路线二：J(θ)——直接优化策略

本节导读

核心内容

• 掌握参数化策略 $\pi_\theta(a\mid s)$ 如何直接表示"看到什么做什么"。
• 理解策略目标 $J(\theta)$ 如何衡量一个策略的平均长期回报。
• 知道策略梯度的直觉：提高带来高回报动作的概率，降低带来低回报动作的概率。

核心公式

$$\pi_\theta(a\mid s) = P_\theta(A_t=a\mid S_t=s) \quad \text{（参数化随机策略：用 }\theta\text{ 表示动作分布）}$$

参数化随机策略 (Parameterized Stochastic Policy)：

• $\pi_\theta$：带参数 $\theta$ 的策略函数（比如一个神经网络）。
• $P_\theta$：由参数 $\theta$ 决定的概率分布。这个公式说明，策略本质上就是一个输出“在状态 $s$ 下选动作 $a$ 的概率”的模型。

$$J(\theta) = \mathbb{E}_{\pi_\theta}\left[G_0\right] = \mathbb{E}_{\pi_\theta}\left[\sum_{t=0}^{\infty}\gamma^t r_t\right] \quad \text{（策略目标函数：衡量策略平均回报）}$$

策略目标函数 (Policy Objective Function)：

• $J(\theta)$：目标函数（Objective Function），衡量当前这套参数 $\theta$ 打出的总成绩。
• $\mathbb{E}_{\pi_\theta}$：在策略 $\pi_\theta$ 控制下，跑出各种可能轨迹的平均期望。
• $G_0$：从初始状态开始的整局游戏总回报。

$$\theta^* = \arg\max_\theta J(\theta) \quad \text{（最优策略参数：把学习写成最大化问题）}$$

最优策略参数 (Optimal Policy Parameters)：

• $\theta^*$：最优参数，能让总成绩 $J(\theta)$ 达到最大值的那组神经网络权重。

$$\nabla_\theta J(\theta) \propto \mathbb{E}_{\pi_\theta}\left[ \sum_{t} \nabla_\theta\log\pi_\theta(a_t\mid s_t)\cdot G_t\right] \quad \text{（策略梯度估计式：提高高回报动作概率）}$$

策略梯度估计式 (Policy Gradient Estimator)：

• $\nabla_\theta$：对参数 $\theta$ 求梯度（求导），指明了参数应该往哪个方向调整。
• $\propto$：正比于，表示等式两边虽然不完全相等（差个常数项），但方向是一致的。
• $\log\pi_\theta$：对数概率，求导后用来表示“增加选这个动作的概率”的方向。

为什么需要这些公式

上一节的 Q 路线很直观：给每个动作打分，选最高的。但如果动作不是"左/右"两个按钮，而是机械臂每个关节的连续力矩呢？动作太多了，根本没法一个个打分。于是第二条路线出现了：不先做完整打分表，而是直接训练一个会行动的策略 $\pi_\theta$。$J(\theta)$ 就像这套策略的总成绩，$\theta^*$ 表示我们要找到成绩最高的那组参数，策略梯度告诉我们怎么把带来高分的动作概率调大。读到这里会发现：Policy-based 方法不是比 Q 更玄，而是在动作太多、没法枚举时，换了一种更合适的学习方式。

控制一个机械臂需要给 6 个关节各施加一个力矩。力矩可以是 0 到 10 牛顿米之间的任何实数——动作空间是一个 6 维连续空间，包含无穷多个可能的动作。路线一的思路是给每个动作打分再选最高的，但无穷多个动作意味着无穷多次打分，$\arg\max$ 彻底失灵。

路线二提供了一种完全不同的思路：跳过打分，直接学"在什么情况下该做什么"。

从“打分再选”到“直接学行为”

还是拿走迷宫来举例。 路线一的做法是：给每条岔路挂个牌子打个分，然后智能体每次走到岔路口，都停下来看看所有的牌子，挑分数最高的走。 路线二的做法是：我不挂牌子了，我直接反复走这个迷宫。 如果这次走到了终点拿了高分，我就把刚才沿途做过的每一个选择的“信心”都增强一点；如果这次掉进了陷阱，我就把刚才沿途的选择的“信心”都削弱一点。走得多了，在某个岔路口往右走的“直觉”（概率）自然就上升了，往左走的概率自然就下降了。

