巴托和萨顿

凤凰网科技讯 北京时间3月5日，据《纽约时报》报道，全球最大的计算机专业人士协会计算机协会(ACM)周三宣布，将2024年图灵奖授予安德鲁·巴托(Andrew Barto)博士和理查德·萨顿(Richard Sutton)博士，以表彰他们在强化学习方面的研究。

巴托目前是马萨诸塞大学荣誉退休教授。萨顿现在担任阿尔伯塔大学教授，他也是前DeepMind研究科学家。两人将分享图灵奖的100万美元奖金。图灵奖设立于1966年，常被称为“计算机界的诺贝尔奖”。

“他们是强化学习领域无可争议的先锋，”华盛顿大学计算机科学荣誉退休教授、艾伦AI研究所创始人兼CEO奥伦·埃特齐恩(Oren Etzioni)表示，“他们提出了关键理念，并且撰写了这方面的权威著作。”

过去十年，强化学习在人工智能(AI)的崛起中发挥了至关重要的作用，其中包括谷歌的AlphaGo和OpenAI的ChatGPT等突破性技术。支撑这些系统的技术就源于巴托博士和萨顿博士的研究成果。

1977年，巴托在马萨诸塞大学阿默斯特分校担任研究员时，开始探索一种新的理论，即神经元的行为类似于享乐主义者。该理论的基本理念是，人类大脑由数十亿个神经细胞驱动，每个神经细胞都在努力将愉悦感最大化，把痛苦感最小化。

一年之后，另一位年轻的研究员萨顿也加入了他的行列。他们一起努力用这个简单的概念来解释人类的智力，并将其应用于AI领域。他们的研究成果便是强化学习，这是一种让AI系统从数字世界的“愉悦”与“痛苦”中学习的方法。

2016年AlphaGo战胜李世石震惊世界，这场人工智能的“登月时刻”背后，正是强化学习的威力体现。谷歌DeepMind团队核心成员大卫·席尔瓦，正是萨顿在阿尔伯塔大学培养的弟子。通过数百万次自我对弈，系统建立起“胜者愉悦-败者痛苦”的反馈机制，最终突破人类千年围棋智慧。

这种学习范式在ChatGPT等大语言模型中继续进化。2022年底，OpenAI通过“人类反馈强化学习”（RLHF）技术，让数百名标注员引导模型优化应答。当聊天机器人学会辨别优质回答获得“奖赏”，其对话能力产生质的飞跃。近期DeepSeek等企业更开发出自主强化学习系统，使AI能像解数学题般，通过试错掌握逻辑推理能力。

在强化学习方面，DeepSeek取得三大突破：首创无需人类标注的自主强化学习系统，使AI通过试错掌握数学推理等高阶能力；优化RLHF技术，降低人工标注成本并拓展至对话、代码生成等场景；前瞻布局物理世界训练，推动机器人实体智能进化。其技术实现从数字反馈到自主决策的跨越，为通用人工智能发展提供新路径。

现年76岁的巴托教授指出：“通过强化学习控制物理躯体，将是自然演进的下个阶段。”目前任职于Keen Technologies的萨顿同样认为，当前基于文本的学习只是序章，未来机器人将在真实世界中像生物般试错成长。(作者/箫雨)