人工智能， 這個曾經只存在於科幻小說中的概念 ，如今正以驚人的速度滲透進我們生活的方方面面， 從刷臉支付到個人化推薦 ，從智能家居到自動駕駛，人工智能正在悄然改變著我們的世界，而在人工智能領域，有一位學者始終站在浪潮之巔，他就是被譽為「深度學習三巨頭」之一的YLC
LC不僅是M的首席人工智能科學家，更是摺積神經網絡之父， 他在人工智能領域的影響力不言而喻 ，而這位AI大佬的一番言論， 再次引發了業界的廣泛關註 ，他直言不諱地表示，自己並不看好強化學習這條技術路線，反而對模型預測控制（MPC）情有獨鐘，這一觀點猶如一顆石子，投入了平靜的湖面，激起了層層漣漪
圖片來源於網絡
LC的這番話
，並非電洞來風，事實上， 他一直以來都是強化學習的堅定批評者 ，在他看來， 強化學習雖然在某些領域取得了一定的成功 ，但其效率低下、泛化能力不足等缺陷，始終制約著它的進一步發展相比之下
， LC更傾向於將MPC作為人工智能發展的重要方向 ，MPC是一種基於模型的控制方法，它透過預測系統未來的行為，來選擇最優的控制策略，這種方法已經在工業控制領域套用多年，並取得了顯著的成效LC認為
，MPC具備強化學習所不具備的優勢， 例如可解釋性強、控制精度高、對模型的依賴性相對較低等 ， 他相信 ，MPC將成為未來人工智能發展的重要方向
圖片來源於網絡
那麽
，LC為何對強化學習如此「不屑一顧」？MPC又有哪些過人之處， 能夠贏得這位AI大佬的青睞？要解答這些問題 ，我們還得從強化學習和MPC本身說起強化學習
，顧名思義， 就是讓機器透過不斷地試錯 ，從環境中學習到最佳的行為策略，就像我們小時候學習騎單車一樣，一開始總是會摔倒， 但透過不斷地練習 ，我們最終能夠掌握平衡，熟練地騎行強化學習在近年來取得了令人矚目的成就
， AG戰勝圍棋世界冠軍 ，OAIF在D2比賽中擊敗了職業戰隊， 這些都離不開強化學習技術的支持 ，強化學習也存在著一些難以克服的缺陷圖片來源於網絡
強化學習的樣本效率非常低
，這意味著，強化學習演算法需要大量的訓練數據才能學習到有效的策略， 以AG為例 ， 它訓練了數月之久 ，才最終戰勝了人類頂尖棋手強化學習的訓練過程通常非常耗時，這是因為強化學習演算法需要不斷地與環境互動， 並根據反饋來調整策略 ， 在復雜的環境中 ，這個過程可能需要數天甚至數周才能完成
強化學習的泛化能力也常常受到詬病
，這意味著， 強化學習演算法在訓練環境中學習到的策略 ，往往難以直接套用到新的環境中
圖片來源於網絡
強化學習的安全性也是一個不容忽視的問題，由於強化學習演算法的行為具有一定的隨機性，因此很難完全預測它在實際套用中會做出什麽樣的決策
正是由於這些缺陷
， LC對強化學習一直持懷疑態度 ，他認為，強化學習更像是一種「蠻力」方法，它依賴於大量的計算資源和數據，才能取得較好的效果與強化學習不同
，MPC是一種基於模型的控制方法， 它首先需要建立一個能夠描述系統行為的數學模型 ，然後根據這個模型來預測系統未來的狀態，並選擇能夠使系統達到預期目標的控制策略
圖片來源於網絡
MPC的優勢在於， 它能夠利用模型資訊來進行預測和最佳化 ，從而避免了強化學習中大量的試錯過程， MPC的控制策略通常具有較強的可解釋性 ，這使得人們更容易理解和信任它做出的決策
MPC已經在工業控制領域套用多年， 並取得了巨大的成功 ， 在化工生產過程中 ，MPC可以用來控制反應溫度、壓力等關鍵參數，從而提高產品質素、降低生產成本
近年來， 隨著人工智能技術的快速發展 ， MPC也開始與機器學習技術相結合 ， 形成了一種新的控制方法 ，即ML-MPC，ML-MPC利用機器學習演算法來學習系統的模型，從而克服了傳統MPC方法中需要人工建立模型的局限性
圖片來源於網絡
LC對MPC的偏愛並非毫無道理， 他認為 ， MPC具備強化學習所不具備的優勢 ，例如可解釋性強、控制精度高、對模型的依賴性相對較低等， 他相信 ，MPC將成為未來人工智能發展的重要方向
