AIxiv專欄是機(jī)器之心發(fā)布學(xué)術(shù)、技術(shù)內(nèi)容的欄目。過去數(shù)年，機(jī)器之心AIxiv專欄接收?qǐng)?bào)道了2000多篇內(nèi)容，覆蓋全球各大高校與企業(yè)的頂級(jí)實(shí)驗(yàn)室，有效促進(jìn)了學(xué)術(shù)交流與傳播。如果您有優(yōu)秀的工作想要分享，歡迎投稿或者聯(lián)系報(bào)道。投稿郵箱：liyazhou@jiqizhixin.com；zhaoyunfeng@jiqizhixin.com
本論文由倫敦大學(xué)學(xué)院、上海交通大學(xué)、布朗大學(xué)、布里斯托大學(xué)、新加坡國(guó)立大學(xué)以及薩里大學(xué)的研究者合作完成。馮熙棟是論文第一作者，即將畢業(yè)于倫敦大學(xué)學(xué)院。目前是Google DeepMind的Research Scientist，主要研究方向包括強(qiáng)化學(xué)習(xí)與生成模型。劉博是本推文作者，新加坡國(guó)立大學(xué)二年級(jí)博士生，研究強(qiáng)化學(xué)習(xí)、推理及機(jī)器學(xué)習(xí)系統(tǒng)在復(fù)雜現(xiàn)實(shí)環(huán)境中的應(yīng)用。
在人工智能發(fā)展史上，強(qiáng)化學(xué)習(xí) (RL) 憑借其嚴(yán)謹(jǐn)?shù)臄?shù)學(xué)框架解決了眾多復(fù)雜的決策問題，從圍棋、國(guó)際象棋到機(jī)器人控制等領(lǐng)域都取得了突破性進(jìn)展。然而，隨著應(yīng)用場(chǎng)景日益復(fù)雜，傳統(tǒng)強(qiáng)化學(xué)習(xí)過度依賴單一數(shù)值獎(jiǎng)勵(lì)的局限性日益凸顯。在現(xiàn)實(shí)世界中，反饋信號(hào)往往是多維度、多模態(tài)的，例如教練的口頭指導(dǎo)、視覺示范，或是詳細(xì)的文字說明。來自倫敦大學(xué)學(xué)院、上海交通大學(xué)、布朗大學(xué)、新加坡國(guó)立大學(xué)和布里斯托大學(xué)的聯(lián)合研究團(tuán)隊(duì)提出了全新的自然語(yǔ)言強(qiáng)化學(xué)習(xí)（Natural Language Reinforcement Learning, NLRL）范式，成功將強(qiáng)化學(xué)習(xí)的核心概念類比為基于自然語(yǔ)言的形式，開辟了一條通向更智能、更自然的 AI 決策學(xué)習(xí)的新道路。
論文題目: Natural Language Reinforcement Learning
論文鏈接: https://arxiv.org/abs/2411.14251
代碼鏈接: https://github.com/waterhorse1/Natural-language-RL
從數(shù)值到語(yǔ)言：新范式的萌芽隨著大語(yǔ)言模型（LLM）在理解和生成自然語(yǔ)言方面的飛速發(fā)展，研究者們開始探索如何讓 AI 系統(tǒng)像人類一樣通過語(yǔ)言來理解任務(wù)、制定策略并解釋決策過程。論文第一作者的早期工作 ChessGPT（https://arxiv.org/abs/2306.09200）嘗試通過收集對(duì)局評(píng)論來訓(xùn)練語(yǔ)言模型并取得了一定成功。然而，這種基于人類數(shù)據(jù)的學(xué)習(xí)方式很快遇到了瓶頸：互聯(lián)網(wǎng)數(shù)據(jù)質(zhì)量參差不齊，高質(zhì)量專家標(biāo)注成本高昂，而對(duì)于全新任務(wù)更是無從獲取相關(guān)經(jīng)驗(yàn)數(shù)據(jù)。這種困境促使研究團(tuán)隊(duì)開始探索一個(gè)更具突破性的方向：能否設(shè)計(jì)一個(gè)框架，讓 AI 系統(tǒng)完全通過與環(huán)境的交互來學(xué)習(xí)，而不依賴任何人類標(biāo)注數(shù)據(jù)？