就像Sam Altman 之前在博客文章中寫的那樣：回顧人工智能的發(fā)展，深度學(xué)習(xí)確實(shí)奏效了！現(xiàn)在強(qiáng)化學(xué)習(xí)正如火如荼，OpenAI o系列，DeepSeek R0都顯示出了強(qiáng)化學(xué)習(xí)的巨大威力，人類生成的數(shù)據(jù)推動(dòng)了人工智能的驚人進(jìn)步，但接下來會(huì)發(fā)生什么？

谷歌強(qiáng)化學(xué)習(xí)副總裁 David Silver與圖靈獎(jiǎng)獲得者，強(qiáng)化學(xué)習(xí)之父Richard Sutton最新論文《Welcome to the Era of Experience》 猶如《TheBitterLesson（苦澀的教訓(xùn)）》的續(xù)章給我們當(dāng)頭一棒：

人類數(shù)據(jù)正在見頂，經(jīng)驗(yàn)是下一個(gè)超級(jí)數(shù)據(jù)源，真正能推動(dòng)AI躍升的數(shù)據(jù)，必須隨模型變強(qiáng)而自動(dòng)增長(zhǎng)。唯一的解法：經(jīng)驗(yàn)本身

?? 經(jīng)驗(yàn)是無限的?? 經(jīng)驗(yàn)?zāi)芡黄迫祟愔R(shí)邊界?? 經(jīng)驗(yàn)流才是智能體的本地語言

Sutton 的主張很清晰：未來AI不是“提示詞+知識(shí)庫”，而是“行動(dòng)+反饋”的循環(huán)體

經(jīng)驗(yàn)時(shí)代，是AI的范式大轉(zhuǎn)折，文章說：我們正從“人類數(shù)據(jù)時(shí)代”跨入“經(jīng)驗(yàn)時(shí)代”。這不是模型升級(jí)，不是RL算法迭代，而是一種更根本的范式轉(zhuǎn)折：

→ 從模仿人類到超越人類→ 從靜態(tài)數(shù)據(jù)到動(dòng)態(tài)經(jīng)驗(yàn)→ 從監(jiān)督學(xué)習(xí)到主動(dòng)試錯(cuò)

他們喊話整個(gè)AI界：

經(jīng)驗(yàn)才是通往真正智能的鑰匙

（聲明：以上這段對(duì)《Welcome to the Era of Experience》中文總結(jié)摘自x上的一位華人@AnneXingxb，得到了Sutton本人的高度肯定，這里引用了其中一小部分）

個(gè)人覺得這篇paper ：Welcome to the Era of Experience文章非常值得一讀，中文翻譯分享給大家，英文好的建議直接讀原文

paper：

https://storage.googleapis.com/deepmind-media/Era-of-Experience%20/The%20Era%20of%20Experience%20Paper.pdf

另外谷歌強(qiáng)化學(xué)習(xí)副總裁David Silver專門針對(duì)這個(gè)話題有一期播客，大家感興趣也可以看看

觀看 → https://goo.gle/42oE0El

論文全文翻譯

歡迎來到經(jīng)驗(yàn)時(shí)代

大衛(wèi)·西爾弗，理查德·S·薩頓*

摘要

我們正站在人工智能新時(shí)代的門檻上，這個(gè)新時(shí)代有望實(shí)現(xiàn)前所未有的能力水平。新一代智能體將主要通過學(xué)習(xí)經(jīng)驗(yàn)來獲得超人類的能力。本文探討了將定義這個(gè)即將到來的時(shí)代的關(guān)鍵特征。

人類數(shù)據(jù)時(shí)代（The Era of Human Data）

近年來，人工智能（AI）通過對(duì)海量的人類生成數(shù)據(jù)進(jìn)行訓(xùn)練，并使用專家的人工示例和偏好進(jìn)行微調(diào)，取得了顯著的進(jìn)步。大型語言模型（LLM）就是這種方法的典范，它們已經(jīng)達(dá)到了廣泛的通用性水平。單個(gè)LLM現(xiàn)在可以執(zhí)行的任務(wù)范圍非常廣泛，從撰寫詩歌和解決物理問題，到診斷醫(yī)療問題和總結(jié)法律文件，無所不能。

然而，雖然模仿人類足以在一定程度上復(fù)現(xiàn)許多人類能力，但僅靠這種方法不太可能在許多重要的主題和任務(wù)上實(shí)現(xiàn)超人類智能。在數(shù)學(xué)、編程和科學(xué)等關(guān)鍵領(lǐng)域，從人類數(shù)據(jù)中提取的知識(shí)正迅速接近極限。大多數(shù)高質(zhì)量的數(shù)據(jù)來源——那些實(shí)際上可以提高強(qiáng)大智能體性能的數(shù)據(jù)——要么已經(jīng)被消耗殆盡，要么很快就會(huì)被消耗殆盡。僅僅依靠人類數(shù)據(jù)的監(jiān)督學(xué)習(xí)來驅(qū)動(dòng)進(jìn)步的步伐正在明顯放緩，這預(yù)示著我們需要一種新的方法。此外，有價(jià)值的新見解，例如新的定理、技術(shù)或科學(xué)突破，都存在于當(dāng)前人類理解的邊界之外，無法通過現(xiàn)有的人類數(shù)據(jù)捕捉到。

