強化学習とは？

別名： Reinforcement learning、RL

強化学習では、AIが行動を試し、報酬や罰から目標につながる行動を学びます。

例

AIがゲームを何千回も遊び、点数が多く取れた手を選ぶようになります。

エージェントはある状態で行動を選び、報酬を受け取り、期待される合計報酬を最大にしようとします。言語モデルでは、RLHFや、答えを確かめられる課題での推論モデルの学習に使われます。報酬の設計がまずいと、望ましくない近道(報酬ハッキング)が起こります。

AI Compare NinjaがAIの支援を受けて執筆し、編集部が確認しています。すべての解説は独自の文章です。