快訊
Google宣布在芬蘭投資130億歐元建置AI基礎設施
Google宣布2027至2028年將在芬蘭投資130億歐元(151億美元)建置AI基礎設施,為其歐洲最大單一投資案,涵蓋三處新建與一處擴建資料中心,並與Fortum簽署22年購電協議取得核電機組50%發電量。
EffectStory 編輯部 ·
AI專題
強化學習是什麼?從代理人試誤機制到 AlphaGo 圍棋對弈實證
林
強化學習使自主代理人透過與環境互動、以試誤方式學習決策,目標為最大化累積獎勵;Google DeepMind 的 AlphaGo 便以此技術先以 5-0、後以 4-1 擊敗職業圍棋棋士,印證其實用性。
強化學習的基本概念:自主代理人如何透過環境互動學習決策?
IBM 定義強化學習為機器學習的一種流程,讓自主代理人透過與環境互動來學習做決策CITE:E1。這一學習過程仰賴試誤:代理人在沒有人類使用者指導的情況下,透過反覆嘗試學習如何執行任務CITE:E2。與監督式學習不同,強化學習不使用標示正確或錯誤行為的標記範例CITE:E3。
代理人的目標與策略機制:獎勵如何驅動最優行為?
IBM 指出,代理人的唯一目標是最大化其從環境獲得的累積獎勵CITE:E4。Google 將此行為機制形式化為策略(policy):一個把對環境的觀察映射到代理人所要採取行動的函式CITE:E5。換言之,代理人並非依循人類預先標記的正確答案,而是透過策略函式反覆調整行動,以逼近最大化累積獎勵的目標。
AlphaGo 案例:強化學習如何在圍棋對弈中獲得實戰驗證?
Google DeepMind 的 AlphaGo 於首場 AI 對職業棋士賽事中以 5-0 獲勝CITE:E6。2016 年 3 月,AlphaGo 在南韓首爾的比賽中以 4-1 獲勝,吸引全球逾兩億人觀看CITE:E7。
| 場次 | 時間 | 地點 | 比數 | 觀看人數 |
|---|---|---|---|---|
| 首場對弈 | 2015 | — | 5-0 | — |
| 首爾對弈 | 2016 年 3 月 | 南韓首爾 | 4-1 | 逾 2 億人 |
這代表什麼:強化學習定義中「無人類指導、不使用標記範例」的試誤機制CITE:E2,與 AlphaGo 案例中代理人以最大化累積獎勵為目標CITE:E4並先後取得 5-0、4-1 戰績的結果CITE:E6相互呼應——一套僅靠環境互動與獎勵訊號學習的策略函式CITE:E5,確實能在圍棋這類高複雜度賽局中產生可驗證的具體成績,而 2016 年首爾對弈更以逾兩億人觀看的規模,把這項技術機制推到公開檢驗的舞台上CITE:E7。
📊 證據與數據
- 外部已核驗強化學習是一種機器學習流程,讓自主代理人透過與環境互動來學習做決策。:與環境互動學習做決策ibm.com
- 外部已核驗在強化學習中,自主代理人是靠試誤來學習執行任務,過程中沒有人類使用者的指導。:靠試誤學習、無人類指導ibm.com
- 外部已核驗與監督式學習不同,強化學習不使用標示正確或錯誤行為的標記範例。:不用標記範例(異於監督式學習)ibm.com
- 外部已核驗代理人唯一的目標是最大化其從環境獲得的累積獎勵。:目標:最大化累積獎勵ibm.com
- 外部已核驗在強化學習中,策略(policy)是一個把對環境的觀察映射到代理人所要採取行動的函式。:策略=觀察映射到行動的函式developers.google.com
- 外部已核驗AlphaGo 以 5-0 的比數,贏得 AI 系統與職業圍棋棋士之間的史上首場對弈。:5-0 勝職業棋士(首場)deepmind.google
- 外部已核驗AlphaGo 於 2016 年 3 月在南韓首爾的比賽以 4-1 獲勝,全球逾兩億人觀看。:2016 首爾 4-1 勝、逾2億人看deepmind.google
常見問題
強化學習的基本概念:自主代理人如何透過環境互動學習決策?
IBM 定義強化學習為機器學習的一種流程,讓自主代理人透過與環境互動來學習做決策CITE:E1。這一學習過程仰賴試誤:代理人在沒有人類使用者指導的情況下,透過反覆嘗試學習如何執行任務CITE:E2。與監督式學習不同,強化學習不使用標示正確或錯誤行為的標記範例CITE:E3。
代理人的目標與策略機制:獎勵如何驅動最優行為?
IBM 指出,代理人的唯一目標是最大化其從環境獲得的累積獎勵CITE:E4。Google 將此行為機制形式化為策略(policy):一個把對環境的觀察映射到代理人所要採取行動的函式CITE:E5。換言之,代理人並非依循人類預先標記的正確答案,而是透過策略函式反覆調整行動,以逼近最大化累積獎勵的目標。
AlphaGo 案例:強化學習如何在圍棋對弈中獲得實戰驗證?
Google DeepMind 的 AlphaGo 於首場 AI 對職業棋士賽事中以 5-0 獲勝CITE:E6。2016 年 3 月,AlphaGo 在南韓首爾的比賽中以 4-1 獲勝,吸引全球逾兩億人觀看CITE:E7。
📎 資料來源
延伸數據
作者觀點・林紀旭 James Lin
AlphaGo 案例最值得留意的地方,是它把強化學習「最大化累積獎勵」這個抽象目標,轉化成可驗證的比賽成績:先是 5-0 拿下史上首場對弈,再於 2016 年首爾以 4-1 獲勝,且吸引逾兩億人觀看,等於把策略函式放進真實高風險賽局公開檢驗。相較於監督式學習依賴標記範例,這種不靠人類指導、純靠試誤學習的路徑,才是技術意義所在。後續若要判斷同類強化學習系統是否持續有效,可觀察的具體指標就是類似對弈場次的勝負比數,能否維持在 5-0、4-1 這樣的水準。
林
林紀旭 James Lin・總編輯
🔗 作者頁與著作
相關文章
快訊
勤誠（8210）8月營收24.57億元 年增40.5%、累計前8月年增51.7%
勤誠2026年8月營收達24.57億元，較去年同期成長40.5%，較7月則下滑0.2%；累計前8月營收198.48億元，年增51.7%。
EffectStory 編輯部 ·
快訊
存放款與財管業務發威！彰化銀行前8月獲利155億元創新高，EPS 1.29元
彰化銀行公布，前8月稅後盈餘155億元（精確155.67億元），年增23.21%，EPS達1.29元；獲利成長主要來自存放款與財富管理業務挹注，並持續推動雙翅膀策略、拓展信託版圖。
EffectStory 編輯部 ·