LC的觀點也並非沒有爭議， 一些學者認為 ，強化學習和MPC各有優劣，它們在不同的套用場景下都有各自的優勢，在遊戲、機器人控制等領域， 強化學習已經取得了令人矚目的成就；而在工業控制、自動駕駛等領域 ，MPC則更具優勢
未來
，強化學習和MPC將會如何發展？它們之間是否會融合，形成一種新的控制方法？這些問題， 還有待時間和實踐來給出答案 ，但可以肯定的是， LC的觀點 ，必將引發人們對人工智能發展方向的更深入思考圖片來源於網絡
在人工智能領域
，總有一些話題如同夜空中閃爍的星辰，吸引著無數研究者的目光， 而強化學習與模型預測控制（MPC）的「較量」 ，無疑是其中最耀眼的一顆， YLC ，這位深度學習領域的泰鬥級人物，對MPC的偏愛，更是為這場「較量」增添了一絲神秘的色彩LC對強化學習的「不看好」
， 並非一時興起 ，而是源於他對人工智能本質的深刻思考，在他看來，人類的學習並非完全依賴於海量數據的「餵養」，而是建立在對世界不斷觀察、預測和推理的基礎之上
圖片來源於網絡
嬰兒不需要透過觸碰無數次滾燙的開水， 才能明白「燙」的含義；孩童也不需要無數次跌倒 ，才能學會走路， 他們總是在觀察中學習 ， 在預測中行動 ，並在與世界的互動中不斷完善自身的認知模型
而強化學習
，雖然在AG、OAIF等專案中取得了令人矚目的成就，但其「試錯」的學習方式，與人類的認知方式存在著本質區別， LC認為 ，這種依賴於海量數據和計算資源的學習方式， 效率低下且泛化能力有限 ，難以真正實作通用人工智能的目標相比之下，MPC則更符合LC對人工智能的理解， MPC的核心思想是 ， 透過建立一個能夠準確描述系統行為的模型 ， 來預測系統未來的狀態 ，並根據預測結果選擇最優的控制策略
圖片來源於網絡
這種「先預測
，後行動」的理念， 與人類的認知方式有著異曲同工之妙 ， 當我們開車行駛在道路上時 ，會根據路況、車流等資訊，預測前方車輛的運動軌跡，並據此調整自己的駕駛行為，以確保行車安全MPC的優勢在於
，它能夠利用模型資訊來進行預測和最佳化， 從而避免了強化學習中大量的試錯過程 ，MPC的控制策略通常具有較強的可解釋性，這使得人們更容易理解和信任它做出的決策MPC也並非完美無缺
， 它最大的挑戰在於 ，如何建立一個能夠準確描述現實世界復雜性的模型， 在很多情況下 ，建立一個完全準確的模型幾乎是不可能的
圖片來源於網絡
為了克服這一難題， 研究人員開始探索將機器學習與MPC相結合 ， 利用機器學習演算法從數據中學習系統的模型 ，從而實作更精準、更智能的控制， 這種融合了機器學習和控制理論的新方法 ，被稱為ML-MPC
ML-MPC的出現， 為MPC的發展註入了新的活力 ，它不僅可以解決傳統MPC方法中需要人工建立模型的難題，還可以利用機器學習演算法強大的數據處理能力，處理更加復雜、更高維的控制問題
可以預見
， ML-MPC將在自動駕駛、機器人控制、智能制造等領域發揮越來越重要的作用 ，而LC對MPC的推崇，或許也將加速ML-MPC的研究和套用
圖片來源於網絡
無論是強化學習
，還是MPC， 都只是通往通用人工智能道路上的不同探索路徑 ， 它們各有優劣 ，也存在著各自的局限性強化學習
，如同一個充滿好奇心的孩子，它透過不斷地試錯，來探索世界的奧秘， 它的學習方式雖然效率低下 ，但卻充滿了無限的可能性MPC
，則像一位經驗豐富的工程師，它利用模型和演算法，來預測和控制系統的行為， 它的方法雖然嚴謹可靠 ，但卻缺乏一定的靈活性
圖片來源於網絡
或許， 未來的通用人工智能 ， 既需要強化學習的探索精神 ，也需要MPC的嚴謹思維，只有將兩者有機地結合起來，才能創造出真正智能的機器
在人工智能的星辰大海中
，探索永無止境，而LC對MPC的偏愛， 也提醒著我們 ，不要被現有的技術路線所束縛，要勇於探索新的可能性，才能最終抵達彼岸LC與強化學習和MPC的故事， 還在繼續 ， 而人工智能的未來 ，也必將更加精彩紛呈，讓我們拭目以待共同見證人工智能的下一個奇跡！
圖片來源於網絡
您對YLC的觀點有什麽看法？歡迎在評論區留言分享您的見解！
本文旨在傳遞積極向上的價值觀，無任何不良引導意圖。如有侵權，請聯系我們及時處理。
