深度强化学习让AI 实现真正的“智能”，附Atari 2600 Video Pinball数据集下载资源

提到人工智能应用，你会想到什么？人脸识别、无人驾驶、智能推荐……

这期咱们就来聊一聊人工智能任务类型和你可能想不到的深度强化学习。

一、人工智能任务分类

人工智能任务类型可分为预测型、决策型2个大类。[1]

1. 预测型任务

预测型任务主要是根据输入的数据预测相应的输出，或者生成一些有价值的数据实例，他们分别对应着机器学习中的有监督学习和无监督学习系统。上述提到的人脸识别属于预测型任务。

2.决策型任务

决策型任务，是在动态的环境中采取行动或决策。与预测型任务不同，决策型任务并不以训练模型（Model）、输出结果为目的，而是通过智能体（Agent）与环境交互，收集外部反馈，改变自身状态，再根据自身状态对下一步的行动进行决策，在行动之后持续收集反馈的循环，不断获取奖励值，从而学习到“完成目标”的最优策略。

强化学习系统基本结构（图源：参考资料[2]）

机器学习领域的一大核心主题是序列决策。该任务是在不确定的环境中根据经验决定所要执行的动作序列。序列决策任务涵盖广泛，有望对很多领域产生影响，比如机器人、医疗保健、智能电网、金融、自动驾驶汽车等等。

而序列问题可以用强化学习解决。

二、什么是深度强化学习

深度强化学习（Deep Reinforcement Learning，DRL）是指结合了深度学习的感知能力和强化学习