áá±áž áá¬á!
áá¯ááºááá«áá²ááŸáá·áº ááá¬áááºááá¯ááºáᬠááá±á¬ááá¬áá¡á ááŸááºážááŸááºážáááºážáááºážáááŸááá±á¬ ááŸá áºááŸá áºááŸá á á¬áá¬ážáá»á¬ážááᯠá€áá±áá¬ááœáẠáá¬áá¬ááŒááºááá¯ááẠáá»áœááºá¯ááºááá¯á· ááá¯á¶ážááŒááºáááºáá±á¬áºáááºáž ááá±á·ááœáẠááŒáœááºážáá»ááºáá áºáᯠááŒá¯áá¯ááºáá«áááºá áá±á¬ááºážáá«ážááá±á«ááºážá ááºááœááºáá±á¬áºááŒáá¬ážáá±á¬á¡áá»ááºá¡áááºážáááºáá»áœááºá¯ááºááá¯á·áá á¬áááºáá°á¡áá»á¬ážá¡ááŒá¬ážááá¯á áá¯ážááááºáááááºáá¯áá»áŸá±á¬áºááá·áºáá«áááºá á€ááá¯á·á áºáááºáá°áááºážááœááºááŒááºážáá¯á¶áá±á¬ááá¯á·ááá¯ááºááá¯áááºááá·áºááá·áºáá²ááŒá áºá ááºáá»á°áá¬áá»á¬ážá¡ááœááºá¡ááŒá±áá¶áá»áá±á¬áá¯ááºáá±á¬ááºááŸá¯ááá¯áááºáááºááŸá¯ááŒá®ážááŒá áºáááºá ááŒá±á¬ááºááŸááŒáá¯ááá¯áá«áááºá
áááºá 2017 ááœáẠOpenAI ááẠá
á¬áááºážááŸáá·áºá¡áá° áááºáá²áá±á¬áááºáá°ááŸá¯á¡ááá¯ááºážá¡ááá¯ááºážááœáẠááŸáá¯ááºážáá»á¬ážááŒá¯áá¯ááºáá²á·áááºá
ááá·áºáá²ááŒá áºá ááºáá»á°áá¬áá»á¬áž
OpenAI á
á¬áááºážá á¡ááááááá¬áááŸá¬ á¡á
ááºá¡áᬠbackpropagation ááŸáá·áº áá±á«ááºážá
ááºá¡á¬ážááŒáá·áºáááºááŒá¬ážááŸá¯ááᯠá¡áá¯á¶ážááŒá¯ááá·áºá¡á
á¬áž áááºážááá¯á·ááẠ"ááá·áºáá²ááŒá
áºá
ááºáá»á°áá¬" (ES) ááá¯á¡áá¯á¶ážááŒá¯á ááŸá¯ááºááœá±ážáá±á¬ááŒá¿áá¬áá»á¬ážááá¯ááŒá±ááŸááºážááẠá¡á¬áá¯á¶ááŒá±á¬ááœááºáááºáá
áºáá¯ááᯠá¡á±á¬ááºááŒááºá
áœá¬áá±á·áá»áá·áºáááºááŒá¬ážáá²á·áá«áááºá ဠES áá»ááºážáááºááŸá¯ááœáẠá¡ááŒáá¯ááºáá¯ááºáá±á¬ááºáá±áá±á¬ á¡á±ážáá»áá·áºáá»á¬ážá
áœá¬áá«áááºááŒá®áž á€ááŒáá·áºááŒá°ážááŸá¯á០ááœá±ážáá»ááºáá¬ážáá±á¬ ááá·áºáááºáá±á¬ááºáá»á¬ážááᯠá¡áá¯á¶ážááŒá¯ááŒááºážáá«áááºááá·áº ááœááºáááºáá»ááºááŒáá·áºáá±á¬ á¡áá±ážáá»á¬ážááᯠááŒáá·áºáá»ááºááááºážááááºážááŒááºáž áá«áááºáááºá á¡á±ážáá»áá·áºáá
áºáá¯á
á®ááẠáááºážáááá¯ááºááá¯ááºáááºáááºážáá»ááºááœáẠáááºáááºáá±ááŒá®áž áá¬ááºáááºážááœá²áá
áºáá¯á áááºááŸááºáá¬ážáá±á¬ á¡ááá¯ááºáž ááá¯á·ááá¯áẠá¡ááá·áºáá»á¬ážáá
áºáá¯ááŒá®ážááŒá±á¬ááºáá±á¬á¡áá«á á¡ááºáááá¯áá®áááºááẠááŒá¶á·ááá¯ááºááŸá¯áááŸááºá¡ááŒá
Ạáá±á¬áºááŒááá·áº á
á¯á
ááºážáá¯áá¬ááºááᯠááŒááºáá±ážáááºá á€áááºááá¯ážááᯠááá·áºááœááºážá
ááºážá
á¬ážááŒááºážááŒáá·áº ááá·áºáááºáá»ááºáá»á¬ážááᯠááœá²áá±áá±ážááŒááºážááẠááá¯ááá¯á¡á±á¬ááºááŒááºáá±á¬ á¡á±ážáá»áá·áºáá»á¬ážáá®ááá¯á· áá°ážááŒá±á¬ááºážááá¯ááºááŒá®áž á¡á±á¬ááºááŒááºááŸá¯áááºážáá±á¬áá°áá»á¬ážááᯠáá¯á¶ážááŸá¯á¶ážá