經(jīng)驗(yàn)時(shí)代（The Era of Experience）

為了取得更顯著的進(jìn)步，我們需要一種新的數(shù)據(jù)來源。這種數(shù)據(jù)必須以這樣一種方式生成：隨著智能體變得更強(qiáng)大，數(shù)據(jù)也能不斷改進(jìn)；任何用于合成生成數(shù)據(jù)的靜態(tài)程序都會(huì)很快變得過時(shí)。這可以通過讓智能體不斷從自身經(jīng)驗(yàn)中學(xué)習(xí)來實(shí)現(xiàn)，即通過智能體與其環(huán)境互動(dòng)所產(chǎn)生的數(shù)據(jù)。人工智能正處于一個(gè)新時(shí)代的風(fēng)口浪尖，在這個(gè)時(shí)代，經(jīng)驗(yàn)將成為改進(jìn)的主要媒介，并最終使今天系統(tǒng)中使用的以人類數(shù)據(jù)為主的數(shù)據(jù)規(guī)模相形見絀。

這種轉(zhuǎn)變可能已經(jīng)開始，甚至對(duì)于那些以人類為中心的人工智能的代表——大型語言模型來說也是如此。數(shù)學(xué)能力就是一個(gè)例子。AlphaProof 最近成為首個(gè)在國(guó)際數(shù)學(xué)奧林匹克競(jìng)賽中獲得獎(jiǎng)牌的程序，超越了以人類為中心的方法的表現(xiàn)。最初接觸了大約十萬個(gè)由人類數(shù)學(xué)家多年創(chuàng)建的形式化證明后，AlphaProof的強(qiáng)化學(xué)習(xí)（RL）算法1 隨后通過與形式化證明系統(tǒng)的持續(xù)互動(dòng)，生成了數(shù)億個(gè)證明。這種對(duì)互動(dòng)經(jīng)驗(yàn)的關(guān)注使得AlphaProof能夠探索超越預(yù)先存在的形式化證明范圍的數(shù)學(xué)可能性，從而發(fā)現(xiàn)新穎且具有挑戰(zhàn)性的問題的解決方案。非形式化數(shù)學(xué)也通過用自生成數(shù)據(jù)取代專家生成數(shù)據(jù)而取得了成功；例如，DeepSeek 最近的工作“強(qiáng)調(diào)了強(qiáng)化學(xué)習(xí)的力量和美妙之處：我們沒有明確地教模型如何解決問題，而是簡(jiǎn)單地提供了正確的激勵(lì)，它就自主地發(fā)展出了先進(jìn)的問題解決策略?！?/span>

我們認(rèn)為，一旦充分發(fā)揮經(jīng)驗(yàn)學(xué)習(xí)的潛力，不可思議的新能力將會(huì)涌現(xiàn)。經(jīng)驗(yàn)時(shí)代的特征很可能是智能體和環(huán)境，除了從海量的經(jīng)驗(yàn)數(shù)據(jù)中學(xué)習(xí)之外，它們還將在以下幾個(gè)方面突破以人類為中心的人工智能系統(tǒng)的局限性：

? 智能體將棲息于經(jīng)驗(yàn)流之中，而不是短暫的互動(dòng)片段。

? 它們的行動(dòng)和觀察將深深扎根于環(huán)境之中，而不是僅僅通過人類對(duì)話進(jìn)行互動(dòng)。

? 它們的獎(jiǎng)勵(lì)將扎根于它們對(duì)環(huán)境的體驗(yàn)，而不是來自人類的先入為主的判斷。

? 它們將計(jì)劃和/或推理經(jīng)驗(yàn)，而不是僅僅以人類的術(shù)語進(jìn)行推理。

我們相信，今天的技術(shù)，只要采用適當(dāng)選擇的算法，就已經(jīng)提供了足夠強(qiáng)大的基礎(chǔ)來實(shí)現(xiàn)這些突破。此外，人工智能界對(duì)這一議程的追求將激發(fā)這些方向的新創(chuàng)新，從而迅速推動(dòng)人工智能朝著真正的超人類智能發(fā)展。

經(jīng)驗(yàn)流（Streams）

一個(gè)經(jīng)驗(yàn)型智能體可以在一生中持續(xù)學(xué)習(xí)。在人類數(shù)據(jù)時(shí)代，基于語言的人工智能主要關(guān)注于短期的互動(dòng)片段：例如，用戶提出一個(gè)問題，智能體（可能在經(jīng)過幾個(gè)思考步驟或工具使用動(dòng)作后）做出回應(yīng)。通常，幾乎沒有或根本沒有信息從一個(gè)片段傳遞到下一個(gè)片段，從而排除了任何隨時(shí)間推移的適應(yīng)性。此外，智能體的目標(biāo)完全是在當(dāng)前片段內(nèi)獲得結(jié)果，例如直接回答用戶的問題。相比之下，人類（和其他動(dòng)物）存在于一個(gè)持續(xù)多年的行動(dòng)和觀察流之中。信息在整個(gè)信息流中傳遞，它們的行為會(huì)根據(jù)過去的經(jīng)驗(yàn)進(jìn)行調(diào)整，以自我糾正和改進(jìn)。此外，目標(biāo)可以用在信息流的未來中延伸很遠(yuǎn)的行動(dòng)和觀察來指定。例如，人類可以選擇采取行動(dòng)來實(shí)現(xiàn)長(zhǎng)期目標(biāo)，例如改善他們的健康狀況、學(xué)習(xí)一門語言或取得科學(xué)突破。

