深度强化学习
结合深度学习与强化学习的方法，用神经网络近似策略或价值函数，通过与环境的交互学习期望回报
时间轴 (近 90 天)
深度强化学习需要经验回放、目标网络等稳定化技巧来应对函数逼近带来的不稳定和发散风险。
函数逼近是打通表格型强化学习与深度强化学习的关键概念，当状态空间连续或巨大时，用参数化函数（如线性模型或神经网络）来近似价值函数或策略。
开发者miwate使用深度强化学习训练的智能体在《Getting Over It with Bennett Foddy》游戏中从底部到达了63%的高度，且未使用检查点。
深度强化学习结合了深度学习和强化学习，使机器人能够从摄像头图像直接学习控制策略。
深度强化学习让网络在与环境交互中学习期望回报而非单一确定轨迹，适合动作结果不确定的场景。
深度强化学习用神经网络近似策略或价值函数，推理时只需一次前向计算，响应快，但需要大量对局训练，且训练环境必须能高效模拟沙粒物理。
深度强化学习策略在分布内表现良好，但面对 OOD 输入时神经网络外推能力有限，容易输出高置信度却错误的预测，进而导致危险决策。
深度强化学习无法提供L-无穷（最坏情况）保证，因为一切基于采样，而采样与绝对最大误差天然不兼容
Atari深度强化学习的突破为AlphaGo、AlphaStar等后续项目奠定了方法论基础
强化学习通过智能体与环境反复交互并根据奖励信号学习最优策略，Deep RL用深度神经网络作为策略近似器，能处理高维连续状态动作空间并在微秒级做出控制决策
还有 4 条时间轴事件
全部知识事实 (14)
深度强化学习需要经验回放、目标网络等稳定化技巧来应对函数逼近带来的不稳定和发散风险。
50%待验证函数逼近是打通表格型强化学习与深度强化学习的关键概念，当状态空间连续或巨大时，用参数化函数（如线性模型或神经网络）来近似价值函数或策略。
50%待验证深度强化学习结合了深度学习和强化学习，使机器人能够从摄像头图像直接学习控制策略。
50%待验证深度强化学习让网络在与环境交互中学习期望回报而非单一确定轨迹，适合动作结果不确定的场景。
50%待验证深度强化学习用神经网络近似策略或价值函数，推理时只需一次前向计算，响应快，但需要大量对局训练，且训练环境必须能高效模拟沙粒物理。
50%待验证深度强化学习策略在分布内表现良好，但面对 OOD 输入时神经网络外推能力有限，容易输出高置信度却错误的预测，进而导致危险决策。
50%待验证深度强化学习无法提供L-无穷（最坏情况）保证，因为一切基于采样，而采样与绝对最大误差天然不兼容
50%待验证Atari深度强化学习的突破为AlphaGo、AlphaStar等后续项目奠定了方法论基础
50%待验证DeepMind的方法训练单一神经网络策略，直接从等离子体状态映射到所有磁场线圈的控制指令，能稳定维持负三角形截面和雪花型偏滤器等此前难以实现的等离子体配置
50%待验证强化学习通过智能体与环境反复交互并根据奖励信号学习最优策略，Deep RL用深度神经网络作为策略近似器，能处理高维连续状态动作空间并在微秒级做出控制决策
50%待验证深度RL策略目前缺乏像李雅普诺夫稳定性分析那样为系统提供严格数学保证的理论工具
50%待验证黑箱式神经网络策略难以提供稳定性保证，深度RL策略目前缺乏李雅普诺夫稳定性分析等理论工具
50%待验证已有多个开源项目使用深度强化学习训练的 AI 代理在 Flappy Bird 上达到永不死亡的水平
50%待验证开发者miwate使用深度强化学习训练的智能体在《Getting Over It with Bennett Foddy》游戏中从底部到达了63%的高度，且未使用检查点。
50%