á±áá«áááºá áá¬ááŸáá·áºáá»á®áá±á¬ á¡á±ážáá»áá·áºáá»á¬ážá áá«áááºááŸá¯ááŒáá·áº ááá¯áá²á·ááá¯á·áá±á¬ áá¯ááºáá±á¬ááºáá»ááºááᯠá¡ááŒáááºáá±á«ááºáž áááºážááŸáá·áºáá»á®ááŒá®áž ááŒááºáá¯ááºááŒááºážááŒáá·áºá á¡á±ážáá»áá·áºáá»á¬ážá¡á¬áž áááºážááá¯á·áá¬áááºáá±ážáá¬ážáá±á¬ á¡áá¯ááºá¡á¬áž ááŒá±ááŸááºážáááºá¡ááœáẠá¡áááºá¡ááœá±ážááŒáá·áº áá°áá«ááá
áºáááºááᯠáá±ážááœá²ááá¯ááºá
á±ááá·áº á¡áá±ážáá»á¬áž ááŒáá·áºááŒá°ážááŸá¯ááᯠáá±áá¬áá
áºáá¯ááá¯á· ááœáŸá±á·ááẠááŒá
áºááá¯ááºáááºá á¡ááŸááºá
ááºá
á
áºá áá±á¬ááºážáá«ážááœáẠáá±á¬áºááŒáá¬ážáá±á¬ ááááºáá»á¬ážááẠá¡áááºááŒá®ážá
áá¬áá±á¬ááºážáááº- á¡áááºá áááºááẠá¡á±ážáá»áá·áºáá
áºáá±á¬ááºááᯠá¡ááŒáá¯ááºáá¯ááºáá±á¬ááºáá«áá ááá¯á·áá±á¬áẠáá¬áá®áááºáááºáááºážáá±á¬ ááŒá±ááŸá
áºáá»á±á¬ááºážáá±á«áºááŸá á
ááºáááááá¬ááᯠáááºáá°ááá¯ááºááẠ(á¡ááá·áºááŒáá·áºáá¯á¶áž RL áááºážáááºážáá»á¬ážáááºáá»áŸáẠááá¯ááá¯áá¯á¶ážá
áœá²ááẠááá¯á¡ááºááŒá±á¬ááºáž ááŒááá¬ážáááºá áá
áºáá¬áá®áááºáááá¯á) ááá¯ááá¯á¡áá±ážá
áááºá¡áá»ááºá¡áááºáá»á¬ážá¡ááœááºá áá«á¡áá±á¬ááºážáá¯á¶ážááá¯áááºáááºá¡ááŒá¶ááŒá¯áá«áááºá
OpenAI á០ES áááºážáááºážááᯠá¡áá¯á¶ážááŒá¯á áááºáááºáááºážáá»áŸá±á¬ááºááŒááºážááᯠáááºááŒá¬ážááŒááºážá¡ááœáẠááá°áá®áá±á¬ áááºážáá»á°áá¬áá»á¬ážá
á¡áááºážáá±á¬ááºáá±áá¹áá¬
áá®áááºážáááºážáá²á· á¡áá»áá¯ážáá»á±ážáá°ážááá±á¬á· á¡ááœááºááá° ááŒáá¯ááºáá°áá°ážááá¯ááºáá¬ááŒá±á¬áá·áºáá«á A3C áá²á·ááá¯á·áá±á¬ RL áááºážáááºážáá»á¬ážááẠá¡áá¯ááºááá¬ážááá¯ááºážáá»á¬ážááŸáá·áº áá«áá¬áá®áá¬áá¬áá¬áá»á¬ážá¡ááŒá¬áž ááááºážá¡áá»ááºá¡áááºáááŸááºááẠááá¯á¡ááºáá±á¬áºáááºáž ES ááẠááŒá¶á·ááá¯ááºááŸá¯ááá·áºááŸááºážáá»ááºáá»á¬ážááŸáá·áº áá±áá¯áá»á¡á¬ážááŒáá·áº ááá·áºáááºáá±á¬ááºááŒáá·áºáá±ááŸá¯ááá¯ááºáᬠá¡áá»ááºá¡áááºáá»á¬ážááá¯áᬠááá¯á¡ááºáááºá á€áááºážááẠáá±ááºáá® RL áááºážáááºážáá»á¬ážááẠá¡ááááẠááá¯ážááŸááºážáá±á¬ááŒá±á¬áá·áº ááŒá áºáááºá ááá¯á·áá±á¬áºá á€á¡áá¬á¡á¬ážáá¯á¶ážááẠá¡áá»ááºážááŸá®ážáááŒá áºáá²á ááẠblack box ááá±á¬ááá¬ážá¡á ááœááºáááºááᯠá¡áá±á¬ááºážáá¯á¶ážááŒá áºá¡á±á¬ááºáá¯ááºááẠááá¯á¡ááºáááºá á€ááá á¹á ááœááºá "á¡áááºáá±á¬ááºáá±áá¹áá¬" ááá¯áááºááŸá¬ áá±á·áá»áá·áºáá±á