強(qiáng)大的智能體應(yīng)該擁有像人類一樣，在較長(zhǎng)時(shí)間尺度上推進(jìn)的自身經(jīng)驗(yàn)流。這將使智能體能夠采取行動(dòng)來實(shí)現(xiàn)未來目標(biāo)，并隨著時(shí)間的推移不斷適應(yīng)新的行為模式。例如，一個(gè)連接到用戶可穿戴設(shè)備的健康和保健智能體可以監(jiān)測(cè)用戶數(shù)月的睡眠模式、活動(dòng)水平和飲食習(xí)慣。然后，它可以提供個(gè)性化的建議、鼓勵(lì)，并根據(jù)長(zhǎng)期趨勢(shì)和用戶的具體健康目標(biāo)調(diào)整其指導(dǎo)。同樣，一個(gè)個(gè)性化的教育智能體可以跟蹤用戶在學(xué)習(xí)新語言方面的進(jìn)展，識(shí)別知識(shí)差距，適應(yīng)他們的學(xué)習(xí)風(fēng)格，并在數(shù)月甚至數(shù)年的時(shí)間里調(diào)整其教學(xué)方法。此外，一個(gè)科學(xué)智能體可以追求雄心勃勃的目標(biāo)，例如發(fā)現(xiàn)一種新材料或減少二氧化碳。這樣的智能體可以在較長(zhǎng)的時(shí)間范圍內(nèi)分析真實(shí)世界的觀察結(jié)果，開發(fā)和運(yùn)行模擬，并提出真實(shí)世界的實(shí)驗(yàn)或干預(yù)措施。

在每種情況下，智能體都會(huì)采取一系列步驟，以便最大限度地提高相對(duì)于指定目標(biāo)的長(zhǎng)期成功率。單個(gè)步驟可能不會(huì)提供任何即時(shí)利益，甚至可能在短期內(nèi)有害，但從總體上看，可能有助于更長(zhǎng)期的成功。這與當(dāng)前的AI系統(tǒng)形成鮮明對(duì)比，后者提供對(duì)請(qǐng)求的即時(shí)響應(yīng)，而沒有任何能力來衡量或優(yōu)化其行為對(duì)環(huán)境的未來影響。

行動(dòng)和觀察（Actions and Observations）

經(jīng)驗(yàn)時(shí)代的智能體將在真實(shí)世界中自主行動(dòng)。人類數(shù)據(jù)時(shí)代的LLM主要關(guān)注于人類特權(quán)的行動(dòng)和觀察，這些行動(dòng)和觀察將文本輸出給用戶，并將用戶的文本輸入回智能體。這與自然智能截然不同，在自然智能中，動(dòng)物通過運(yùn)動(dòng)控制和傳感器與環(huán)境互動(dòng)。雖然動(dòng)物，尤其是人類，可能會(huì)與其他動(dòng)物交流，但這通過與其他感覺運(yùn)動(dòng)控制相同的界面發(fā)生，而不是通過特權(quán)通道。

人們?cè)缇驼J(rèn)識(shí)到，LLM也可以在數(shù)字世界中調(diào)用行動(dòng)，例如通過調(diào)用API（例如，參見 ）。最初，這些能力主要來自人類的工具使用示例，而不是來自智能體的經(jīng)驗(yàn)。然而，編碼和工具使用能力越來越多地建立在執(zhí)行反饋之上 ，在這些情況下，智能體實(shí)際上運(yùn)行代碼并觀察發(fā)生了什么。最近，新一波原型智能體已經(jīng)開始以更通用的方式與計(jì)算機(jī)互動(dòng)，使用與人類操作計(jì)算機(jī)相同的界面 。這些變化預(yù)示著從完全以人類特權(quán)為中心的交流，到更加自主的互動(dòng)的轉(zhuǎn)變，在這種互動(dòng)中，智能體能夠獨(dú)立地在世界中行動(dòng)。這樣的智能體將能夠積極探索世界，適應(yīng)不斷變化的環(huán)境，并發(fā)現(xiàn)人類可能永遠(yuǎn)不會(huì)想到的策略。

這些更豐富的互動(dòng)將提供一種自主理解和控制數(shù)字世界的方法。智能體可以使用“人類友好的”行動(dòng)和觀察，例如用戶界面，這自然有助于與用戶進(jìn)行溝通和協(xié)作。智能體也可以采取“機(jī)器友好的”行動(dòng)，執(zhí)行代碼和調(diào)用API，從而使智能體能夠自主地為其目標(biāo)服務(wù)。在經(jīng)驗(yàn)時(shí)代，智能體還將通過數(shù)字接口與真實(shí)世界互動(dòng)。例如，一個(gè)科學(xué)智能體可以監(jiān)測(cè)環(huán)境傳感器，遠(yuǎn)程操作望遠(yuǎn)鏡，或控制實(shí)驗(yàn)室中的機(jī)械臂以自主進(jìn)行實(shí)驗(yàn)。

