许多文章解释了强化学习(RL)的概念，但鲜有文章解释如何切实地设计实现现实世界中的强化学习。
小芯这次想分享人工智能范式转变课程，讨论设计权衡问题，并深入研究技术细节。
那么，我们开始吧!
首先，喝酒?
想象一下你身处聚会，有点微醺或酩酊大醉，自愿参加一个饮酒游戏，想要打动一个(或多个)颇具魅力的泛泛之交。
有人蒙住你的眼睛，给你一杯或一瓶啤酒，喊道：“倒酒!”
你会怎么做?
可能会有以下反应：该死，我应该怎么做?怎样能赢!要是输了怎么办!?
游戏规则如下：在10秒内把啤酒灌满，尽可能接近玻璃杯上的标记。可以把啤酒倒进倒出。
RL(强化学习)解决方案面临着类似的任务，高大上且有意义，欢迎了解。
现实世界中的啤酒问题
环保共享单车业务存在一个大问题。一天中，每个单车停放处(杯)的共享单车(啤酒)数量过多或不足。
纽约市单车停放处的单车过剩(左图)和不足(右图)
对于骑自行车的人来说，这十分不便，并且要花费数百万美元来管理运营，也不划算。不久前，笔者在纽约大学的团队任务是提供人工智能解决方案，将人工干预降到最小，帮助管理自行车库存。
目标：每天将各个单车停放处的数量保持在1至50之间(想想杯子上的标记)。这在共享经济中被称为“再平衡问题”。
限制条件：由于运营限制，团队每天每小时只能移动1、3或10辆单车(可以倒入或倒出的啤酒量)。当然，他们可以选择什么都不做。团队移动的单车越多，价格越昂贵。
惰性RL(强化学习)解决方案
团队决定使用RL (强化学习)，它克服了传统方法的许多局限(例如基于规则和预测)。
如果想了解RL(强化学习)以及一些关键概念，乔纳森·辉(JonathanHui)撰写了一篇很棒的介绍，托马斯·西蒙尼尼(ThomasSimonini )详细解释了解决方案中应用的RL算法Q-Learning。
事实证明，人类创建了极具惰性的人工智能。当单车存量超过60辆时，它通常会选择不执行任何操作或执行最少操作(移动1或3辆自行车)。似乎有违常理，但这是非常明智的。
根据直觉，可能会移动尽可能多的单车以将其保持在50辆以下，尤其是在停放处停满时。但是，RL(强化学习)识别出移动成本(移动的单车越多，成本越高)以及在某些情况下成功的机会。考虑到所剩时间，根本不可能实现目标。它知道最好的选择是“放弃”。因此，放弃比继续尝试要付出更少的代价!
所以呢?当人工智能做出非常规决策时，类似于谷歌Alpha Go研发的著名Move 37 and 78 ，它们会挑战人类的偏见，帮助打破知识的魔咒，并将人类推向未知的道路。
创造人工智能既是一种发明，也是一种探索人类内心活动的旅程。——DeepMind创始人德米斯·哈萨比斯 (Demis Hassabis)在《经济学人》杂志《2020年的世界》(The World in 2020)一文中所言。
但是，请保持谨慎。人类价值体系无可替代，因此人类不会一落千丈或迷失自我。
哲学知识已经足够了，现在现实一点吧
RL如何管理单车停放处?
下图显示了在有无RL的情况下，一天当中单车的停放量。
- 蓝色线是无RL情况下的单车停放趋势。
- 黄色线是最初RL情况下移出单车的趋势，很昂贵。
- 绿色线是训练有素的RL，它仅移出足以满足目标的单车，更能了解成本。
作者分析
RL如何决定该做什么?
以下是经过98,000次训练后RL解决方案Q表的快照。它解释了RL如何根据停放处(垂直数据)上的自行车数量来决定做什么(水平数据)。RL不太可能选择用红色进行操作。看看底部的红色区域。
作者分析
RL能有多智能?以下图表介绍了RL对停放处的管理情况。通过深入学习，RL可以将整体成功率逐步提高到98%，令人印象深刻。
作者分析
希望大家喜欢这篇文章，并由衷地期待RL在现实世界中展示出的潜力。