ááºá¡ááœááºáž ááœááºáááºáá¡ááœááºážááá¯ááºážááœá²á·á ááºážáá¯á¶ááᯠáá¯á¶ážááá»á áºáá»á°ááŸá¯áá¬ážááŒá®áž á¡áá¯á¶ážá á¯á¶áááẠ(á¡ááá¯ááºážá¡ááœááºáá¯ááŒá±ážááœá±) ááá¯áᬠá¡áá¯á¶ážááŒá¯áá¬ážááŒá®ážá áá®ážááŒá¬ážááœááºáááºáá áºáá¯á á¡áá±ážáá»áááºáá»á¬áž ááŸáá áááŸáá¡áá±á«áº áá°áááºáá«áááºá áá±á¬ááºáá»áá¯ážáááºáá»á¬áž á¡ááœá±áááºáá¶ááááºá áá»áœááºá¯ááºááá¯á·ááẠáááºáááºážáá»ááºáá¶á០áá¯á¶á·ááŒááºáá»ááºáá»á¬ážá áœá¬ááááŸáááá·áº á¡ááŒá±á¡áá±áá»á¬ážááœááºâááŸáá·áº ááá¬ážááá¯ážáá» RL ááŒá¿áá¬áá»á¬ážá áœá¬ááœáẠáá¯áá¬ááºá á®ážáááºážááŸá¯ á¡ááœááºáá»á²áááºâááŒá¿áá¬ááŸá¬ "áá áºá áááºáá áºááá¯ááºáž black box" ááŒá áºááŒááºážá០"áá¯á¶ážá black box" ááá¯á·ááœá¬ážáá«áááºá á€ááá á¹á ááœááºá áááºááẠáá¯ááºáá¯ááºá áœááºážá¡á¬ážááᯠáááááá¬áᬠááá¯ážá á±ááá¯ááºáááºá ááá¯á·ááŒá±á¬áá·áºá ááá¯áá²á·ááá¯á·áá±á¬ á¡áá±ážá¡áá°ááẠááá¬ážáá»áŸááá«áááºá "áá¬áá²ááŒá áºááŒá Ạáá»áŸá±á¬áºááá·áºáá»ááºáá²á· áá°áá¶áá±ááẠáááºáá°á gradient ááᯠááá¯á¡ááºáá²" - áá«á áá±áá¯áá»ááá±á¬áá«á
ááá¯á·áá±á¬áºá áá¯á¶á·ááŒááºáá»ááºááá¯ááá¯á¡áááºáááºááá·áºá¡ááŒá±á¡áá±áá»á¬ážááœááºá ES á¡ááœááºá¡áá¬áá»á¬ážááẠááŸá¬ážááœááºážááœá¬ážáá«áááºá OpenAI á¡ááœá²á·ááẠES ááᯠá¡áá¯á¶ážááŒá¯á ááá¯ážááŸááºážáá±á¬ MNIST á¡áá»áá¯ážá¡á á¬ážááœá²ááŒá¬ážááŒááºážááœááºáááºááᯠáá±á·áá»áá·áºáááºááŒá¬ážáá¯á¶ááᯠáá±á¬áºááŒááŒá®áž ááá¯áá áºááŒááẠáá±á·áá»áá·áºááŸá¯ááẠá¡á 1000 ááá¯ááŸá±ážááœá±ážáá«áááºá á¡ááŸááºááŸá¬ áá¯ááºáá¯á¶á¡áá»áá¯ážá¡á á¬ážááœá²ááŒááºážááœáẠgradient signal ááẠnetwork ááᯠááá¯ááá¯áá±á¬ááºážááœááºáá±á¬ á¡áá»áá¯ážá¡á á¬ážááœá²ááŒá¬ážáááºážááᯠáááºááŒá¬ážáá¯á¶ááŸáá·áº áááºáááºá á¡ááœááºá¡áááºážá¡áááá±ážáá«áááºá ááá¯á·ááŒá±á¬áá·áºá RL áááºážááá¬ááŒáá·áº ááŒá¿áá¬ááẠáááºážáá«ážááŒá®áž áá°áá¶áá±á¬ gradient áá»á¬ážááᯠáá¯ááºáá¯ááºááá·áº áááºáááºážáá»ááºáá»á¬ážááœáẠá¡áá»á²áá¯áá¬ááºáá»á¬ážááŒáá·áº ááá¯ááá¯áá»á¬ážááŒá¬ážáááºá
ááá¬áááá¬ážáááŒá±ááŸááºážáá»ááº
áá»áœááºá¯ááºááá¯á·ááẠááá¬áááá¬ážáá
á¶ááá°áá¬á០áááºáá°áááºááŒáá¯ážá
á¬ážááŒá®áž AI ááᯠááœá¶á·ááŒáá¯ážááá¯ážáááºááẠáááºážáááºážáá»á¬ážááᯠááœá±ážáá±á¬áá«á á¡áá»áá¯á·áá±á¬ááá
á¹á
áá»á¬ážááœáẠAI áᯠáá°áááá¯ááºáá«áááºá