獎(jiǎng)勵(lì)（Rewards）

如果經(jīng)驗(yàn)型智能體可以從外部事件和信號(hào)中學(xué)習(xí)，而不僅僅是人類的偏好呢？

以人為中心的大型語言模型通?；谌祟惖南热霝橹鞯呐袛鄟韮?yōu)化獎(jiǎng)勵(lì)：專家觀察智能體的行動(dòng)，并決定這是一個(gè)好的行動(dòng)，還是在多個(gè)備選方案中選擇最佳的智能體行動(dòng)。例如，專家可能會(huì)評(píng)判健康智能體的建議、教育助手的教學(xué)或科學(xué)智能體提出的實(shí)驗(yàn)。這些獎(jiǎng)勵(lì)或偏好是由人類在不考慮后果的情況下決定的，而不是衡量這些行動(dòng)對(duì)環(huán)境的影響，這意味著它們并非直接扎根于現(xiàn)實(shí)世界。以這種方式依賴人類的先入為主的判斷通常會(huì)導(dǎo)致智能體性能達(dá)到難以逾越的瓶頸：智能體無法發(fā)現(xiàn)人類評(píng)估者未曾賞識(shí)的更佳策略。為了發(fā)現(xiàn)遠(yuǎn)遠(yuǎn)超出既有的人類知識(shí)的新想法，必須使用扎根的獎(jiǎng)勵(lì)：即來自環(huán)境本身的信號(hào)。例如，一個(gè)健康助手可以將用戶的健康目標(biāo)扎根于基于休息心率、睡眠時(shí)長(zhǎng)和活動(dòng)水平等信號(hào)的獎(jiǎng)勵(lì)中，而一個(gè)教育助手可以使用考試成績(jī)來為語言學(xué)習(xí)提供扎根的獎(jiǎng)勵(lì)。同樣，一個(gè)以減少全球變暖為目標(biāo)的科學(xué)智能體可以使用基于二氧化碳水平的經(jīng)驗(yàn)觀察的獎(jiǎng)勵(lì)，而一個(gè)以發(fā)現(xiàn)更強(qiáng)材料為目標(biāo)的智能體可以使用來自材料模擬器的多種測(cè)量的組合來扎根獎(jiǎng)勵(lì)，例如抗拉強(qiáng)度或楊氏模量。

扎根的獎(jiǎng)勵(lì)可能來自作為智能體環(huán)境一部分的人類2。例如，人類用戶可以報(bào)告他們是否覺得蛋糕美味、運(yùn)動(dòng)后有多疲勞或頭痛的疼痛程度，從而使助手智能體能夠提供更好的食譜、改進(jìn)其健身建議或改善其推薦的藥物。這些獎(jiǎng)勵(lì)衡量了智能體行動(dòng)在其環(huán)境中的后果，并且最終應(yīng)能帶來比人類專家預(yù)先判斷蛋糕食譜、鍛煉計(jì)劃或治療方案更好的幫助。

如果獎(jiǎng)勵(lì)不是來自人類數(shù)據(jù)，而是來自哪里呢？一旦智能體通過豐富的行動(dòng)和觀察空間（見上文）連接到世界，就會(huì)有無窮無盡的扎根信號(hào)來為獎(jiǎng)勵(lì)提供基礎(chǔ)。事實(shí)上，世界充斥著各種各樣的量化指標(biāo)，例如成本、錯(cuò)誤率、饑餓感、生產(chǎn)力、健康指標(biāo)、氣候指標(biāo)、利潤(rùn)、銷售額、考試成績(jī)、成功率、訪問量、產(chǎn)量、股票、點(diǎn)贊數(shù)、收入、快樂/痛苦、經(jīng)濟(jì)指標(biāo)、準(zhǔn)確率、功率、距離、速度、效率或能源消耗。此外，還有無數(shù)額外的信號(hào)來自特定事件的發(fā)生，或來自從原始觀察和行動(dòng)序列中提取的特征。

原則上，人們可以創(chuàng)建各種不同的智能體，每個(gè)智能體都優(yōu)化一個(gè)扎根的信號(hào)作為其獎(jiǎng)勵(lì)。有一種觀點(diǎn)認(rèn)為，即使是單個(gè)這樣的獎(jiǎng)勵(lì)信號(hào)，如果以極高的效率進(jìn)行優(yōu)化，也可能足以誘導(dǎo)出廣泛的能力智能 3。這是因?yàn)?，在一個(gè)復(fù)雜的環(huán)境中，實(shí)現(xiàn)一個(gè)簡(jiǎn)單的目標(biāo)往往需要掌握各種各樣的技能。

然而，追求單一獎(jiǎng)勵(lì)信號(hào)表面上似乎不符合通用人工智能的要求，即能夠可靠地引導(dǎo)人工智能朝著任意用戶期望的行為發(fā)展。那么，自主優(yōu)化扎根的、非人類的獎(jiǎng)勵(lì)信號(hào)是否與現(xiàn)代人工智能系統(tǒng)的要求背道而馳呢？我們認(rèn)為情況并非一定如此，我們?cè)诖斯蠢粘鲆环N可能滿足這些要求的方法；其他方法也可能是可行的。

這個(gè)想法是根據(jù)用戶的引導(dǎo)，靈活地調(diào)整基于扎根信號(hào)的獎(jiǎng)勵(lì)。例如，獎(jiǎng)勵(lì)函數(shù)可以由一個(gè)神經(jīng)網(wǎng)絡(luò)定義，該網(wǎng)絡(luò)將智能體與用戶和環(huán)境的互動(dòng)作為輸入，并輸出一個(gè)標(biāo)量獎(jiǎng)勵(lì)。這使得獎(jiǎng)勵(lì)能夠以取決于用戶目標(biāo)的方式，選擇或組合來自環(huán)境的信號(hào)。例如，用戶可以指定一個(gè)廣泛的目標(biāo)，例如“改善我的健康狀況”，獎(jiǎng)勵(lì)函數(shù)可能會(huì)返回一個(gè)關(guān)于用戶心率、睡眠時(shí)長(zhǎng)和步數(shù)的函數(shù)?；蛘哂脩艨梢灾付ㄒ粋€(gè)“幫助我學(xué)習(xí)西班牙語”的目標(biāo)，獎(jiǎng)勵(lì)函數(shù)可以返回用戶的西班牙語考試成績(jī)。

