Abstract: 本文主要介绍强化学习现阶段的情况，以及未来的去向的一种预测。
Keywords: modern Reinforcement Learning，现代强化学习，Psychology，心理学，Neuroscience，神经系统科学，mathematics，数学
强化学习和人工智能
现代强化学习 Modern Reinforcement Learning
现在的RL可以很有效的跟其他学科结合产生出一些特定领域非常客观的结果，尤其是在工程和自然科学领域。当然RL也可以在金融等方面有所作为，称为一个有力的工具。
RL在未来一段时间内，会成为AI或者机器学习中的主力，但需要结合一下这些学科的相互扶持，以下列举包括但不限于：
- Statistics(统计)
- Optimization(优化)
- other Mathematics(其他数学)
- Psychology(心理学)
- Neuroscience(神经系统科学)
说RL是未来的一个倾向是有原因的：
- RL最接近任何动物的学习方式
- RL的核心算法有很多都是直接来自biological learning system
而且RL可以和生物研究相配合，生物研究可以提供给RL一些数据，而RL可以创建一些reward system的模型。
Psychology和Neuroscience会在14和15章中介绍，而本书主要部分是介绍RL在工程和AI中的相关内容。
弱方法和强方法(Weak or Strong Method)
讲一段历史，1960’s 那段时间，大家认为general principle是扯淡的，根本没这东西，所以没人研究这类算法，他们认为只要数据足够多，就能产生智慧，当然现在来看，他们的看法局限性很大，但是别忘了，后面二十年的结果会导致我们现在的热门研究也有局限性，所以，不要到处鼓吹某项技术能成为永远，包括RL可能就是未来AI中的一个小角色，或者一个雏形，至于CNN什么的，就是个SVM，玩来玩去，其实也就是在没有理论指导下的随机结果。
general principle被认为是weak method，而与此相对的是strong method。
weak方法基于：
- search
- learning
strong方法基于：
- specific knowledge
总结(Conclusion)
介绍了介绍RL的最后一部分，后面基本就开始深入各个分支进行介绍了。
需要指出的是，RL在AI中作用目前不知道有多重要或多不重要,本书作者说：
It is not clear how far back the pendulum will swing, but reinforcement learning research is certainly part of the swing back toward simpler and fewer general principles of artificial intelligence.
这段不翻译了，对于技术科技类的内容：”信”的翻译不能做到 “雅达”,”雅达”的翻译不能做到 “信”
References
- Sutton R S, Barto A G. Reinforcement learning: An introduction[J]. 2011.
原文来自：https://face2ai.com/RL-RSAB-1-1-4-Reinforcement-Learning/转载标明出处