这两种做法可以用一个更日常的类比来理解。想象你去一家有几百道菜的餐厅：

• 路线一就像是你必须先给每道菜打分——“宫保鸡丁 8 分，麻婆豆腐 7.5 分，红烧肉 9 分”——然后你每次都点分数最高的那道。打分系统越准确，你吃得越爽。但问题是：如果菜单上有几万道菜呢？你不可能每道菜都尝过，你永远建不完这张打分表。
• 路线二就像是凭直觉点菜——每次随机点几道，如果吃得开心，你的大脑就会留下一个印象：“下次来我还点这个”；如果难吃，就记住“下次避开”。你脑子里根本没有一张写着分数的表格，你只是形成了一种条件反射（策略）。

为什么需要路线二：面对无尽的连续空间

路线一的核心操作是 $\arg\max_a Q(s,a)$——把所有动作的分数算出来，挑最大的。这在动作只有“左、右、上、下”这几个离散按钮时，完全没问题。

但如果动作空间变成了连续的呢？ 假设你要控制一个 6 个自由度的机械臂。你需要同时给 6 个关节发送力矩指令，每个力矩可以是 0 到 10 牛顿米之间的任何带小数点的实数。这就意味着，动作空间是一个 6 维的连续空间，包含无穷多个可能的动作。

在这种情况下，你想用 $\arg\max_a$ 把所有动作都打个分再挑最大值？这在数学上相当于对一个 6 维连续函数求全局最大值，在计算上几乎是不可能的。 更不用说现在火热的大语言模型（LLM）了：每一步它都要从几万个词（token）组成的词表中采样，它的动作本身就是一个连续的概率分布。

路线二完美绕过了这个硬伤：它不计算 $\arg\max$。它直接训练一个神经网络，输入当前的局面，输出“该采取每个动作的概率分布” $\pi_\theta(a|s)$。然后你直接根据这个概率分布扔骰子（采样）就行了。

策略 $\pi_\theta$：参数化的“行为手册”

在前面 3.2 节中，我们定义过策略 $\pi$：它就是一个函数，输入状态，输出动作。 现在，我们要让这个函数变得可学习：我们用一组参数 $\theta$（比如神经网络的几百万个权重）来代表这个函数，写成 $\pi_\theta(a|s)$。

刚开始训练时，这组参数 $\theta$ 是随机的，智能体就像个婴儿，动作完全混乱。但随着训练的进行，我们不断调整 $\theta$，让这本“行为手册”越来越完善——导致好结果的动作概率上升，导致坏结果的动作概率下降。

把策略参数化，带来了一个巨大的认知视角的转变：我们不再需要在庞大的动作空间里大海捞针，而是直接在参数空间 $\theta$ 里，顺着梯度的方向往上爬。

$J(\theta)$：这本手册的总成绩

既然策略是由参数 $\theta$ 决定的，那我们怎么衡量这套参数 $\theta$ 到底好不好？ 我们需要一个目标函数 $J(\theta)$：

$$J(\theta) = \mathbb{E}_{\pi_\theta} \left[ G_t \right] = \mathbb{E}_{\pi_\theta} \left[ \sum_{t=0}^{\infty} \gamma^t r_t \right] \tag{3.8}$$

$J(\theta)$ 的物理意义非常直白：如果智能体按照当前这套参数 $\pi_\theta$ 去行动，平均能拿多少总分。 $J(\theta)$ 越高，说明这套参数越好。

你可能会疑惑：我们之前不是已经有了 $V(s)$ 来给策略打分吗？为什么又搞出一个 $J(\theta)$？ 其实它们的角色不同：

• $V(s)$ 是“裁判”：它评估的是一个固定不变的策略。它只负责打分，不管怎么改进。
• $J(\theta)$ 是“教练”：它是以参数 $\theta$ 为自变量的函数。只要有了这个函数，我们就可以对它求导（求梯度），从而知道“我该把 $\theta$ 往哪个方向调，才能让总分变高”。