此外，用戶可以在學(xué)習(xí)過程中提供反饋，例如他們的滿意度，這可以用來微調(diào)獎(jiǎng)勵(lì)函數(shù)。然后，獎(jiǎng)勵(lì)函數(shù)可以隨著時(shí)間的推移進(jìn)行調(diào)整，以改進(jìn)其選擇或組合信號(hào)的方式，并識(shí)別和糾正任何偏差。這也可以理解為一個(gè)雙層優(yōu)化過程，將用戶反饋?zhàn)鳛轫攲幽繕?biāo)進(jìn)行優(yōu)化，并將來自環(huán)境的扎根信號(hào)在底層進(jìn)行優(yōu)化。通過這種方式，少量的的人類數(shù)據(jù)可以促進(jìn)大量的自主學(xué)習(xí)。

經(jīng)驗(yàn)和人類數(shù)據(jù)并非完全對(duì)立。例如，狗完全通過經(jīng)驗(yàn)學(xué)習(xí)，但人類互動(dòng)是其經(jīng)驗(yàn)的一部分。

獎(jiǎng)勵(lì)即足夠假設(shè)認(rèn)為，智能以及與其相關(guān)的能力，可以自然而然地從獎(jiǎng)勵(lì)最大化中涌現(xiàn)出來。這可能包括包含人類互動(dòng)和基于人類反饋的獎(jiǎng)勵(lì)的環(huán)境。

在這種情況下，人們也可以將扎根的人類反饋視為形成智能體總體目標(biāo)的單一獎(jiǎng)勵(lì)函數(shù)，該目標(biāo)通過構(gòu)建和優(yōu)化基于豐富的、扎根的反饋的內(nèi)在獎(jiǎng)勵(lì)函數(shù) 來最大化。

計(jì)劃和推理（Planning and Reasoning）

經(jīng)驗(yàn)時(shí)代是否會(huì)改變智能體計(jì)劃和推理的方式？最近，在使用大型語言模型進(jìn)行推理或“思考”方面取得了顯著進(jìn)展 ，方法是遵循思維鏈，然后再輸出響應(yīng) 。從概念上講，大型語言模型可以充當(dāng)通用計(jì)算機(jī) ：大型語言模型可以將token附加到自己的上下文中，從而使其能夠在輸出最終結(jié)果之前執(zhí)行任意算法。在人類數(shù)據(jù)時(shí)代，這些推理方法被明確設(shè)計(jì)為模仿人類的思維過程。例如，大型語言模型已被提示發(fā)出類似人類的思維鏈 、模仿人類思維的痕跡 、或加強(qiáng)與人類示例相匹配的思維步驟 。推理過程可以進(jìn)一步微調(diào)，以產(chǎn)生與正確答案相匹配的思維痕跡，這是由人類專家確定的 。

然而，人類語言極不可能提供通用計(jì)算機(jī)的最佳實(shí)例。更有效的思維機(jī)制肯定存在，它們使用非人類語言，例如，這些語言可能利用符號(hào)、分布式、連續(xù)或可微分的計(jì)算。原則上，一個(gè)自學(xué)習(xí)系統(tǒng)可以通過從經(jīng)驗(yàn)中學(xué)習(xí)如何思考來發(fā)現(xiàn)或改進(jìn)這些方法。例如，AlphaProof 以一種與人類數(shù)學(xué)家截然不同的方式學(xué)習(xí)正式證明復(fù)雜的定理 。

此外，通用計(jì)算機(jī)的原則僅解決了智能體的內(nèi)部計(jì)算；它沒有將其與外部世界的現(xiàn)實(shí)聯(lián)系起來。一個(gè)被訓(xùn)練來模仿人類思想甚至匹配人類專家答案的智能體，可能會(huì)繼承深深嵌入在數(shù)據(jù)中的謬誤思維方法，例如有缺陷的假設(shè)或內(nèi)在的偏見。例如，如果一個(gè)智能體接受了使用 5000 年前的人類思想和專家答案進(jìn)行推理的訓(xùn)練，它可能會(huì)以萬物有靈論的方式推理物理問題；1000 年前，它可能以有神論的方式推理；300 年前，它可能以牛頓力學(xué)的方式推理；而 50 年前，它可能以量子力學(xué)的方式推理。超越每一種思維方法都需要與現(xiàn)實(shí)世界互動(dòng)：做出假設(shè)、進(jìn)行實(shí)驗(yàn)、觀察結(jié)果并相應(yīng)地更新原則。同樣，智能體必須扎根于真實(shí)世界的數(shù)據(jù)中，才能推翻謬誤的思維方法。這種扎根提供了一個(gè)反饋循環(huán)，使智能體能夠根據(jù)現(xiàn)實(shí)檢驗(yàn)其繼承的假設(shè)，并發(fā)現(xiàn)不受當(dāng)前主流人類思維模式限制的新原則。如果沒有這種扎根，無論智能體多么復(fù)雜，都將成為現(xiàn)有的人類知識(shí)的回音室。為了超越這一點(diǎn)，智能體必須積極地與世界互動(dòng)，收集觀察數(shù)據(jù)，并利用這些數(shù)據(jù)迭代地改進(jìn)它們的理解，這在許多方面反映了驅(qū)動(dòng)人類科學(xué)進(jìn)步的過程。