ááá¯á·ááá¯ááºááá¹ááá«áá»á¬ážá áá¬ááºáááºáá¬ááºááœá±áž á¡ááŒá¯á¡áá°ááᯠáááºážá á áºááŒá®ážáá±á¬ááºá áá®ážáááºá áœá¬ áááºááœááºáá±áá±á¬ áá¯ááºáááºážá ááºááŸá áºáá¯á ááŸá¯ááºááœá±ážáá±á¬ á¡ááŒááºá¡ááŸááºááœáŸááºážááá¯ážááŸá¯á ááááºá¡ááŒá Ạáááºážááᯠááœá²á·á ááºážáá¬ážáááºááᯠáá»áœááºá¯ááºááá¯á· ááœá±á·ááŸáááá«áááºá á¡ááŒá¬ážáá°áá»á¬ážá á¡ááœá±á·á¡ááŒá¯á¶áá»á¬ážá០áááºáá°ááŒááºážá О áááºááœá±á·áá¯ááºáá±á¬ááºááŒááºážááŒááºá·áá±á·áá¬áá«. ááŸá±ážááááºá ááá¬áááœá±ážáá»ááºááŸá¯ááŒáá·áº ááá·áºáá²ááŒá áºá ááºááŸáá·áº áá®áá»áŸáá±á·ááŸááááºá ááá¯á·áá±á¬áº á€áá±áá¬ááœáẠáá»áá¯ážááá¯ážáá®áá á¡áá¯áá®ááá»á¬ážááŸáá·áº áá»áá¯ážáá®áááŸáá·áºááááºááá¯ááºáá±á¬áááºááŸááá»á¬ážá¡ááŒá¬áž á¡ááœá±á·á¡ááŒá¯á¶áá»á¬ážááᯠáá»áŸáá±ááá¯ááºá á±ááá·áº á¡ááŒá¬ážáá±á¬ ááá¹ááá¬ážáá»á¬ážááᯠááá·áºááœááºážá ááºážá á¬ážááẠááá¯ááá¯áá»ááºááŒáá·áºáá±á¬ á¡áá¯á¶ážá¡ááŸá¯ááºážááᯠáá»áœááºá¯ááºá¡áá¯á¶ážááŒá¯áá«áááºá áá¯ááááá¯ááºáááºážá ááºá á¡ááœá±á·á¡ááŒá¯á¶á០áááºáá°ááŒááºážááẠáááá á¹áá¬ááºáá áºáá±á¬ááºá áááá áºáá»áŸá±á¬ááºáá¯á¶áž áááºáá°ááẠá á®áá¶áá¬ážááá·áº á¡áá»ááºá¡áááºá¡á¬ážáá¯á¶ážááŒá áºááŒá®ážá á€á¡áá»ááºá¡áááºááẠá€áááá á¹áá¬ááºá ááŒááºáááá¹áá¬ááŸáá·áº ááááœá±á·áááºáá¶ááŸá¯á០ááá¯ááºááá¯ááºáá¯á¶ážááŒááºááŒááºážááŒá áºáááºá á€á¡áá»áá¯ážá¡á á¬ážááœáẠá¡áá¬ááá¹áá¯áá»á¬ážááᯠááŸááºááááẠáááºáá°ááŒááºážááŸááẠáááºáá°ááŸá¯áá¯ááºáááºážá ááºááœáẠááœá±ážáá¬áá« áááºááœááºáá±ážááᯠáá»áœááºážáá»ááºááá¯ááºááá¯ááºá á±áááºá¡áá áááºáá°ááŒááºážá០á¡áá¬á¡á¬ážáá¯á¶ážáá«áááºáááºá
á¡ááŒááºážáá»ááºážááŒá±á¬ááá»áŸáẠááá¬áááœááºááŒá áºáá±á«áºáá±áá±á¬ á€ááŒá áºá ááºááŸá áºáá¯ááᯠá¡á¬áá¯á¶ááŒá±á¬ááœááºáááºáá»á¬ážááᯠá¡áá±á¬ááºážáá¯á¶ážááŒá áºá¡á±á¬ááºááŒá¯áá¯ááºááẠááœá±ážáá»ááºá áá¬ááŸá áºáá¯ááŸáá·áº ááŸáá¯ááºážááŸááºááá¯ááºáááºá áááºááŸááá»á¬ážááŸáá·áºáááºáááºáá±á¬ á¡áá»ááºá¡áááºáá»á¬ážááᯠá¡ááºááááºáá¯ááºáááºá¡ááœáẠgradients ááá¯ááºáᬠá¡áá»ááºá¡áááºáá»á¬ážááᯠá¡áá¯á¶ážááŒá¯ááá·áº ááá·áºáá²ááŒá áºá ááºáá»á°áá¬áá»á¬ážááẠá¡ááŒá¬ážáá°áá»á¬ážá á¡ááœá±á·á¡ááŒá¯á¶áá»á¬ážá០áááºáá°ááŒááºážáá®ááá¯á· áá®ážáááºáá¬áá«áááºá á¡áá¬ážáá°á á¡ááœá±á·á¡ááŒá¯á¶áá áºáᯠááá¯á·ááá¯áẠá¡ááŒá¬ážáá áºáá¯ááá°ááŒááºážááẠá¡á±ážáá»áá·áºáá¡ááŒá¯á¡áá°áá