所以，路线二的终极目标，就是找到能让总成绩 $J(\theta)$ 达到最大的那组参数：

$$\theta^* = \arg\max_\theta \, J(\theta) \tag{3.9}$$

这和路线一的逻辑形成鲜明对比：

	路线一（Value-Based）	路线二（Policy-Based）
学什么	$Q(s,a)$：每个动作值多少分	$\pi_\theta(a|s)$：看到什么做什么
怎么决策	$\arg\max_a Q(s,a)$（选最高分）	从 $\pi_\theta$ 采样
优化目标	找到最优 $Q^*$	找到最优 $\theta^*$
动作空间	只能处理离散动作	天然支持连续动作
探索机制	需要人工补丁（ε-贪婪）	随机性策略天然探索

策略梯度的直觉：好就多做，坏就少做

怎么求这个梯度 $\nabla_\theta J(\theta)$ 呢？在第 5 章，我们会带你从头推导这个公式。但在这里，为了让你更直观地理解路线二在干什么，我们先用一个极其平缓的坡度，把推导过程过一遍。不需要任何高深微积分，只要高中的概率知识就够了。

1. 什么是轨迹（Trajectory）？

我们先回忆一下目标函数 $J(\theta)$，它的物理意义是“在当前策略 $\pi_\theta$ 下，你能拿到的平均总分”：

$$J(\theta) = \mathbb{E}_{\pi_\theta} \left[ G_t \right]$$

如果把这个期望（$\mathbb{E}$）拆开，其实就是在算所有可能跑出来的轨迹的加权平均。 什么是轨迹？就是从游戏开始到结束，你走过的每一个状态和动作。我们可以把它记为一个序列 $\tau$（Trajectory）：

$$\tau = (s_0, a_0, s_1, a_1, \dots, s_T, a_T)$$

对于任意一条轨迹 $\tau$，它有两个最重要的属性：

1. 它的总得分 $G(\tau)$：这取决于环境的奖励规则（你一路拿了多少金币，扣了多少血）。
2. 它发生的概率 $P_\theta(\tau)$：这取决于你的策略 $\pi_\theta$（你越喜欢选某个动作，包含这个动作的轨迹发生的概率就越高）和环境的物理法则。

既然期望就是“把每种可能的结果乘以它发生的概率，然后全加起来”，那么目标函数就可以直白地写成：

$$J(\theta) = \sum_{\tau} P_\theta(\tau) \cdot G(\tau)$$

2. 对参数求导

我们的目标是找到能让 $J(\theta)$ 达到最大的参数 $\theta$。怎么找最大值？当然是对 $\theta$ 求导（求梯度），然后顺着梯度的方向去更新参数。

我们直接对上面的公式两边求梯度：

$$\nabla_\theta J(\theta) = \nabla_\theta \sum_{\tau} P_\theta(\tau) \cdot G(\tau)$$

这里有一个非常关键的观察：得分 $G(\tau)$ 是环境给的，它只跟这条轨迹本身有关，完全不依赖于你脑子里的神经网络参数 $\theta$。 所以，对 $\theta$ 来说，$G(\tau)$ 就像个常数。求导符号可以直接穿过求和号和常数，只作用在概率 $P_\theta(\tau)$ 上：

$$\nabla_\theta J(\theta) = \sum_{\tau} \nabla_\theta P_\theta(\tau) \cdot G(\tau)$$

3. Log-Derivative Trick（对数求导技巧）

上面的公式虽然严谨，但在计算机里没法算。因为这里有个 $\sum_\tau$，也就是要把宇宙中所有可能的轨迹都穷举一遍，这显然不可能。我们真正想要的是一个能用采样（蒙特卡洛方法）来估算的期望形式 $\mathbb{E}[\dots]$。

要把 $\sum$ 变回 $\mathbb{E}$，公式里必须有一个概率项 $P_\theta(\tau)$ 作为权重。但现在的公式里，概率项被求导符号包裹着（$\nabla_\theta P_\theta(\tau)$），没办法直接提出来。