傳統(tǒng)強(qiáng)化學(xué)習(xí)為這個(gè)問題提供了靈感，但其單一數(shù)值獎(jiǎng)勵(lì)的機(jī)制難以滿足復(fù)雜場(chǎng)景的需求。團(tuán)隊(duì)意識(shí)到需要一個(gè)新范式，既要繼承強(qiáng)化學(xué)習(xí)的數(shù)學(xué)嚴(yán)謹(jǐn)性，又要具備自然語(yǔ)言的表達(dá)豐富性。這個(gè)思路最終導(dǎo)向了 NLRL 的誕生。自然語(yǔ)言強(qiáng)化學(xué)習(xí)傳統(tǒng)強(qiáng)化學(xué)習(xí)雖然在數(shù)學(xué)上嚴(yán)謹(jǐn)優(yōu)雅，但其單一數(shù)值反饋機(jī)制與人類學(xué)習(xí)方式存在巨大差距。研究團(tuán)隊(duì)從象棋教練指導(dǎo)學(xué)生的場(chǎng)景獲得啟發(fā)：教練不會(huì)簡(jiǎn)單說 “這步棋的價(jià)值是 0.7”，而是會(huì)詳細(xì)解釋 “這個(gè)走法控制了中心，限制了對(duì)手的機(jī)動(dòng)性，同時(shí)為王翼進(jìn)攻創(chuàng)造了條件”。這種觀察促使團(tuán)隊(duì)思考：能否將豐富的語(yǔ)言反饋信號(hào)整合進(jìn)學(xué)習(xí)框架？這個(gè)思路的關(guān)鍵突破來自對(duì)傳統(tǒng)強(qiáng)化學(xué)習(xí)本質(zhì)的重新思考：既然傳統(tǒng) RL 可以通過蒙特卡洛和時(shí)序差分等方法進(jìn)行學(xué)習(xí)，這些方法是否可以擴(kuò)展到語(yǔ)言空間？基于這一洞察，團(tuán)隊(duì)提出了 NLRL 框架，將傳統(tǒng) RL 中的數(shù)學(xué)概念類比為語(yǔ)言形式。以下是一個(gè)對(duì)應(yīng)關(guān)系示意圖。
具體而言，NLRL 引入 “語(yǔ)言任務(wù)指令”（T_L）替代抽象的獎(jiǎng)勵(lì)函數(shù)，并設(shè)計(jì)了度量函數(shù) F 來評(píng)估軌跡描述 D_L (τ_π) 與任務(wù)指令的完成度。語(yǔ)言化的決策框架在 NLRL 中，MDP 的每個(gè)組成部分都被重新定義為文本形式。狀態(tài)變?yōu)榘暾舷挛牡淖匀徽Z(yǔ)言描述，動(dòng)作空間轉(zhuǎn)化為帶有推理過程的語(yǔ)言決策，而環(huán)境反饋則擴(kuò)展為包含原因分析的詳細(xì)評(píng)估。例如，在迷宮環(huán)境中的狀態(tài)描述會(huì)包含位置、周圍環(huán)境、歷史探索等完整信息。語(yǔ)言策略與推理NLRL 中的策略 π_L 被創(chuàng)新性地分解為兩個(gè)部分：π_L (a,c|s) = π_L (c|s)π_L (a|c,s)，其中 c 代表思維過程。這種分解使得決策過程變得完全透明。以國(guó)際象棋為例，系統(tǒng)會(huì)先分析局勢(shì)（“白方控制中心點(diǎn)，黑方王翼薄弱”），提出計(jì)劃（“開展王翼進(jìn)攻，同時(shí)固守中心”），最后給出具體建議（“Nf3-e5，威脅 f7 并加強(qiáng)中心控制”）。語(yǔ)言價(jià)值評(píng)估NLRL 將傳統(tǒng)的標(biāo)量值函數(shù) V (s) 和 Q (s,a) 擴(kuò)展為語(yǔ)言價(jià)值函數(shù) V^L_π 和 Q^L_π。這種擴(kuò)展使得評(píng)估變得更加豐富和可解釋。評(píng)估結(jié)果不僅包含勝率，還涵蓋空間利用、子力配合等多個(gè)角度的分析，并提供具體的改進(jìn)建議。從理論到實(shí)踐將強(qiáng)化學(xué)習(xí)的數(shù)學(xué)概念轉(zhuǎn)化為語(yǔ)言形式是一個(gè)優(yōu)雅的構(gòu)想，但如何在實(shí)踐中實(shí)現(xiàn)這種轉(zhuǎn)化卻是一個(gè)巨大的挑戰(zhàn)。研究團(tuán)隊(duì)意識(shí)到，近年來大語(yǔ)言模型在自然語(yǔ)言處理和推理能力方面的突破，為 NLRL 的實(shí)現(xiàn)提供了關(guān)鍵工具。