data-v-3d9236d1>

但是月日对于更复杂的问题，例如可能性几乎无限的强动作的环开放环境，很难创建一个全面的化学好 Q 表。为了解决这个问题，习状效果研究人员提出了深度强化学习的态和想法。深度强化学习首先由 DeepMind 引入，受限它结合了强化学习和深度学习的境中概念，创建了更加通用的月日 AI 模型，可以学习在状态非常多且信息通常不完整的强动作的环复杂环境中解决问题。

深度强化学习用“深度 Q 神经网络”代替 Q 表。化学好您向神经网络提供当前状态，习状效果它会返回一个可能的态和动作列表及其可预测的奖励。

在过去的受限一年里，深度强化学习已经被用于掌握各种复杂度的境中游戏，包括 Atari、月日StarCraft II 和Dota 2。AlphaZero 及其前辈也使用深度强化学习来掌握各自的手艺。

强化学习的应用

教人工智能下国际象棋和围棋是有趣的科学挑战，但强化学习不仅仅是掌握游戏。今天，科学家和研究人员正在应用强化学习来解决现实世界的问题。

机器人技术是强化学习非常有用的领域之一。创建可以处理物体的机器人是一项非常复杂的任务，需要大量的反复试验。

Dactyl 是由研究实验室 OpenAI 开发的人工智能系统，它使用强化学习来教机器人手以令人印象深刻的灵巧处理物体(事实上，它远不及你对人类的期望，但以机器人的标准来看它是惊人的)。

同时，有多项努力旨在将强化学习应用于不同领域，例如交通信号灯管理、资源管理和个性化推荐。

然而，需要注意的一点是，强化学习只能解决可以分解为目标和奖励的问题，这将其应用限制在需要解决一般问题而不是针对单个目标进行优化的领域。

为了解决这个限制，研究人员正在将强化学习与其他人工智能技术结合使用。例如，在 DeepMind 的 AlphaStar 中，掌握了复杂的实时战略游戏星际争霸 II的人工智能，强化学习是使用的多种人工智能技术之一。

很赞哦!（6）