一種將思維直接扎根于外部世界的可行方法是構(gòu)建一個(gè)世界模型 ，該模型預(yù)測(cè)智能體的行動(dòng)對(duì)世界的影響，包括預(yù)測(cè)獎(jiǎng)勵(lì)。例如，一個(gè)健康助手可能會(huì)考慮為當(dāng)?shù)亟∩矸炕蚪】挡タ吞岢鼋ㄗh。智能體的世界模型可能會(huì)預(yù)測(cè)用戶的心率或睡眠模式在采取此行動(dòng)后可能會(huì)發(fā)生怎樣的變化，以及預(yù)測(cè)與用戶的未來對(duì)話。這使得智能體能夠直接根據(jù)自身的行動(dòng)及其對(duì)世界的因果效應(yīng)進(jìn)行計(jì)劃 。隨著智能體在其經(jīng)驗(yàn)流中不斷與世界互動(dòng)，其動(dòng)態(tài)模型會(huì)不斷更新，以糾正其預(yù)測(cè)中的任何錯(cuò)誤。給定一個(gè)世界模型，智能體可以應(yīng)用可擴(kuò)展的計(jì)劃方法來提高智能體的預(yù)測(cè)性能。

計(jì)劃和推理方法并非相互排斥：智能體可以在計(jì)劃過程中應(yīng)用內(nèi)部LLM計(jì)算來選擇每個(gè)行動(dòng)，或者模擬和評(píng)估這些行動(dòng)的后果。

為何是現(xiàn)在？（why now）

從經(jīng)驗(yàn)中學(xué)習(xí)并非新鮮事物。強(qiáng)化學(xué)習(xí)系統(tǒng)先前已經(jīng)掌握了大量復(fù)雜的任務(wù)，這些任務(wù)在一個(gè)具有明確獎(jiǎng)勵(lì)信號(hào)的模擬器中得到表示（例如，大致上，圖  中的“模擬時(shí)代”）。

例如，強(qiáng)化學(xué)習(xí)方法在諸如雙陸棋 、圍棋 、國(guó)際象棋 、撲克 和策略棋 等棋盤游戲；諸如 Atari 、星際爭(zhēng)霸 II 、Dota 2 和 Gran Turismo 等電子游戲；靈巧的操縱任務(wù)，如魔方 ；以及資源管理任務(wù)，如數(shù)據(jù)中心冷卻 等方面，都達(dá)到了或超過了人類的水平。此外，諸如 AlphaZero 等強(qiáng)大的強(qiáng)化學(xué)習(xí)智能體，在神經(jīng)網(wǎng)絡(luò)規(guī)模、互動(dòng)經(jīng)驗(yàn)的數(shù)量和思考時(shí)間方面，都表現(xiàn)出令人印象深刻且可能無限的可擴(kuò)展性。然而，基于這種范式的智能體并沒有跨越從模擬（具有單一、精確定義的獎(jiǎng)勵(lì)的封閉問題）到現(xiàn)實(shí)（具有多種看似定義不清的獎(jiǎng)勵(lì)的開放式問題）的鴻溝。

人類數(shù)據(jù)時(shí)代提供了一個(gè)有吸引力的解決方案。海量的人類數(shù)據(jù)語料庫包含了針對(duì)各種各樣任務(wù)的自然語言示例。與模擬時(shí)代相對(duì)狹隘的成功相比，在此數(shù)據(jù)上訓(xùn)練的智能體實(shí)現(xiàn)了廣泛的能力。因此，體驗(yàn)式強(qiáng)化學(xué)習(xí)的方法在很大程度上被拋棄，轉(zhuǎn)而支持更通用的智能體，從而導(dǎo)致了向以人為中心的人工智能的廣泛轉(zhuǎn)型。

然而，在這種轉(zhuǎn)變中，有些東西丟失了：智能體自我發(fā)現(xiàn)知識(shí)的能力。例如，AlphaZero 為國(guó)際象棋和圍棋發(fā)現(xiàn)了全新的策略，改變了人類玩這些游戲的方式 。經(jīng)驗(yàn)時(shí)代將調(diào)和這種能力與人類數(shù)據(jù)時(shí)代所實(shí)現(xiàn)的任務(wù)通用性水平。正如上文概述，當(dāng)智能體能夠在真實(shí)世界經(jīng)驗(yàn)流中自主行動(dòng)和觀察 ，并且獎(jiǎng)勵(lì)可以靈活地連接到大量扎根的真實(shí)世界信號(hào)中的任何一個(gè)時(shí)，這將成為可能。能夠與復(fù)雜的真實(shí)世界行動(dòng)空間 互動(dòng)的自主智能體的出現(xiàn)，以及能夠解決豐富推理空間 中開放式問題的強(qiáng)大強(qiáng)化學(xué)習(xí)方法的出現(xiàn)，表明向經(jīng)驗(yàn)時(shí)代的過渡迫在眉睫。

