本文来自：华尔街见闻APP，作者：常嘉帅，原文标题：《内部人担忧“危机人类生存”：OpenAI的神秘重大突破“Q*算法”究竟是什么？》，题图来自：视觉中国
尽管OpenAI宫斗大戏告一段落，但仍留下了许多未解的谜题。其中最为关键的，就是现（前）CEO 奥特曼为何会被解雇。
OpenAI CTO Mira Murati此前在致员工的内部信件中提到了一个代号为“Q*”的项目。据她称，该项目为“董事会对奥特曼的一系列不满中的因素之一”。
据多家媒体猜测，Q*让OpenAI实现AGI的步伐大大提速，但奥特曼可能没有和董事会详细披露Q*的进展到底有多大，这也符合董事会在解雇奥特曼时所说的“在与董事会沟通时没有始终保持坦诚”。
就在被解雇之前，奥特曼还在公开活动中表示：
在OpenAI的历史上，我们已经取得了4次突破，最近一次是在过去的几周里。当我们把无知的面纱撕下，把发现的前沿向前推进时，我就在房间里。
所谓的第四次突破，指的可能就是Q*项目。
什么是 Q*？
什么是Q*？
Q*读作Q star，目前OpenAI内部没有任何关于Q*的详细信息流出。
据一些业内人士猜测，它可能是机器学习算法Q-Learning（Q学习）的同义词，也许是OpenAI借助Q学习算法打造的新模型的代号，也许是一个相关的项目名称。
根据天风证券分析师孔蓉的说法：
Q学习是一种基于强化学习的算法，用来在马尔科夫决策过程中求解最优控制问题。它的目标是通过学习最优策略，使智能体在未知环境中做出最佳选择。
Q学习依据贝尔曼方程更新状态-动作对应的Q值，逼近最优值函数。智能体通过与环境交互，观察到新的状态和奖励，来更新执行各个动作的Q值。
所谓贝尔曼方程，也被称为动态规划方程，是指数学家理查德·贝尔曼提出的用于解决复杂多阶段问题的公式，通过求解该方程可以找到最优值函数和最优策略。
运行算法的人（或计算机）可以输入一个目标函数，例如“旅行时间最短、成本最低、利润最大、效用最大”等。然后，算法将决定采取何种最佳行动来实现预期结果。
简单来说，Q学习可以通过探索所有可能的路径，学习到通往预期奖励的最短路径（最短路线），通过试错找到更优化的路径，并随着时间的推移达到优化状态，每次都做出更好的决策。
据媒体报道，在奥特曼被解雇之前，OpenAI在内部对Q*进行了演示，显示Q*能够解决小学程度的数学问题。
虽然完成小学数学题听起来没什么出色之处，但科技博客PC Guide指出，OpenAI使用的Q*可能是指贝尔曼方程中的最优值函数。
换句话说，Q*可能代表OpenAI找到或接近了效率优化算法的最优解，实现了通往AGI的关键一步。
Q*会产生哪些后续影响？
目前，OpenAI还没有对关于Q*的一系列问题做出回应。
根据天风证券分析师孔蓉的观察，OpenAI近期的招聘进程表明其在进一步增强强化学习系统的决策能力。
OpenAI近期持续引入强化学习和决策算法研究人员。23年7月份新引进的研究员Noam Brown，开展多步推理和多智能体互动方面的研究。
Noam Brown 此前参与发表的工作将语言模型与规划和强化学习算法结合，大幅提升了AI在复杂策略游戏中的表现，开发出第一批在德扑无上限游戏中击败顶级玩家的AI。
OpenAI 近期于 5 月份发布的研究也表明，调整训练方式和引入更大规模的监督数据，将会显著提升强化学习系统的数学推理能力。OpenAI 引入针对过程的强化学习监督，进一步提升大模型在数据推理与计算的准确性。
据孔融推测，强化学习与决策算法进步或带来Q*大模型能力突破，GPT4 + 强化学习和决策算法，或能实现更强的AI Agent能力。
本文来自：华尔街见闻APP，作者：常嘉帅