近兩年機(jī)器智能取得重大突破，像圍棋九段高手李世石敗北Alpha Go，DeepMind團(tuán)隊(duì)研發(fā)的機(jī)器人在Atari多項(xiàng)游戲上超越人類水平。這些突破主要得益于從基于深度學(xué)習(xí)的視覺、語音、語義感知到動作反饋的激勵懲罰強(qiáng)化訓(xùn)練模式。本文從概念上分析深度強(qiáng)化學(xué)習(xí)的要點(diǎn)，部分摘于ICML 2016 Tutorial里的Deep Reinforcement Learning[1]的報告。

　　強(qiáng)化學(xué)習(xí)，即機(jī)器人根據(jù)環(huán)境里動作得到的懲罰和激勵去自動調(diào)整策略。通過訓(xùn)練，機(jī)器人學(xué)到一組策略：在環(huán)境狀態(tài)S下應(yīng)采取動作A，（可）能獲得最大累積獎勵V。

　　強(qiáng)化學(xué)習(xí)有豐富的交叉學(xué)科背景，包括經(jīng)濟(jì)學(xué)、工程學(xué)、神經(jīng)科學(xué)里的博弈論、優(yōu)化控制，條件反射系統(tǒng)。