強(qiáng)化學(xué)習(xí)方法（Reinforcement Learning Methods）

強(qiáng)化學(xué)習(xí)（RL）有著悠久的歷史，它深深扎根于自主學(xué)習(xí)，在這種學(xué)習(xí)模式中，智能體通過與環(huán)境的直接互動(dòng)來自主學(xué)習(xí)。早期的強(qiáng)化學(xué)習(xí)研究產(chǎn)生了一系列強(qiáng)大的概念和算法。例如，時(shí)序差分學(xué)習(xí) 使智能體能夠估計(jì)未來獎(jiǎng)勵(lì)，從而在雙陸棋 等游戲中取得了超人類的表現(xiàn)。探索技術(shù)，由樂觀或好奇心驅(qū)動(dòng)，被開發(fā)出來以幫助智能體發(fā)現(xiàn)創(chuàng)造性的新行為，并避免陷入次優(yōu)的例行程序 。像 Dyna 算法這樣的方法使智能體能夠構(gòu)建和學(xué)習(xí)其世界模型，從而使它們能夠計(jì)劃和推理未來的行動(dòng) 。諸如選項(xiàng)和選項(xiàng)間/選項(xiàng)內(nèi)學(xué)習(xí)等概念促進(jìn)了時(shí)間抽象，使智能體能夠推理更長(zhǎng)的時(shí)間尺度，并將復(fù)雜的任務(wù)分解為可管理的子目標(biāo) 。

然而，以人為中心的大型語言模型的興起，將焦點(diǎn)從自主學(xué)習(xí)轉(zhuǎn)移到利用人類知識(shí)。諸如 RLHF（從人類反饋中強(qiáng)化學(xué)習(xí)） 等技術(shù)以及將語言模型與人類推理對(duì)齊的方法 被證明非常有效，推動(dòng)了人工智能能力的快速進(jìn)步。這些方法雖然強(qiáng)大，但經(jīng)常繞過核心強(qiáng)化學(xué)習(xí)概念：RLHF 通過調(diào)用人類專家來代替機(jī)器估計(jì)的價(jià)值函數(shù)，從而繞過了對(duì)價(jià)值函數(shù)的需求；來自人類數(shù)據(jù)的強(qiáng)大先驗(yàn)知識(shí)減少了對(duì)探索的依賴；而以人類為中心的術(shù)語進(jìn)行推理則減少了對(duì)世界模型和時(shí)間抽象的需求。

然而，可以認(rèn)為范式的轉(zhuǎn)變已經(jīng)將嬰兒和洗澡水一起倒掉了。雖然以人為中心的強(qiáng)化學(xué)習(xí)實(shí)現(xiàn)了前所未有的行為廣度，但它也對(duì)智能體的性能施加了新的上限：智能體無法超越現(xiàn)有的人類知識(shí)。此外，人類數(shù)據(jù)時(shí)代主要關(guān)注于為短暫的、無根基的人類互動(dòng)片段而設(shè)計(jì)的強(qiáng)化學(xué)習(xí)方法，并且不適用于長(zhǎng)時(shí)間的、有根基的自主互動(dòng)流。

經(jīng)驗(yàn)時(shí)代提供了一個(gè)重新審視和改進(jìn)經(jīng)典強(qiáng)化學(xué)習(xí)概念的機(jī)會(huì)。這個(gè)時(shí)代將帶來思考獎(jiǎng)勵(lì)函數(shù)的新方法，這些獎(jiǎng)勵(lì)函數(shù)可以靈活地扎根于觀察數(shù)據(jù)中。它將重新審視價(jià)值函數(shù)和從尚未完成的序列中估計(jì)價(jià)值函數(shù)的方法。它將帶來有原則且實(shí)用的真實(shí)世界探索方法，這些方法可以發(fā)現(xiàn)與人類先驗(yàn)知識(shí)截然不同的新行為。將開發(fā)出捕捉扎根互動(dòng)復(fù)雜性的世界模型的新方法。時(shí)間抽象的新方法將使智能體能夠根據(jù)經(jīng)驗(yàn)，在更長(zhǎng)的時(shí)間范圍內(nèi)進(jìn)行推理。通過建立在強(qiáng)化學(xué)習(xí)的基礎(chǔ)上，并使其核心原則適應(yīng)這個(gè)新時(shí)代的挑戰(zhàn)，我們可以釋放自主學(xué)習(xí)的全部潛力，并為實(shí)現(xiàn)真正的超人類智能鋪平道路。

后果（Consequences）

經(jīng)驗(yàn)時(shí)代的到來，人工智能智能體將通過與世界的互動(dòng)進(jìn)行學(xué)習(xí)，這預(yù)示著一個(gè)與我們之前所見截然不同的未來。這種新的范式在提供巨大潛力的同時(shí)，也帶來了重要的風(fēng)險(xiǎn)和挑戰(zhàn)，需要認(rèn)真考慮，包括但不限于以下幾點(diǎn)。

從積極的方面來看，經(jīng)驗(yàn)學(xué)習(xí)將釋放前所未有的能力。在日常生活中，個(gè)性化助手將利用持續(xù)的經(jīng)驗(yàn)流，在數(shù)月或數(shù)年的時(shí)間里，根據(jù)個(gè)人的健康、教育或職業(yè)需求，朝著長(zhǎng)期目標(biāo)進(jìn)行調(diào)整。也許最具變革意義的將是科學(xué)發(fā)現(xiàn)的加速。人工智能智能體將在材料科學(xué)、醫(yī)學(xué)或硬件設(shè)計(jì)等領(lǐng)域自主設(shè)計(jì)和進(jìn)行實(shí)驗(yàn)。通過不斷從自身實(shí)驗(yàn)的結(jié)果中學(xué)習(xí)，這些智能體可以迅速探索新的知識(shí)前沿，從而以前所未有的速度開發(fā)出新型材料、藥物和技術(shù)。

