一个老鼠实验引发的革命1.1 斯金纳箱强化学习的源头1930年代心理学家斯金纳做了一个著名实验实验过程把一只老鼠放进箱子箱子里有一个杠杆老鼠偶然按压杠杆 → 食物掉出来奖励多次之后 → 老鼠主动频繁按压杠杆老鼠学会了什么按杠杆 有吃的这就是强化学习的核心思想通过尝试动作根据获得的奖励调整行为。1.2 从老鼠到AI半个世纪后这个思想启发了AI研究者如果老鼠能通过奖励学会行为机器能不能也这样学习1950年图灵提出通过奖惩机制训练机器的设想。1957年Minsky正式提出强化学习概念。二、什么是强化学习2.1 定义强化学习Reinforcement Learning, RL让智能体通过与环境交互和试错学习最优决策策略以最大化长期累积奖励。类比强化学习就像训练宠物它做对了给奖励零食做错了不给奖励。慢慢地它就学会做正确的事情。2.2 和其他机器学习方法有什么不同机器学习有三大范式类型学习方式数据特点例子有监督学习从标注数据学习映射有标准答案图像分类无监督学习从数据中发现模式无标签聚类分析强化学习通过交互和奖励学习数据来自交互过程游戏AI关键区别有监督学习老师告诉你答案这是猫无监督学习自己找规律这些图片很像强化学习环境告诉你好不好得分102.3 强化学习在学什么强化学习的目标学一套看情况做决定的策略把任何状态映射成最优动作使得长期累计奖励最大。三、强化学习的核心概念3.1 五大要素用一个例子来理解训练一个游戏AI概念游戏中的例子说明智能体Agent游戏AI决策和行动的主体环境Environment游戏世界智能体所处的外部系统状态State当前游戏画面环境在某一时刻的描述动作Action移动、攻击、跳跃智能体可执行的行为奖励Reward得分10、被击中-5环境对动作的反馈3.2 策略和价值函数策略Policy智能体选择动作的规则看到敌人就攻击血量低就逃跑价值函数Value Function评估某个状态长期能获得多少奖励当前状态很好血量高、装备好当前状态很差血量低、被包围3.3 交互循环循环过程智能体观察当前状态根据策略选择动作环境执行动作返回新状态和奖励智能体根据奖励调整策略重复...四、强化学习的高光时刻4.1 AlphaGo震惊世界时间事件2015年10月AlphaGo击败人类职业选手樊麾2016年3月AlphaGo 4:1击败李世石2017年5月AlphaGo Master 3:0击败柯洁AlphaGo的秘密使用强化学习自我对弈通过不断试错学习最优策略最终超越人类顶尖棋手4.2 DeepSeek-R1大模型的突破2025年1月DeepSeek发布DeepSeek-R1这是一个里程碑用强化学习训练大模型的推理能力。关键创新自我创建和调整的奖励系统在Math-500等基准测试中媲美OpenAI o1以极低算力成本实现顶尖性能为什么重要证明了强化学习可以让大模型学会推理而不只是预测下一个字。4.3 2025年图灵奖获奖者Richard Sutton和Andrew BartoRichard Sutton的获奖感言强化学习的本质是从经验中学习这是最自然的学习方式。五、经典算法Q-Learning5.1 什么是Q-LearningQ-Learning是强化学习最经典的入门算法1989年由Watkins提出。核心思想建立一个Q表记录每个状态-动作组合的价值。5.2 Q表是什么想象一个迷宫游戏状态动作Q 值 (价值)备注位置 A向左0.1位置 A向右0.8价值最高位置 A向上0.2位置 B向左0.9这里向左好位置 B向右-0.1智能体决策在位置A → Q表显示向右价值最高 → 选择向右在位置B → Q表显示向左价值最高 → 选择向左5.3 Q值怎么更新Q值更新公式贝尔曼方程新Q值 当前Q值 学习率 × (奖励 γ×最大未来Q值 - 当前Q值)通俗解释你以为这个动作值10分实际做了立刻得到5分加上预计未来最多能得8分所以实际应该值5813分需要更新你的认识从10分调到接近13分5.4 Q-Learning的局限Q表方法有一个致命问题状态太多时Q表存不下比如围棋状态约10^170种天文数字游戏画面像素级别的状态解决方法用神经网络代替Q表 →DQN深度Q网络六、进阶算法PPO与DPO6.1 PPO稳定高效的强化学习PPOProximal Policy Optimization是OpenAI开发的算法广泛应用于大模型训练。核心思想每次更新策略时不要改变太大保持稳定。类比学习新技能时不要一次学太多慢慢进步避免走火入魔。