Playing Atari with Deep Reinforcement Learning

Dette arbeidet kombinerte to ideer. Den ene er et dypt nevralt nettverk som kan lese pikslene på en skjerm. Den andre er forsterkende læring, en måte å lære på gjennom prøving og feiling der programmet prøver handlinger og blir belønnet eller straffet av utfallet.

Satt sammen så systemet på spillskjermen, valgte trekk som med en joystick, og lærte gjennom mange forsøk hvilke trekk som førte til høyere poengsum. Den samme tilnærmingen ble brukt på en rekke Atari-titler.

Forsterkende læring er å lære av konsekvenser. Det finnes ingen lærer som viser det riktige trekket. Programmet handler, ser resultatet, og forskyver seg gradvis mot valg som gir mer belønning over tid, omtrent som å lære et spill ved å spille det.

Det som gjorde dette bemerkelsesverdig, var at programmet kun mottok det en menneskelig spiller ser, pikslene og poengsummen, og fant ut nyttige strategier på egen hånd. Én generell metode, ikke én håndbygd bot per spill, håndterte mange spill.

Å vise at en enkelt læringsmetode kunne mestre mange spill ut fra rå inndata, antydet en vei mot mer generelle agenter som lærer ferdigheter i stedet for å få dem programmert inn.

Forsterkende læring er nå en del av hvordan moderne KI formes, inkludert måten store språkmodeller justeres på for å bli mer hjelpsomme. For byggere er denne artikkelen et tilgjengelig tidlig innblikk i agenter som lærer ved å gjøre, en idé som stadig blir viktigere.