天风证券：OpenAI Q*：超越GPT4？：强化学习与决策算法进步或带来Q*大模型能力的新突破，Agent能力落地有望加速

我们认为大模型能力强化除了模型参数量、数据量之外，强化学习进步也是大模型能力突破重要的可能因素。强化学习此前即为ChatGPT关键能力突破的因素之一。如RLHF即为3.5能力迭代的关键来源之一。OpenAI首席科学家Ilya曾表示，AI领域，每一个令人惊叹的创新都源自于强化学习。OpenAI在多模型强化学习决策方面取得重大进展。这些进展将会推动Q学习算法在更多场景的应用，并促进相关决策系统的实现。Q学习算法或带来强化学习下智能体的决策能力持续提升。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Bellman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。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NoamBrown，开展多步推理和多智能体互动方面的研究。NoamBrown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