PPO的优点训练稳定样本效率高易于实现6.2 DPO更简单的替代方案DPODirect Preference Optimization是一种新方法不需要训练奖励模型传统RLHF流程1. 训练奖励模型RM2. 用奖励模型训练策略DPO流程直接用偏好数据优化策略一步到位为什么DPO好更简单省去RM训练更稳定减少训练步骤效果接近传统方法七、强化学习在大模型中的应用7.1 RLHF让模型更听话RLHFReinforcement Learning from Human Feedback是大模型训练的关键环节。流程模型生成多个回答人类排序这些回答训练奖励模型学习人类偏好用RL优化模型使其生成人类喜欢的回答效果减少有害内容提高回答质量使模型更符合人类价值观7.2 训练推理能力DeepSeek-R1的创新DeepSeek-R1展示了RL的新用法训练推理能力传统大模型问题只会预测下一个字缺乏逻辑推理能力DeepSeek-R1的解决方案设计推理奖励如思考步骤是否正确用RL训练模型学会推理自我创建奖励系统结果数学推理能力大幅提升代码生成质量提高接近o1模型的推理水平7.3 AlphaGo到大模型同样的思想AlphaGo和DeepSeek-R1有什么共同点对比AlphaGoDeepSeek-R1任务围棋文本推理环境棋盘语言任务奖励赢棋得分推理正确性学习方式自我对弈自我推理共同核心通过自我试错学习最优策略八、强化学习的挑战与局限8.1 训练不稳定RL训练容易出现崩溃奖励突然下降震荡忽好忽坏收敛困难原因奖励信号稀疏策略更新复杂8.2 样本效率低RL需要大量试错才能学习。AlphaGo自我对弈了数百万盘棋8.3 多样性降低Andrej Karpathy指出RL会使模型的熵降低。解释模型变得更保守、更确定可能减少创造性。8.4 RM准确性问题如果奖励模型RM判断错误模型就会学错。类比如果老师评分标准有问题学生就会学歪。九、给技术人员的启示9.1 什么时候用RL场景适合RL原因游戏AI✅ 适合有明确奖励得分大模型后训练✅ 适合人类偏好作为奖励简单分类任务❌ 不适合有监督学习更高效需要创造性的任务⚠️ 需谨慎RL可能降低多样性9.2 RLHF vs DPO选哪个方案优点缺点适用场景RLHF效果可能更好流程复杂大规模训练DPO简单高效效果可能略差快速迭代9.3 自己能实践RL吗可以开源工具Stable Baselines3经典RL算法库DeepSpeed-Chat大模型RLHF框架TRLHuggingFace的RL训练库实践建议从简单环境开始如CartPole游戏理解Q-Learning原理尝试PPO算法再进入大模型领域十、总结强化学习的本质Richard Sutton说强化学习的本质是从经验中学习这是最自然的学习方式。从斯金纳箱里的老鼠到打败围棋世界冠军的AlphaGo再到推理能力强大的DeepSeek-R1——强化学习展示了AI的一种核心学习范式不是被告知答案而是通过尝试和反馈自己学会怎么做。这正是通向更智能AI的关键路径关键时间线年份事件1930s斯金纳箱实验1950图灵提出奖惩机制设想1957Minsky提出强化学习概念1985SuttonBarto发展TD-Learning1989Watkins提出Q-Learning2013DeepMind提出DQN2016AlphaGo击败李世石2022ChatGPT使用RLHF2025DeepSeek-R1用RL训练推理2025SuttonBarto获图灵奖参考资料《Reinforcement Learning: An Introduction》- Sutton Barto经典教材AlphaGo论文Silver et al., 2016DeepSeek-R1技术报告DeepSeek, 2025InstructGPT论文OpenAI, 2022DPO论文Rafailov et al., 2023下一篇预告RAG入门——让大模型学会开卷考试合集: 从基础大模型到大模型应用系统分类: AI标签: AI免责声明本内容来自平台创作者博客园系信息发布平台仅提供信息存储空间服务。好文要顶 关注我 收藏该文 微信分享wenha粉丝 - 12 关注 - 41加关注10升级成为会员« 上一篇 大模型基础三大模型是怎么炼成的-从预训练到强化学习的完整流程» 下一篇 大模型基础五RAG入门-让大模型学会开卷考试posted 2026-05-04 07:30 wenha 阅读(188) 评论(0) 收藏 举报