闻乐 发自 凹非寺
量子位 | 公众号 QbitAI
没有训练梯度的AI，打破了Atari游戏满分纪录。
OpenAI核心研究员翁家翌提出了一个强化学习新范式——
启发式学习（Heuristic Learning, HL）
全程无神经网络训练、无梯度更新，全程靠GPT-5.4驱动的Codex自主迭代，硬是在经典游戏Breakout上打到了864分理论满分。
与传统深度强化学习优化神经网络参数不同，HL不依赖可微权重存储策略，而是将决策逻辑迁移到离散程序空间，以代码编辑替代梯度下降，通过显式的符号规则实现状态-动作映射。
在游戏、机器人仿真多项任务里，该方法性能甚至超过老牌强化学习算法PPO。
传统深度强化学习（DRL）长期默认智能体的决策核心必须依托神经网络实现。
比如在游戏里，当观测到游戏小球位于左侧时，神经网络通过复杂映射直接输出「向左移动」的动作；
但整个决策过程是隐式黑箱的，没人能清晰拆解内部逻辑，只能依赖梯度下降算法盲目迭代拟合。
也正因这种底层架构，深度强化学习始终难以逾越三大核心瓶颈。
一是灾难性遗忘。神经网络以参数存储习得技能，新任务的梯度迭代会直接覆盖旧有权重，无法实现多任务持续学习。
二是决策黑箱、不可解释。智能体每一次动作选择都隐藏在海量网络权重与矩阵运算中，无法追溯决策依据，也不能人工干预、拆解逻辑。
三是样本效率低下。依赖海量环境交互数据完成训练迭代，收敛周期长、算力消耗巨大，整体研发与落地成本高。
HL的思路很直接，既然参数更新是问题的根源，那干脆不要参数。
它把智能体的决策策略从神经网络的权重转化为可读的程序代码，把学习从梯度优化变成代码编辑。
在HL的框架里，AI维护的不再是单一策略文件，而是一套完整的智能化软件系统：
显式的状态检测器（“球在左上方，速度向右”）、显式的规则逻辑（“如果球将落在左侧，则向左移动”）、还有测试用例、回归检查、失败记录、版本历史。
每次迭代，Codex会审视系统表现，阅读失败录像，分析日志，然后做出结构性调整。
这种范式的关键的优势是：知识是显式的。
旧能力不会被覆盖，而是封装成模块和测试，随时可调用、可验证、可传承。
就像翁家翌说的：
HL把持续学习从“如何更新参数”变成了”如何维护一个持续吸收反馈的软件系统”。
当然，HL并不是完全排斥梯度技术，它内部某些组件（如模型预测控制MPC）仍然会用梯度做局部搜索。
但关键在于这类梯度运算不用于神经网络训练与参数更新，仅服务于实时动作决策。
而且这种架构设计让HL原生自带可解释、抗遗忘、高效率的特性。
不只是拿到Breakout的864分，翁家翌完成了完整的Atari 57大规模测试（Atari 57是行业公认的强化学习基准测试集，包含57款不同类型的经典游戏，覆盖离散动作空间的各类决策场景）。
每款游戏设置两种观测模式，各自重复三轮实验，最终生成342条独立的智能编码迭代轨迹。
结果显示，在统一环境交互步数的前提下，启发式学习HL的整体中位表现，已经和PPO等主流深度强化学习算法持平。
在Breakout、Asterix、Jamesbond等多款经典游戏中，成绩甚至超越人类玩家基准水平。
相比游戏离散决策，MuJoCo机器人连续控制任务难度更高。
以四足机器人Ant为例，需要协同调控8个关节，在高维连续动作空间中维持动态平衡。
启发式学习HL从基础节律步态规则起步，逐步迭代加入姿态反馈、触地信号感知、短程模型预测等逻辑，最终综合评分突破6000 分，性能完全对标专业深度强化学习模型。
在HalfCheetah猎豹仿真任务中，HL更是跑出了11836的平均高分，展现出在复杂连续控制场景的极强适配能力。
不过翁家翌也没有回避HL的边界。
他直言：
在我目前认知范围内，我想不出有个agent能搓出一个纯Python code、不用神经网络去解决 ImageNet。
从原始像素中完成目标识别、特征抽象，依旧是深度神经网络不可替代的强项。
而启发式学习HL的核心价值，集中体现在策略持续迭代层面，当环境动态变化、需要长期自适应调整行为逻辑时，显性化的代码规则系统更适配持续学习需求。
所以，当下关键的命题在于如何把神经网络与HL有机融合，一并攻克在线学习与持续学习两大难题。
翁家翌指出最具落地前景的思路是，依托HL实时处理在线环境数据流，快速沉淀可复用的在线行为经验；
再将这些显性经验整理、内化，转化为可训练、可回归、可筛选的高质量数据集，反过来对神经网络做周期性迭代更新。
[1]https://x.com/Trinkle23897/status/2052596837547495549
[2]https://trinkle23897.github.io/learning-beyond-gradients