新智元报道
新智元报道
【新智元导读】80年代，当强化学习被冷落，这对师徒没有放弃；如今，重看来时路，他们给出的建议仍然是，「坚持」住自己的科研思想。
3月5日，计算机学会（ACM）宣布Andrew Barto和Richard Sutton获得图灵奖，以表彰其在强化学习领域做出的奠基性贡献。
自从9年前AlphaGo围棋大胜，引爆全民RL狂欢，再到如今Deepseek-R1等推理模型的火热，足以证明强化学习在人工智能领域的长久影响力。
最近，Communications of the ACM发布了一段对师徒二人的采访，从强化学习的研究经历，聊到对人工智能的未来预测。
Barto侧重于多智能体协作学习，Sutton则认为AGI还需要至少几十年，但最终一定能实现，二人对AI的未来以及强化学习的应用前景都充满希望！
关于两人共同获得的100万美元图灵奖奖金，目前尚未确定具体用途。
Sutton表示可能将其份额捐赠给共同创立的Openmind研究所，给青年科学家提供「奢侈」的科研自由，让他们像自己当年那样专注探索基础性问题。
Barto则计划用奖金在马萨诸塞大学（UMass）设立研究生奖学金。
1975年的斯坦福校园里，当时还是心理学专业的本科生Richard Sutton，翻遍了图书馆里所有关于机器智能的文献，认知受到了巨大冲击。
他对主流的「模式识别」和「示例学习」观点感到失望，认为动物并不是这么学习的，而是通过某种奖励反馈机制（They do things to get rewards.）。
当时，唯一将奖励与学习联系起来的研究人员是美国空军实验室的A. Harry Klopf，认为脑细胞会主动寻求奖励。
Sutton立即决定给Klopf写信，并在1978年心理学毕业后，在马萨诸塞大学阿默斯特分校从事研究，主要工作就是测试Klopf的观点。
团队当时有一位博士后Andrew Barto，在接受空军和国家科学基金会长达五年的资助后，除了一份报告，并没有交付出任何成果。
Barto于1970年获得密歇根大学数学学士学位，1975年获得计算机科学博士学位，最终成为UMass自适应网络实验室（现为自主学习实验室）的联合主任，2012年退休。
Sutton加入实验室后，成为了Barto的第一位博士生，二人最终发展出了现代强化学习技术，奖励也是其中的核心，通过设计奖励信号来训练神经网络，让神经元顺着预期方向发展。
1984年，Sutton在马萨诸塞大学安姆斯特分校（University of Massachusetts at Amherst）获得了博士学位，直到1994年，Sutton都是GTE Laboratories的计算机和智能系统实验室的技术组的主要成员，随后又以资深研究科学家的身份回到了马萨诸塞大学安姆斯特分校。
任职期间，Barto和Sutton共同出版了《强化学习导论》，获得了超8万次引用，2018年又发行了第二版，至今仍是全球AI学子的圣经。
同时，Sutton加入AT&T Shannon Laboratory担任人工智能部门的主要技术组成员，研究方向围绕着决策者与其环境交互时所面临的学习问题，持续改进自己对世界的表征和模型的系统。
2003年之后，Sutton成了阿尔伯塔大学计算机科学系的教授和 iCORE Chair，领导着强化学习与人工智能实验室（RLAI）。
不过，说起强化学习的历史，Barto也提到，他们的思路并不新鲜。
早在1954年，人工智能先驱马文明斯基（Marvin Minsky）的博士学位论文主题就是模拟神经的强化学习系统，也是IBM计算机科学家Arthur Samuel用来训练计算机下棋的方法。
然而，到了20世纪70年代，这个想法已经过时，大多数AI研究员都在设计专家系统，Barto也庆幸自己能够保持「不合时宜」。
Barto和Sutton提出的一个关键技术是「时间差分学习」（temporal difference learning）。
比如，想教一台计算机学习下棋，奖励信号如果是赢得游戏，那中间哪些动作步骤是正确的，仍然无法确定；即时奖励可以在计算机预测一步后，反馈出离最终奖励仍然有多少距离，比如胜率是否增加。
预测随时间的变化（时间差）提供强化信号，那么在下次计算机下棋时，就可以采取那些能增加胜率的动作。
2016年，一场围棋人机大战，让强化学习广为人知，连学术圈之外的人都能聊两句「阿尔法狗」。
Google DeepMind开发的AlphaGo，最终以四胜一败击败李世乭，赛后韩国棋院授予AlphaGo为荣誉九段。
2017年，AlphaGo Master以3：0的战绩，击败了世界排名第一的围棋棋手柯洁，从此人类棋手再无一人是机器的对手。
可以说，强化学习让「围棋」死了一半。
之前的机器学习方法主要是有监督学习和无监督学习，在有监督设置下，人工标注样本给机器进行学习，样本量有限，无法适应「围棋」这种特征空间很大的情况；而无监督学习则是自动提取出有效特征，以在数据中找到结构。
这两种方法在计算中都已被证明是有用的，但都不是生物大脑的学习方式。
强化学习的思路是，当神经网络实现了一个指定目标（比如赢得棋局）时，就会获得一定数值的奖励；如果失败了，会得到一个负值奖励。
机器可以通过不断试错来学习，尝试不同的移动，最终学到了在不同场景下应该使用哪种移动方式。
此后，强化学习一路高歌猛进，不仅攻克了各种电子竞技游戏，还引发了大型语言模型的推理革命，比如OpenAI o系列、DeepSeek-R1等推理模型，已成为新的研究主流。
Barto预测人工智能领域将向多智能体强化学习（multi-agent RL）方向演进，由神经网络社群及其个体奖励系统将形成互动，这种机制可能进一步催生出协作网络，多个模型为实现共同目标而互相奖励，也可能引发持有不同目标的智能体之间的利益冲突。
此类交互将对经济学与博弈论等复杂领域产生深远影响。
Sutton则认为人工智能发展仍处于初级阶段，包括向通用人工智能（AGI）的探索，即机器能理解人类认知范围内的所有事物，Sutton坚信强化学习将在这一进程中发挥关键作用。
谈到给年轻计算机研究人员的建议，Barton倡导效仿二人的科研路，勇敢追随自己的研究兴趣，不必在意领域内其他人的看法。虽然这很困难，但你必须找到内在驱动力，并尽你最大的能力坚持下去。
Sutton则给出更具体的建议，「坚持写作」，通过文字记录来锤炼思想。
一说起计算机科学的未来，Sutton就充满信心：未来几十年内，人类将彻底破解人工智能的奥秘！这有可能是史上最伟大的智力飞跃，能为其贡献绵薄之力是我们的荣幸。
（文：新智元）