áºáᯠááá¯á·ááá¯áẠá¡ááŒá¬ážááŒá±á¬ááºážáá²ááŸá¯áá áºáá¯áá®ááá¯á· áŠážáááºá á±ááá·áº gradient áááºážáááºážáá»á¬ážááẠáá áºáŠážáááá¯ááºááá¯ááºá¡ááœá±á·á¡ááŒá¯á¶ááŸáááºáá°ááŒááºážááŸáá·áº ááŸáá¯ááºážááŸááºááá¯ááºáááºá ááááá á¹áá¬ááºáá»á¬ážááœáẠá€áá»ááºážáááºááŸá¯ááŸá áºáá¯áá áºáá¯á á®á០ááŒá áºááœááºážáá¬áá±á¬ áá¬ááºáááºáááºááŒááºáá±á¬ á¡ááŒá¯á¡áá° ááá¯á·ááá¯áẠá áœááºážáááºá¡áá»áá¯ážá¡á á¬ážáá»á¬ážááᯠáá»áœááºá¯ááºááá¯á·á ááºážá á¬ážáá«áá ááŸáá¯ááºážááŸááºááŸá¯ááŸá¬ ááá¯ááá¯áááá¬áááºááŸá¬ážáá¬áá«áááºá ááŒá áºáááºááŸá áºáá¯á áá¯á¶ážááœááºá "ááá·áºáá²ááŒá áºá ááºáááºážáááºážáá»á¬áž" ááẠáá°áá áºáŠážá¡á¬áž á¡áá»áá¯á·áá±á¬ áá»ááºážáá¬ááŒá¶á·ááá¯ááºááŸá¯ ( á¡áááºááŸááºáá±ááá¯ááºááẠáá¯á¶áá±á¬ááºáá±á¬) ááœá¶á·ááŒáá¯ážááá¯ážáááºá á±ááẠááœáá·áºááŒá¯ááá·áº áá¬ááºááŒá¯á¡ááŒá¯á¡áá°áá»á¬ážááᯠáá±á·áá¬ááŒááºážááᯠááŒáŸáá·áºáááºáááºá ááááºážááœá¬ážááŒááºážááŸááœááºááŒá±á¬ááºááẠáááºážáá»áŸá±á¬ááºááẠááá¯á·ááá¯áẠáááºáá°ááŒááºážááẠáááá á¹áá¬ááºáá»á¬ážá áœá¬ááœáẠáá»áá¯ážááá¯ážáá®áá¡ááá·áºááŸá áááá á¹áá¬ááºáá»á¬ážá áœá¬ááœáẠâá¡ááá¯ááá¯ááŒáá¯ážáá²á·â á¡ááŒá¯á¡áá°áá»á¬ážááŸáá·áº áá®áá»áŸáááºá ááá¯á·á¡ááŒááºá á€á¥ááá¬ááẠáá¯áá¬ááºá¡áá»ááºááŒááŸá¯ á¡ááœááºááŸá¬ážáá«ážááá·áºááá á¹á áá»á¬ážááœáẠááá·áºáá²ááŒá áºá ááºáááºážáááºážáá»á¬ážááᯠá¡áá¯á¶ážááŒá¯ááá¯ááºááŒá±á¬ááºáž á¡áááºááŒá¯áá«áááºá ááá¯ááá¯á·áá±á¬á¡ááŒá±á¡áá±áá»áá¯ážááœááºá á€á¡áá»ááºááá±á«áºáá±á«ááºáá® ááŸá áºáá±á«ááºážáá»á¬ážá áœá¬ááááºážá áá¯ááºáá±á¬ááºáá²á·áá±á¬ áá®ážááŒá¬ážáá¯ááºáá±á¬ááºáá»ááºáá»á¬ážááŸáá·áº áááºá ááºáááááá¯ááºáá«á á¡ááŒá¬ážáá áºáááºááœááºá áá»áœááºá¯ááºááá¯á·ááẠES áá»ááºááœááºááá·áºááá á¹á áá áºáá¯ááŒá áºááá·áº áá¯ááºáá¯á¶á¡áá»áá¯ážá¡á á¬ážááœá²ááŒá¬ážááŒááºážááᯠáá¯á¶ážáááºáá«áá ááááºáá»á¬ážááẠááŸá áºáá±á«ááºáž 100 áá»á±á¬áºááŒá¬ ááŒá¯áá¯ááºáá²á·áá±á¬ ááá±áááœááºááá¯ááºáá±á¬ á¡ááŒá¯á¡áá°ááá¯ááºáᬠá áááºááá¯ááºážááá¯ááºáá¬á ááºážáááºááŸá¯áá»á¬ážááœáẠáááŸááá²á·áá±á¬ áááá á¹áá¬ááºáááºáá°ááŸá¯ááááºáá»á¬ážááŸáá·áº áááááá¬áᬠááŸáá¯ááºážááŸááºááá¯ááºáá«áááºá
áááá á¹áá¬ááºáá»á¬ážáá¶á០áááºáá°ááŒááºážá
á¡á¬ážááŒáá·áºáááºááŒá¬ážááŸá¯ááœáẠá¡áá¯á¶ážááŒá¯ááá·áºáááºážáááºážáá»á¬ážááẠá
áááºááá¬ááá¯ááºáá¬á
