深度强化学习（DRL）是人工智能研究领域中一个令人兴奋的领域，它适用于潜在的问题领域。有人认为DRL是一种人工智能方法，因为它通过探索和接收来自环境的反馈来反映人类的学习。 DRL代理人在击败人类视频游戏玩家方面的最新成功，被人工智能AlphaGo击败的著名围棋大师以及两名学习模拟学习的足球运动员的展示，都使人们对该领域充满了热情。与监督式机器学习不同，在强化学习中，研究人员通过让代理与环境互动来训练模型。当代理人的行为产生期望的结果时，它将获得积极的反馈。例如，代理人赢得游戏便获得积分或奖励。简而言之，研究人员增强了代理的良好行为。将DRL应用于非平凡问题的主要挑战之一是建立一种奖励功能，该功能可以鼓励人们期望的行为而不会产生不良副作用。当您犯错时，各种坏事都会发生，包括欺骗。 （想想奖励机器人服务员，视觉上测量房间的清洁度，只是教机器人清洁家具下的污垢。）值得注意的是，深度强化学习＆mdash;＆amp; ldquo; deep＆amp; amp; amp;＆rdquo; rdquo表示基础模型是深度神经网络-仍然是一个相对较新的领域。增强学习自1970年代或更早以来就已经存在，具体取决于您的计算方式。正如Andrej Karpathy在其2016年博客文章中指出的那样，关键的DRL研究（例如AlphaGo论文和Atari Deep Q-Learning论文）基于已经存在了一段时间的算法，但是使用深度学习代替了其他方法。近似函数。他们使用深度学习当然是我们在过去20年中看到的廉价计算能力的爆炸式增长。 DRL的承诺以及Google在2014年以5亿美元收购DeepMind的承诺，已经影响了一些希望利用这项技术的初创公司。本周，我采访了盆景的创始人马克·哈蒙德福。该公司提供了一个开发平台，用于将深度强化学习应用于各种工业用例。我还与加州大学伯克利分校的Pieter Abbeelon讨论了这个话题。从那时起，他创立了“实体情报”机构。公司，仍然是一家秘密的新兴公司，打算将VR和DRL应用于机器人技术。从杨致远，彼得？彼得·泰尔（Peter Thiel），肖恩（Sean）？在肖恩·帕克（Sean Parker）和其他知名投资者的支持下，奥萨罗（Osaro）也希望将DRL应用于工业领域。同时，人工智能正在寻找最好的传统对冲基金，并将其应用于算法交易，而DeepVu正在应对管理复杂企业供应链的挑战。随着人们对DRL的兴趣增加，我们还看到了用于培训DRL代理的新的开源工具包和环境。这些框架中的大多数实质上都是专用的仿真工具或接口。这些是当前在AI中更流行的工具：OpenAI GymOpenAI Gym是一种流行的工具箱，用于开发和比较强化学习模型。它的模拟器界面支持多种环境，包括经典的Atari游戏以及机器人和物理模拟器，例如由darpa资助的MuJoCo和Gazebo。与其他DRL工具包一样，它提供API进行反馈并向代理报告。 DeepMind LabDeepMind Labis是基于Quake III第一人称射击游戏的3D学习环境，可为学习代理提供导航和解谜任务。 DeepMind最近添加了一个新级别集合dmlab30，并介绍了其新的Impala分布式代理培训体系结构。 Psychlab的另一个DeepMind工具箱已于今年早些时候开放了其源代码，它扩展了DeepMind Lab以支持认知心理学实验，例如搜索一系列项目以查找特定目标或检测一系列项目的变化。然后研究人员可以比较人类和人工智能在这些任务上的表现。 House3D是加利福尼亚大学伯克利分校和Facebook人工智能研究人员之间的合作，可以在45,000个模拟的室内场景中模拟室内场景和家具布局。本文介绍的主要任务是“概念驱动的导航”，例如训练代理导航到房屋中的房间，并且仅提供高级描述符，例如“餐厅”。 Unity机器学习代理在AI和MLDanny Lange副总裁的领导下，游戏引擎开发商Unity正在努力将最先进的人工智能技术集成到其平台中。 2017年9月发布的Unity Machine Learning Agents是开源的Unity插件