻繁？

這看似樸素的提問，其實觸及了強(qiáng)化學(xué)習(xí)的根。它幫助讀者重新看見算法的結(jié)構(gòu)，不同方法之間不再是孤立的技巧，而是圍繞這兩個維度的不同取舍。通過這樣的視角，強(qiáng)化學(xué)習(xí)那片看似混亂的森林，突然變得有路可循。

更重要的是，這種思路不僅僅是一種講解方式，更是一種思考問題的習(xí)慣。它提醒我們，復(fù)雜系統(tǒng)的背后往往隱藏著最簡單的規(guī)律，只是被層層公式和術(shù)語掩蓋。當(dāng)我們回到原理本身，用結(jié)構(gòu)化的方式去理解問題，復(fù)雜性就不再是障礙。

未經(jīng)「AI科技評論」授權(quán)，嚴(yán)禁以任何方式在網(wǎng)頁、論壇、社區(qū)進(jìn)行轉(zhuǎn)載！

公眾號轉(zhuǎn)載請先在「AI科技評論」后臺留言取得授權(quán)，轉(zhuǎn)載時需標(biāo)注來源并插入本公眾號名片。