á¬áá±áá»á¬ážá០ááá¯ááºááá¯ááºáá°áá±á¬ááºááá·áº ááá
á¹á
áá»á¬ážá
áœá¬ááœááºááŒá
áºáááºá
á¡ááœá±á·á¡ááŒá¯á¶áá»á¬ážá០áááºáá°ááŒááºážááœáẠááá·áºááŸááºážááŒááºážá á¡áááá¡áááºážááá¹áááẠá¡áááºáá±á¬áºááŒáá« ááá¯ááºáááá
áºáá»á¬ážááᯠáááá¬áááºááŸá¬ážáá±á¬áááºážáááºážáá»á¬ážááŒáá·áº ááŒá±á¬ááºážáá²áá«áááºá ááááºá á¡ááœááºáá»á²áááºáᯠáá°ááá²á·áá±á¬ á¡áá»ááºááŒááŸá¯ (episodic reward) ááẠá¡ááœááºááááºáááºážáááºá áá®á¡áá¯áá®á¡áá á¡ááŒá±á¡áá±ááẠá€áá²á·ááá¯á·áá±á¬ á¡áá¬ááŒá
áºáááº- áááºááá·áºá¡áá»áááºááœááºáááá¯á ááá¯á·ááá¯ááºááá¹ááá«á áŠážááŸá±á¬ááºááẠááŸá¯ááºááœá±ážáá±á¬ á¡á¬áá¯á¶áá¶ááŸá¯á¶á·áá±á¬áºááŸá¯ááŸáá·áº áá¯ááºáá±á¬ááºáá»ááºáá»á¬ážá¡áá±á«áº á¡ááŒá±áá¶á ááááºáá»á¬ážááᯠááœááºáá»ááºáá±ááŒá®áž áááá
á¹áá¬ááºááẠá€á
ááºážáá»á±á¬ááºážááœáẠááá¯ážááá¯ážááŸá
áºááŒá¯ááºáá±áá»áááºááœáẠááŒá
áºáááºá á€ááá
á¹á
ááœááºá áááá
á¹áá¬ááºááá±á¬ááºáá¯á¶ážá¡áá°á¡áá»áá·áºááẠááá·áºááŸááºážáá»ááºáá»á¬ážááᯠááá·áºáááºááŒááºážááŸáá·áº á¡ááŒá¯á¡áá°ááœá¶á·ááŒáá¯ážááá¯ážáááºááŸá¯ááᯠáááºážááœáŸááºáááºá¡ááœáẠá¡áá¯á¶ážááŒá¯ááááºáᯠááá¯ááºáá¬áá±á¬á¡áá»ááºááŒá
á±áááºá á¡áá¬áááºááœáẠááá·áºááŸááºážáá»ááºáá»á¬áž (ááŸáá·áº áá»á±á¬áºáá®á
áœá¬ áá¯ááºáá±á¬ááºááŸá¯ á¡áááºá¡ááœá±áž) ááᯠá¡áá±á¬ááºážáá¯á¶ážááŒá
áºá¡á±á¬áẠáŠážááŸá±á¬ááºááẠá€á¡áá»ááºááŒááŸá¯áá»á¬ážááᯠá¡áá¯á¶ážááŒá¯áááºá á€áá»ááºážáááºáááºážá ááŒá¯á¶áá¯á¶áá¯á¶ážáááºáá»ááºááᯠá¡ááœááºáá±á¬ááºážááœááºáá±á¬ á
á¬á¡á¯ááºááœáẠáá±á¬áºááŒáá¬ážáá«áááºá
ááá±ááẠááœááºáááºáá»á¬áž ááá¯ááá¯ááŒáœááºáá¡á±á¬áẠáá±á·áá»áá·áºááŒááºážá
ááŒáá¯áááºááá·áºááŸááºážááŸá¯áá»á¬ážááŒá¯áá¯ááºáá¬ááœáẠá¡áááºáááŒááºá¡áá¯ááºáá»á¬ážáá±ááá·áº ááá¯á·ááá¯ááºááá¹ááá«áá»á¬ážááŠážááŸá±á¬ááºááœáẠááœá±ážáá¬áá«ááá¯ááá¯ááŒáá·áºáá¬ážáá±á¬á¡á¬áá¯á¶ááŒá±á¬ááá¯ááºáá¬áá¯ááºáá±á¬ááºááŸá¯ááá¯ááºáá¬á¡ááŒá±áá¶áá°áá»á¬ážááá¯áááºáá±á¬ááºáᬠá¡á¬ážááŒáá·áºáááºáá°ááŸá¯ááœáẠáááŒá¬áá±ážáá®áááá¯ážáááºááŸá¯áá»á¬ážááá¯ááŒá¯áá¯ááºáá²á·ááŒá®ážá ááá¯ááá¯ááá·áºááŸááºážáá»ááºáá»á¬ážáá¡áá±ážáá«ááŸá¯ááá¯ááá·áºááœááºážá ááºážá á¬ážáá«áááºá á¡áá¬ážáá° á¡áá¯ááºááŸá áºáá¯ááᯠáá»áœááºá¯áẠáá»ááºáá»ááºáž á¡ááŒá¶ááŒá¯ááá¯ááºáááº-