然而，這個(gè)新時(shí)代也帶來了重大且新穎的挑戰(zhàn)。雖然能力的提升有望提高生產(chǎn)力，但這些改進(jìn)也可能導(dǎo)致工作崗位流失。智能體甚至可能展現(xiàn)出以前被認(rèn)為是人類獨(dú)有的能力，例如長(zhǎng)期問題解決、創(chuàng)新以及對(duì)真實(shí)世界后果的深刻理解。

此外，雖然圍繞任何人工智能的潛在濫用都存在普遍擔(dān)憂，但能夠長(zhǎng)時(shí)間自主地與世界互動(dòng)以實(shí)現(xiàn)長(zhǎng)期目標(biāo)的智能體，可能會(huì)帶來更高的風(fēng)險(xiǎn)。默認(rèn)情況下，這為人類干預(yù)和調(diào)解智能體的行動(dòng)提供了更少的機(jī)會(huì)，因此需要更高的信任和責(zé)任門檻。遠(yuǎn)離人類數(shù)據(jù)和人類思維模式也可能使未來的AI系統(tǒng)更難以解釋。

然而，雖然我們承認(rèn)經(jīng)驗(yàn)學(xué)習(xí)將增加某些安全風(fēng)險(xiǎn)，并且肯定需要進(jìn)一步研究以確保向經(jīng)驗(yàn)時(shí)代的平穩(wěn)過渡，但我們也應(yīng)該認(rèn)識(shí)到，它也可能提供一些重要的安全益處。

首先，經(jīng)驗(yàn)型智能體意識(shí)到它所處的環(huán)境，并且它的行為可以隨著時(shí)間的推移適應(yīng)環(huán)境的變化。任何預(yù)先編程的系統(tǒng)，包括固定的AI系統(tǒng)，都可能意識(shí)不到其環(huán)境背景，并變得不適應(yīng)其所部署的不斷變化的世界。例如，關(guān)鍵的硬件部件可能會(huì)發(fā)生故障，流行病可能會(huì)導(dǎo)致社會(huì)快速變化，或者新的科學(xué)發(fā)現(xiàn)可能會(huì)引發(fā)一連串快速的技術(shù)發(fā)展。相比之下，經(jīng)驗(yàn)型智能體可以觀察和學(xué)習(xí)如何規(guī)避故障硬件，適應(yīng)快速的社會(huì)變化，或擁抱并建立在新的科學(xué)和技術(shù)之上。也許更重要的是，智能體可以識(shí)別出當(dāng)它的行為引發(fā)人類的擔(dān)憂、不滿或痛苦時(shí)，并自適應(yīng)地修改其行為以避免這些負(fù)面后果。

其次，智能體的獎(jiǎng)勵(lì)函數(shù)本身可以通過經(jīng)驗(yàn)來調(diào)整，例如使用前面描述的雙層優(yōu)化（參見“獎(jiǎng)勵(lì)”部分）。重要的是，這意味著，有偏差的獎(jiǎng)勵(lì)函數(shù)通?？梢酝ㄟ^反復(fù)試驗(yàn)隨著時(shí)間的推移逐步糾正。例如，與其盲目地優(yōu)化諸如最大化紙夾 之類的信號(hào)，不如在紙夾生產(chǎn)消耗地球所有資源之前，根據(jù)人類關(guān)注的跡象修改獎(jiǎng)勵(lì)函數(shù)。這類似于人類為彼此設(shè)定目標(biāo)的方式，然后如果他們觀察到人們玩弄系統(tǒng)、忽視長(zhǎng)期福祉或造成不良的負(fù)面后果，則調(diào)整這些目標(biāo)；盡管也像人類目標(biāo)設(shè)定一樣，無法保證完全對(duì)齊。

最后，依賴物理經(jīng)驗(yàn)的進(jìn)步，本質(zhì)上受到在真實(shí)世界中執(zhí)行行動(dòng)并觀察其后果所需時(shí)間的限制。例如，即使有 AI 輔助設(shè)計(jì)，新藥的開發(fā)仍然需要無法在一夜之間完成的真實(shí)世界試驗(yàn)。這可能會(huì)對(duì)潛在的人工智能自我提升的速度提供一種自然的制約。

結(jié)論

經(jīng)驗(yàn)時(shí)代標(biāo)志著人工智能發(fā)展史上的一個(gè)關(guān)鍵時(shí)刻。在今天堅(jiān)實(shí)的基礎(chǔ)之上，但超越了人類衍生數(shù)據(jù)的局限性，智能體將越來越多地從自身與世界的互動(dòng)中學(xué)習(xí)。智能體將通過豐富的觀察和行動(dòng)，自主地與環(huán)境互動(dòng)。它們將在終生經(jīng)驗(yàn)流的過程中不斷適應(yīng)。它們的目標(biāo)將可以被引導(dǎo)到任何扎根信號(hào)的組合。此外，智能體將利用強(qiáng)大的非人類推理，并構(gòu)建扎根于智能體行動(dòng)對(duì)其環(huán)境后果之上的計(jì)劃。最終，經(jīng)驗(yàn)數(shù)據(jù)將超越人類生成數(shù)據(jù)的規(guī)模和質(zhì)量。這種范式轉(zhuǎn)變，伴隨著強(qiáng)化學(xué)習(xí)算法的進(jìn)步，將在許多領(lǐng)域釋放超越任何人所擁有的新能力。