怎么办？这里我们要借用高中数学里的复合函数求导公式（链式法则）： 我们知道，$\log(x)$ 的导数是 $\frac{1}{x}$。所以，如果对 $\log(f(x))$ 求导，结果是 $\frac{f'(x)}{f(x)}$。 把这个公式稍微变一下形，把分母乘过去，就得到了机器学习里大名鼎鼎的对数求导技巧：

$$\nabla f(x) = f(x) \cdot \nabla \log f(x)$$

我们把 $P_\theta(\tau)$ 当作这里的 $f(x)$，代入到上面的梯度公式里，奇迹发生了：

$$\nabla_\theta J(\theta) = \sum_{\tau} \underbrace{P_\theta(\tau)}_{\text{我们想要的权重}} \cdot \nabla_\theta \log P_\theta(\tau) \cdot G(\tau)$$

你看，式子里又出现了 $\sum_\tau P_\theta(\tau) \cdot (\dots)$，这不正是求期望的标准定义吗！ 于是，我们可以名正言顺地把它变回期望的写法：

$$\nabla_\theta J(\theta) = \mathbb{E}_{\tau \sim \pi_\theta} \left[ \nabla_\theta \log P_\theta(\tau) \cdot G(\tau) \right]$$

这意味这什么？意味着我们不需要穷举所有轨迹了！我们只需要用当前的策略去游戏里玩几局（采样几条轨迹 $\tau$），算一下中括号里的值求个平均，就能得到梯度的近似值。

4. 拆解轨迹概率

最后一步，也是最符合直觉的一步。 一条轨迹 $\tau$ 发生的概率 $P_\theta(\tau)$ 到底是怎么算出来的？ 它其实就是从头到尾，每一步发生概率的连乘。

在任意一步 $t$，发生两件事：

1. 智能体根据策略，决定做一个动作，概率是 $\pi_\theta(a_t|s_t)$。
2. 环境根据物理法则，跳到下一个状态，概率是 $P(s_{t+1}|s_t, a_t)$。

所以，整条轨迹的概率就是：

$$P_\theta(\tau) = P(s_0) \cdot \pi_\theta(a_0|s_0) \cdot P(s_1|s_0,a_0) \cdot \pi_\theta(a_1|s_1) \dots$$

回忆一下高中的对数运算：连乘取对数，就变成了连加。 $\log(A \cdot B \cdot C) = \log A + \log B + \log C$

所以，$\log P_\theta(\tau)$ 就变成了一大串东西的相加：

$$\log P_\theta(\tau) = \log P(s_0) + \sum_t \log \pi_\theta(a_t|s_t) + \sum_t \log P(s_{t+1}|s_t, a_t)$$

当我们对这串式子求梯度 $\nabla_\theta$ 时，最爽的事情发生了：环境的初始状态概率 $P(s_0)$ 和转移概率 $P(s_{t+1}|s_t, a_t)$，它们都是环境自己的物理法则，完全不包含你的神经网络参数 $\theta$。 所以对 $\theta$ 求导后，它们全变成了 0！

只剩下与你的策略有关的那一项。最终，整个轨迹的梯度，就极度清爽地化简成了每一步动作梯度的累加。

把它代回我们上面的期望公式，就得到了大名鼎鼎的策略梯度（Policy Gradient）估计式的基本形态：

$$\nabla_\theta J(\theta) \propto \mathbb{E}_{\pi_\theta} \left[ \sum_{t} \nabla_\theta \log \pi_\theta(a_t|s_t) \cdot G(\tau) \right]$$

5. 公式背后的直觉

别被上面的一堆符号吓到，这个公式如果翻译成大白话，不仅极度优雅，而且完全符合人类的常识。

括号里有两个关键部分：

• $\nabla_\theta \log \pi_\theta(a_t|s_t)$：它告诉你：“如果我想让当前这个动作的概率变大，我该往哪个方向调参数 $\theta$”。
• $G(\tau)$：它告诉你：“你刚跑完的这一整局，到底拿了多大的总分（这就是调节的力道）”。

两者一乘，意思就是：如果这局拿了高分，就用力把沿途做过的所有动作的概率推上去；如果这局拿了低分（负分），就把沿途做过的所有动作的概率拉下来。

想象你是个傻瓜机器人，正在玩 10 局老虎机。你脑子里的策略是“70% 选 A，30% 选 B”。 其中有 3 局你运气好，拿到了正分（比如 +3）；有 7 局运气差，拿到了负分（比如 -1）。