á¡áá¬áááºááᯠááá·áºááŸááºážááŒááºážááŒáá·áº áááºááœá±á·áá¯ááºáá±á¬ááºááẠáááºáá°ááŒááºážá ááŒá®ážááŒááºááá¬ážáá±á¬ á¡áááºáá¬áááºáá»á¬ážááŒáá·áº á¡á¬ážááŒáá·áºáááºáá°ááŒááºážá
á€á á¬áááºážááŸá áºá á±á¬ááºá áá¯á¶ážááœáẠá á¬áá±ážáá°ááẠáááºážááá¯á·áá¡á¬áá¯á¶ááŒá±á¬ááœááºáááºáá»á¬ážá áá¯á¶ááŸááºáá°ááá°áá«áááᯠá¡áá¬áááºáááºáááºážáá»ááºá¡ááŒá±á¡áá±ááŸáá·áºáááºáááºááá·áº ááá·áºááŸááºážááááºáá»á¬ážááŒáá·áº ááŒáá·áºá áœááºáá±ážáá¬ážáá«áááºá ááááá±á¬ááºážáá«ážááœááºá ááá·áºááŸááºážáá»ááºááẠááá¯ááºážáá¬ááŸá¯ááááºážááŸááºá¡áá»áá¯ážáá»áá¯ážááœáẠáááºáá±á¬ááºááŒá®ážá áá¯áááááœááºá ááá·áºááŸááºážáá»ááºááẠáááºáááºážáá»ááºááŸá á¡ááŒá±á¬ááºážá¡áá²áá»á¬ážááŸáá·áº á¡á±ážáá»áá·áºáá¡ááŒá¯á¡áá°ááá¯á·ááᯠáááºáá±á¬ááºáááºá ááŒá áºáááºááŸá áºáá¯á áá¯á¶ážááœááºá á¡ááŒá¯ááá±á¬áá±á¬ááºáá±á¬á¡á¬ážááŒáá·áºááŸá¯ááŸáá·áºáááºá ááºáá±áá±á¬áá»á²áá»á²áá±á¬á¡áá»ááºááŒááŸá¯ááŸá¬ ááá¯ááá¯ááŒáœááºáááŒá®áž ááááºážá¡áá»ááºá¡áááºááá¯ááá¯áááŸááá¬áᬠááá¯ááá¯ááŒááºáááºáá±á¬áááºáá°ááŸá¯ááŸáá·áº ááá¯ááá¯ááŸá¯ááºááœá±ážáá±á¬á¡ááŒá¯á¡áá°áá»á¬ážááá¯ááá°ááŸá¯ááŸá áºáá¯á áá¯á¶ážá¡ááœáẠááœáá·áºááŒá¯áá±ážáá«áááºá ááá¯ááá¯á·áá±á¬ááá¯ážáááºááŸá¯áá»á¬ážááᯠES áá²á·ááá¯á·áá±á¬ "black box" áááá¬áá¡á áá¯ááºáá±á¬ááºááá·áºáááºážáááºážáá»á¬ážááŸáá·áºááá¯ááºáá² gradient signal ááá¯á¡áá¯á¶ážááŒá¯ááá·áºáááºážáááºážáá»á¬ážááŒáá·áºáᬠáááŸáááá¯ááºáá«áááºá
ááá¯á·á¡ááŒááºá á¡ááœá±á·á¡ááŒá¯á¶ááŸáá·áº gradient áááºážáááºážáá»á¬ážá០áááºáá°ááŒááºážááẠááá¯ááááá±á¬ááºáá«áááºá á¡á¬ážááŒáá·áºáááºáá°ááŒááºážááẠES áááºážáááºážááᯠá¡áá¯á¶ážááŒá¯á ááŒá¿áá¬áá
áºáá¯áá¯ááᯠáá±á·áá¬ááá¯ááºááá·áºá¡áá«ááœááºááẠES áá»á°áá¬ááẠRL ááẠá¡ááá»á¬ážá
áœá¬ áá±áá¬áá«áááºáá±áá±á¬ááŒá±á¬áá·áº á¡áá»áá¯ážáá»á±ážáá°áž áááŸááá²á·áá«áááºá á€ááá
á¹á
áááºááœáẠááááá
á¹áá¬ááºáá»á¬ážááœáẠáááºáá°ááŒááºážááá¯ááºáᬠá¡ááŒá±áá¶áá°áá»á¬ážááᯠáá¯á¶ážáááºááŒááºážááŒáá·áº á¡ááŒá¬ážáá°áá
áºáŠážá á
á¶ááá°áá¬á០áááºáá°ááŒááºážá ááááºááẠáá»áá¯ážáááºáá»á¬ážá
áœá¬ááŒá¬ááŒá®ážáá±á¬ááºááœáẠáá°á·á¡ááá¯ááᯠáá±á«áºááœááºáá¬áá±á¬áºáááºáž áá
áºáá«áá
áºáá¶ááœáẠáááá
á¹áá¬ááºááá¯ááºááá¯áẠááœá±á·ááŒá¯á¶áá¶á
á¬ážááá±á¬ á¡ááŒá
áºá¡áá»ááºáá
áºáá¯áááºážá áááºáááºážá
á¬ááᯠáá¬áá
ááºáááºáá°ááẠáá¯á¶áá±á¬ááºáá«áááºá ááŒáá¯ááºáá¯ááºáž