通過深入研究大語(yǔ)言模型的能力邊界，團(tuán)隊(duì)發(fā)現(xiàn) LLM 不僅能夠理解和生成自然語(yǔ)言，還具備 information synthesis（信息綜合）、reasoning（推理）和 correlation analysis（相關(guān)性分析）等能力，這些能力恰好對(duì)應(yīng)了傳統(tǒng)強(qiáng)化學(xué)習(xí)中的期望計(jì)算、價(jià)值估計(jì)和策略改進(jìn)等核心操作�；谶@一洞察，研究團(tuán)隊(duì)提出了三個(gè)關(guān)鍵技術(shù)創(chuàng)新，構(gòu)建了完整的 NLRL 實(shí)現(xiàn)框架：語(yǔ)言蒙特卡洛估計(jì)在傳統(tǒng)強(qiáng)化學(xué)習(xí)中，蒙特卡洛方法通過采樣多條軌跡并取平均值來估計(jì)狀態(tài)價(jià)值。但在語(yǔ)言空間中，我們無法直接對(duì)文本描述進(jìn)行算術(shù)平均。研究團(tuán)隊(duì)利用大語(yǔ)言模型作為信息聚合器 (aggregator)。具體來說，當(dāng)系統(tǒng)需要評(píng)估某個(gè)狀態(tài)時(shí)，它會(huì)：1. 從該狀態(tài)開始采樣 K 條完整軌跡2. 將每條軌跡轉(zhuǎn)化為詳細(xì)的文本描述3. 使用專門設(shè)計(jì)的提示讓 LLM 扮演 “專家評(píng)估員” 的角色4.LLM 分析所有軌跡描述，提取關(guān)鍵模式和見解5. 生成一個(gè)綜合性的評(píng)估報(bào)告例如，在國(guó)際象棋中，系統(tǒng)可能會(huì)分析說：“基于觀察到的 20 個(gè)可能發(fā)展，此位置對(duì)白方有利。在 80% 的變化中，白方能夠通過控制中心格和針對(duì) f7 的戰(zhàn)術(shù)威脅獲得優(yōu)勢(shì)。但需要注意的是，如果黑方成功完成王翼城堡，局勢(shì)可能趨于平衡�！�
語(yǔ)言時(shí)序差分學(xué)習(xí)傳統(tǒng)的時(shí)序差分學(xué)習(xí)基于貝爾曼方程，將長(zhǎng)期價(jià)值分解為即時(shí)獎(jiǎng)勵(lì)和未來狀態(tài)的折扣價(jià)值。NLRL 創(chuàng)新性地提出了語(yǔ)言貝爾曼方程，將這種時(shí)序關(guān)系擴(kuò)展到語(yǔ)言空間。在 NLRL 中，語(yǔ)言時(shí)序差分學(xué)習(xí)包含三個(gè)關(guān)鍵組件：1. 文本描述生成器 d：將狀態(tài)轉(zhuǎn)換 (s,a,r,s') 轉(zhuǎn)化為自然語(yǔ)言描述2. 信息聚合函數(shù) G1：綜合多個(gè)時(shí)間步的信息3. 語(yǔ)言組合函數(shù) G2：將即時(shí)反饋與未來評(píng)估結(jié)合這三個(gè)組件協(xié)同工作的方式如下：
首先，d 將環(huán)境反饋轉(zhuǎn)化為詳細(xì)的文本描述，包括采取的動(dòng)作、即時(shí)反饋和到達(dá)的新狀態(tài)
G2（通常是一個(gè)經(jīng)過特殊提示的 LLM）將即時(shí)描述與對(duì)未來狀態(tài)的語(yǔ)言評(píng)估結(jié)合，生成一個(gè)整體性的分析
G1 聚合多個(gè)這樣的分析，得出最終的狀態(tài)評(píng)估
在實(shí)踐中，這種方法表現(xiàn)出了獨(dú)特的優(yōu)勢(shì)：
可以捕捉到難以量化的微妙因素
評(píng)估結(jié)果具有很強(qiáng)的可解釋性
能夠處理長(zhǎng)期依賴關(guān)系
語(yǔ)言策略提升在傳統(tǒng)強(qiáng)化學(xué)習(xí)中，策略提升通常通過梯度上升來最大化期望回報(bào)。但在語(yǔ)言空間中，我們需要一個(gè)全新的策略提升機(jī)制。研究團(tuán)隊(duì)提出了基于語(yǔ)言相關(guān)性分析的策略提升方法。這種提升機(jī)制的工作原理是：1. 對(duì)當(dāng)前狀態(tài)收集多個(gè)候選動(dòng)作2. 獲取每個(gè)動(dòng)作的語(yǔ)言價(jià)值評(píng)估3. 使用 LLM 分析這些評(píng)估與任務(wù)目標(biāo)的相關(guān)性4. 生成改進(jìn)的決策鏈路，包括：