策略梯度的逻辑非常公平： 在拿正分的 3 局里，你选了 A，那我就把选 A 的概率往上推一点； 在拿负分的 7 局里，你选了 A，那我就把选 A 的概率往下压一点。 因为正分的力度（+3）大于负分的力度（-1），经过这两股力量的拉扯，最终净效果是：选 A 的概率略微上升了。 跑上几千局后，你的策略就会慢慢收敛到“几乎只选 A”。

整个过程里，你根本没有去算“选 A 到底得多少分”，你只是在反复的尝试中，顺着得分的力道，慢慢调整了你的偏好。这就是第 5 章我们要深入研究的核心武器。

沿着“直接优化策略”这条路，诞生了另一批同样如雷贯耳的算法：

算法	核心思路	特点
REINFORCE	跑完一整局，用真实总分 $G_t$ 来调整动作概率	最纯粹的策略梯度，但因为用的是 MC 估算，方差极大，很难训练
Actor-Critic	找个“裁判”（Critic）来给动作打分，降低方差	把路线一（Value）和路线二（Policy）缝合在一起的经典架构，见第 6 章
PPO	限制每次调整参数的幅度，别让步子迈太大	稳定，好调参，目前工业界和 大模型对齐（RLHF） 的绝对主力算法

这条路线的优势是天然支持连续动作空间和擅长探索（随机性策略总有概率尝试新动作）。但它的短板是打分不够准——策略梯度方法的方差很大，同一种策略跑两次，梯度估计可能差异显著，就像同一个学生两次考试分数波动很大一样。

第 5 章将深入这条路线，从最基础的 REINFORCE 开始，亲手体验策略梯度的工作方式和高方差问题。

本节总结

至此，你掌握了两套完全不同的工具，本节的核心收获可以归纳为以下几点：

• 从“打分”到“直接行动”。 当面对连续或极大的动作空间时（如机械臂控制、大模型生成），无法枚举所有动作并计算 $Q$ 值。参数化策略 $\pi_\theta(a|s)$ 直接学习输出动作的概率分布。
• 优化目标 $J(\theta)$。 策略好不好，看平均得分。$J(\theta)$ 就是策略的平均长期回报，找到最优策略变成了寻找让 $J(\theta)$ 最大的参数 $\theta^*$。
• 策略梯度的推导与直觉。 通过 Log-Derivative Trick，我们将目标函数的梯度转化为轨迹概率和得分的期望。它在物理意义上非常朴素：“好结果 $\rightarrow$ 提高沿途动作概率”，“坏结果 $\rightarrow$ 降低沿途动作概率”。这通过 $\nabla_\theta \log \pi_\theta \cdot G_t$ 在数学上得到了严谨的体现。
• 两条路线的互补性。
  • 路线一（Value-Based）：先搞清楚每个动作值多少分，再选最高分。打分准（低方差），但不擅长探索、无法处理连续动作。
  • 路线二（Policy-Based）：直接学“该做什么”。天然支持连续动作空间、擅长探索，但方差大、数据效率低。

局限性与后续引申

路线二（Policy-Based）虽然解决了连续动作空间的问题，但它的短板是打分不够准（高方差）——策略梯度方法的方差很大。同一种策略跑两次，梯度估计可能差异显著，就像同一个学生两次考试分数波动很大一样。

一个自然的想法是：能不能把两条路线的优点拼在一起？用路线一的方法打分，用路线二的方法选动作？这正是 Actor-Critic 架构的核心思想（我们将在第 6 章详细介绍）。

无论是学 $Q$ 还是优化 $J(\theta)$，所有算法的根本驱动力都来自同一个信号：奖励（Reward）。但这个决定智能体行为方向的奖励是从哪里来的？如果我们设计得不好，会发生什么灾难性的后果？

下一节，我们将讨论这个在强化学习中最容易被忽视、却至关重要的环节：

← 上一节：路线一：Q(s,a)——给每个动作打分 | 下一节：算法数据来源