深度強化學習(DRL)是人工智能研究領域的一個令人興奮的領域，具有潛在的問題領域的適用性。有些人認為DRL是人工智能的一種途徑，因為它通過探索和接收來自環境的反饋來反映人類的學習。最近DRL代理的成功打敗了人類的視頻游戲玩家，廣為人知的圍棋大師被人工智能AlphaGo擊敗，以及在模擬中學習行走的兩足球員的演示，都讓人們對這個領域產生了普遍的熱情。

與監督機器學習不同，在強化學習中，研究人員通過讓一個代理與環境交互來訓練模型。當代理的行為產生期望的結果時，它得到正反饋。例如，代理人獲得一個點數或贏得一場比賽的獎勵。簡單地說，研究人員加強了代理人的良好行為。

將DRL應用于非平凡問題的關鍵挑戰之一是構建一個獎勵功能，它鼓勵人們期望的行為而不會產生不良的副作用。當你犯錯時，會發生各種各樣的壞事，包括欺騙行為。(想想獎勵一個機器人服務員，在一些視覺上測量房間的清潔程度，只是教機器人打掃家具下面的污垢。)

值得注意的是，深度強化學習——“deep”指的是底層模型是一個深層的神經網絡——仍然是一個相對較新的領域，強化學習從20世紀70年代或更早的時候就開始了，這取決于你如何計算。正如Andrej Karpathy在他2016年的博客文章中所指出的，關鍵的DRL研究，如AlphaGo論文和Atari Deep Q-Learning paper都是基于已經存在了一段時間的算法，但是用深度學習代替了其他方法來近似函數。他們對深度學習的使用，當然是在過去20多年里我們看到的廉價計算能力的爆發。

DRL的承諾，以及谷歌在2014年以5億美元收購DeepMind的承諾，影響了一些希望利用這項技術的初創公司。本周，我采訪了Bonsai的創始人Mark Hammondfor。該公司提供了一個開發平臺，用于將深度強化學習應用于各種工業用例。我還與加州大學伯克利分校的Pieter Abbeelon討論了這個話題。從那以后，他創立了“實體智能”公司，這是一家依然隱秘的初創公司，打算將VR和DRL應用于機器人技術。

由楊致遠(Jerry Yang)、彼得•蒂爾(Peter Thiel)、肖恩•帕克(Sean Parker)以及其他知名投資者支持的Osaro，也希望在工業領域應用DRL。與此同時，人工智能正在尋找最佳的傳統對沖基金，并將其應用于算法交易，而DeepVu正在應對管理復雜企業供應鏈的挑戰。

由于對DRL的興趣增加，我們也看到了新的開源工具包和用于培訓DRL代理的環境。這些框架中的大多數本質上都是專用的仿真工具或接口。這些是目前AI中比較流行的工具：

OpenAI Gym

OpenAI gym是一個流行的開發和比較增強學習模型的工具箱。它的模擬器界面支持多種環境，包括經典的Atari游戲，以及像MuJoCo和darpa資助的Gazebo這樣的機器人和物理模擬器。和其他DRL工具包一樣，它提供了api來反饋意見和回報給代理。

DeepMind Lab

DeepMind Labis是一個基于Quake III第一人稱射擊游戲的3D學習環境，為學習代理提供導航和解謎任務。DeepMind最近添加了dmlab30，一個新級別的集合，并介紹了它的newImpaladistributed agent培訓體系結構。

Psychlab

另一個DeepMind工具包，今年早些時候開放源代碼，心理實驗室擴展DeepMind實驗室，以支持認知心理學實驗，如搜索特定目標的一系列項目或檢測一系列項目中的變化。然后，研究人員可以比較人類和人工智能在這些任務上的表現。

House3D

加州大學伯克利分校和Facebook人工智能研究人員之間的合作，在45000個模擬室內場景中模擬室內場景和家具布局。本文介紹的主要任務是“概念驅動的導航”，比如訓練一個代理導航到一所房子的房間，只提供一個高級的描述符，比如“餐廳”。

Unity Machine Learning Agents

在AI和MLDanny Lange副總裁的領導下，游戲引擎開發者Unity正在努力將尖端的人工智能技術融入其平臺。Unity Machine Learning Agents，于2017年9月發布，是一個開源Unity插件，可以在平臺上運行游戲和模擬，作為訓練智能代理的環境。

Ray

雖然這里列出的其他工具集中于DRL培訓環境，但Ray更關注DRL的基礎結構。Ray是在Berkeley RISELab開發的byIon Stoicaand他的團隊，它是高效運行集群和大型多核機器上的Python代碼的框架，具體目標是為增強學習提供一個低延遲的分布式執行框架。

所有這些工具和平臺的出現將使DRL更易于開發人員和研究人員使用。但是，他們需要所有的幫助，因為深度強化學習在實踐中是很有挑戰性的。谷歌工程師亞歷克斯·伊爾潘最近發表了一篇頗具煽動性的文章，題為“深度強化學習還不起作用”。Irpan引用了DRL所需要的大量數據，事實上，DRL的大多數方法都沒有利用之前關于系統和環境的知識，以及前面提到的困難，在其他問題中也有一個有效的獎勵功能。

我希望在未來的一段時間內，從研究和應用的角度來看，深度強化學習將繼續成為人工智能領域的熱門話題。它在處理復雜、多面和順序的決策問題方面表現出了極大的希望，這使得它不僅對工業系統和游戲有用，而且對市場、廣告、金融、教育、甚至數據科學本身也有很大的用處。