التعلّم المعزّز
التعلّم بالتجربة والخطأ والمكافأة؛ يشغّل ذكاء الألعاب والروبوتات وتدريب RLHF والاستدلال في نماذج LLM الحديثة.
- 1983

النسخة الأولى
أندرو بارتو وريتشارد سوتون
الصورة: University of Massachusetts Amherst (derived from the Commonwealth seal by E. H… · Public domain · Wikimedia Commons ('Old seal of the University … - 1988

تعلّم الفروق الزمنية (سوتون)
يتعلّم التنبؤات من التقديرات المتتالية بدل النتائج النهائية.
الصورة: Original: GTE Vector: Opertinicy · Public domain · Wikimedia Commons - 1989

خوارزمية Q-learning (واتكينز)
طريقة بلا نموذج لتعلّم قيم الأفعال المثلى.
الصورة: Unknown author · CC BY-SA 3.0 · Wikimedia Commons - 1992

برنامج TD-Gammon (تيسارو، IBM)
تعلّم الفروق الزمنية باللعب الذاتي يقترب من مستوى أبطال لعبة الطاولة.
الصورة: Nikos Kitsakis · CC BY 4.0 · Wikimedia Commons - 2013

شبكة Deep Q-Network (DeepMind)
يتعلّم التعلّم المعزّز العميق لعب ألعاب Atari مباشرةً من بكسلات الشاشة: 7 ألعاب في 2013، و49 لعبة في ورقة Nature عام 2015.
الصورة: Evan-Amos · Public domain · Wikimedia Commons - 2022

تقنية RLHF (InstructGPT/ChatGPT)
مكافآت التغذية الراجعة البشرية تواءم النماذج اللغوية؛ وتتيح ChatGPT.
الصورة: Unknown author · CC BY 3.0 · Wikimedia Commons - 2025

التعلّم المعزّز للاستدلال (DeepSeek-R1)
التعلّم المعزّز وحده بمكافآت قابلة للتحقق يعلّم النماذج اللغوية استدلالًا طويلًا خطوة بخطوة، ونُشر علنًا.
الصورة: High-Flyer · Public domain · Wikimedia Commons
موضع خلاف: يبني على البرمجة الديناميكية لبيلمان (1957) وبرنامج الداما لصامويل (1959) وآلة MENACE لميتشي (1961)؛ ونسبت جائزة تورينغ 2024 الفضل إلى بارتو وسوتون.