导入
简介：使用生成式AI玩视频游戏
了解本章将涵盖的主题概要。
除了使用深度神经网络生成复杂数据外，神经网络还可用于学习实体（例如视频游戏角色或车辆）在特定环境中应如何响应以最大化奖励，这种方法被称为强化学习（RL）。尽管强化学习并不本质上依赖于深度学习或生成式人工智能，但这些领域的结合催生了一系列强大的技术，可用于优化复杂的决策行为。
在本章中，我们将学习如何应用生成对抗网络（GAN）来训练不同角色在 OpenAI 仿真环境中实现最优导航策略。为了理解这些方法与传统强化学习方法相结合的强大能力，我们首先回顾强化学习试图解决的一般性问题：在给定某个状态的情况下，如何确定实体应采取的正确动作，从而进入新的状态并获得奖励。能够最大化此类奖励的决策规则称为策略（policy）。
我们将重点关注以下内容：
- 深度神经网络如何被用于学习高维数据下的复杂策略，例如直接从雅达利（Atari）电子游戏的原始像素输入中学习。
- 逆向强化学习（IRL）的问题在于：通过观察一个能做出最优决策的“专家”代理所表现出的策略样例，反推出其背后的奖励函数；这类算法也被称为模仿学习。
- 如何利用 GAN 的训练机制来区分专家行为与非专家行为（正如我们之前区分模拟数据与真实数据那样），进而优化奖励函数。