詳細(xì)的推理過程
對(duì)不同選項(xiàng)的權(quán)衡分析
最終決策的依據(jù)
例如，在迷宮導(dǎo)航任務(wù)中，系統(tǒng)可能會(huì)這樣分析：“向右移動(dòng)是最優(yōu)選擇，因?yàn)椋?）根據(jù)之前的探索經(jīng)驗(yàn)，右側(cè)路徑更可能通向目標(biāo) 2）即使這條路不是最短路徑，也為我們保留了回退的選項(xiàng) 3）相比向上移動(dòng)可能遇到的死胡同，這個(gè)選擇風(fēng)險(xiǎn)更小�！�實(shí)驗(yàn)驗(yàn)證研究團(tuán)隊(duì)在三個(gè)具有代表性的環(huán)境中系統(tǒng)地驗(yàn)證了 NLRL 的效果。這些實(shí)驗(yàn)不僅展示了 NLRL 的性能優(yōu)勢(shì)，更重要的是證明了該框架在不同類型任務(wù)中的普適性和可擴(kuò)展性。迷宮導(dǎo)航 - 基于 prompt 的自然語(yǔ)言策略迭代在復(fù)雜的迷宮導(dǎo)航任務(wù)中，研究團(tuán)隊(duì)測(cè)試了純基于 prompt 的自然語(yǔ)言策略迭代算法。研究團(tuán)隊(duì)選擇了兩種具有挑戰(zhàn)性的迷宮環(huán)境進(jìn)行測(cè)試：雙 T 型迷宮和中等復(fù)雜度迷宮。在這些環(huán)境中，智能體需要從隨機(jī)初始位置導(dǎo)航到目標(biāo)位置，同時(shí)避免撞墻。通過語(yǔ)言 TD 估計(jì)，在雙 T 型迷宮中實(shí)現(xiàn)了 - 11.19±2.86 的平均獎(jiǎng)勵(lì)，遠(yuǎn)優(yōu)于基線方法的 - 27.29±4.43。但 NLRL 真正的優(yōu)勢(shì)不僅僅體現(xiàn)在數(shù)字上。系統(tǒng)能夠清晰地解釋每個(gè)決策的原因，例如：“選擇向南移動(dòng)，因?yàn)椋?）北邊是死胡同，我們之前已經(jīng)探索過 2）南向路徑似乎更接近目標(biāo)位置 3）即使這條路不是最優(yōu)解，我們?nèi)员Ａ袅讼驏|撤退的選項(xiàng)�！� 實(shí)驗(yàn)還發(fā)現(xiàn)，增加變化數(shù)量和前瞻步數(shù)能進(jìn)一步提升性能。 
突破棋 (Breakthrough)- 自然語(yǔ)言價(jià)值函數(shù)在 5x5 突破棋（狀態(tài)空間達(dá) 10^8）這個(gè)幾乎沒有人類數(shù)據(jù)的任務(wù)中，NLRL 純依靠環(huán)境反饋訓(xùn)練出了高質(zhì)量的語(yǔ)言評(píng)估器。通過混合不同水平的 MCTS 策略數(shù)據(jù)構(gòu)建訓(xùn)練集，評(píng)估器達(dá)到了 0.85 的準(zhǔn)確率，顯著超越 LLAMA-3.1-70b 的 0.61 以及 GPT-4o 的 0.58。更重要的是，這個(gè)評(píng)估器能提供專業(yè)級(jí)別的局勢(shì)分析。例如：“黑方略占優(yōu)勢(shì)，原因有三：1）在 d4 和 e4 形成了穩(wěn)固的雙兵鏈 2）白方右翼的兵形成了薄弱點(diǎn) 3）黑方的推進(jìn)速度比白方快半步。建議白方通過 c3-c4 來爭(zhēng)奪中心控制權(quán)。”
井字棋 - 自然語(yǔ)言 Actor-Critic在井字棋環(huán)境中，團(tuán)隊(duì)實(shí)現(xiàn)了完整的語(yǔ)言 Actor-Critic 系統(tǒng)。通過動(dòng)作選擇掩碼防止幻覺、經(jīng)驗(yàn)緩沖區(qū)解決遺忘問題、持續(xù)的迭代優(yōu)化等創(chuàng)新，系統(tǒng)在隨機(jī)對(duì)手下實(shí)現(xiàn) 90% 以上勝率，面對(duì)確定性策略甚至能保持 100% 的勝率，同時(shí)保持決策過程的清晰可解釋性。
