Policy Gradient — 策略梯度

事实

一种直接优化策略、提升长期回报的强化学习方法。

人话

它教 AI 踢球不盯每脚姿势，只看这回合最后进没进：进了，就把刚才那套跑位和出脚多练几遍。

它常用于机器人控制和 RLHF，让模型根据反馈逐步学会更好的决策。

相关概念

• 人类反馈强化学习
• 随机梯度下降
• AI 代理

RLHF
RLHF 常用它根据奖励信号，调整模型偏好的方向。

SGD
它算出梯度后，通常还是靠梯度下降更新参数。

Agent
它适合训练需要连续决策的智能体不断试错。