áá«ááá¯áá¬ááá¯á·áá°ááá¯á·ááá¯ááá±á«ááºážáá¬áá²á
á€áá±á¬ááºážáá«ážá¡áá»á¬ážá á¯ááẠáá»áœááºá¯ááºááẠRL áááºážáááºážáá»á¬ážááᯠáá±á¬ááºáá¶áá±áááºáá°áá±á¬ á¡áááºá¡ááŒááºááᯠáá»ááºáá¬ážáá²á·ááá¯ááºááœááºááŸááááºá ááá¯á·áá±á¬áºá áá±ááŸááºááœáẠá¡áá±á¬ááºážáá¯á¶ážááŒá±ááŸááºážáá»ááºááŸá¬ áááºážáááºážááŸá áºáá¯áá¯á¶ážááᯠáá±á«ááºážá ááºáááºááŒá áºáááºá ááá¯á·ááŒá±á¬áá·áº áá áºáá¯áá»ááºážá á®ááᯠá¡ááá·áºáá±á¬áºáá¯á¶ážá¡ááŒá±á¡áá±áá»á¬ážááœáẠá¡áá¯á¶ážááŒá¯ááá¯ááºááẠá¡áá±á¬ááºážáá¯á¶ážááŒá±ááŸááºážáááºážáᯠáá»áœááºáá±á¬áºáááºáá«áááºá áááááá¬áá¬á áá¯á¶á·ááŒááºááŸá¯áá°áá«áá¡áá»á¬ážá¡ááŒá¬áž ááá¯á·ááá¯áẠá¡ááŒá¯ááá±á¬á¡á¬ážááŒáá·áºáááºážááŸá¯ á¡ááœááºáá»á²áá±á¬á¡ááŒá±á¡áá±áá»á¬ážááœááºá á¡áá°ážáááŒáá·áº áááºá¡ááŒáá¯ááºáá±á·áá»áá·áºááŸá¯ááᯠááŒá®ážáá¬ážá áœá¬á¡ááŒáá¯ááºáá¯ááºáá±á¬ááºááá¯ááºááá·áº ááœááºáá»á°áá¬á áœááºážá¡á¬ážááᯠáááºááá¯ááºááœááºááŒá±ááŸááºážááá¯ááºáá»áŸáẠES ááẠá¡ááá¯ááºááá«áááºá á¡ááŒá¬ážáá áºáááºááœááºá á¡á¬ážááŒáá·áºáááºááŒá¬ážááŸá¯ ááá¯á·ááá¯áẠááŒá®ážááŒááºáááºááŒá¬ážááŸá¯ááᯠá¡áá¯á¶ážááŒá¯ááá·áº gradient áááºážáááºážáá»á¬ážááẠáá»ááºáá»ááºááŒáá·áºááŒáá·áº áá¯á¶á·ááŒááºáá»ááºááá°ááŒá®áž ááŒá¿áá¬ááᯠááŒááºáááºááŒá®áž áá±áá¬áááºážáá±á¬áááºážááŒáá·áº ááŒá±ááŸááºážáááºážááᯠáá±á·áá¬ááẠááá¯á¡ááºááá·áºá¡áá«ááœáẠá¡áá¯á¶ážáááºáááºááŒá áºáááºá
ááá¬áááᯠááŸáá·áºááŒáá·áºááá¯ááºáá±á¬á· ááááááºážáááºážá á¡ááŸá
áºáá¬áá¡á¬ážááŒáá·áº áá¯ááááááºážá¡ááœáẠá¡á¯ááºááŒá
áºáá»áá¬ááᯠááœá±á·ááŸáááá«áááºá ááá¯á·ááŒá±á¬áá·áº ááá·áºáá²ááŒá
áºá
ááºáá
áºáá»áŸá±á¬ááºááœááºá ááá¯á·ááá¯ááºááá¹ááá«áá»á¬ážááẠáááºáááºážáá»ááºááŸáá¬áá±á¬ ááŸá¯ááºááœá±ážáá±á¬á¡áá»ááºááŒááŸá¯áá»á¬ážá០á¡ááœááºáááá±á¬ááºá
áœá¬ áááºáá°ááá¯ááºá
á±ááá·áº áŠážááŸá±á¬ááºáá»á¬ážááᯠááœá¶á·ááŒáá¯ážáá¬á
á±áááºá áá®áá±á¬á· áá±ážááœááºážá ááœáá·áºáá±áá±ážáááºá ááá·áºáá²ááŒá
áºá
ááºáááºážáá»á°áá¬áá»á¬ážááẠgradient áááºáá°ááŸá¯áááºážáááºážáá»á¬ážá¡ááœááºáááºáž á¡áá¯á¶ážáááºááá·áº áááá±á¬ááºáá±á¬áááºáá°ááŸá¯áááá¯áá¬áá»á¬ážááᯠáá®ááœááºááá¯ááºá
á±ááẠáá°áá®áá±ážáá±áááºá á¡ááŸááºááŸá¬á ááá¬áá¡á¬ážááŒáá·áº ááœá±á·ááŸááá±á¬ á¡ááŒá±ááẠá¡ááŸááºááááºááẠá¡á±á¬ááºááŒááºáá«áááºá
source: www.habr.com