1977-ൽ, മസാചുസറ്റ്സ് യൂണിവേഴ്സിറ്റിയിൽ शोधകર્તാവ് ആൻഡ്രൂ ബാർട്ടോ, നർവസെല്ലുകൾ ഹൈപ്പോത്തിലെല്ലബുദ്ധിമുട്ടിക്കുക എന്ന പുതിയ സിദ്ധാന്തത്തിന് അന്വേഷണം ആരംഭിച്ചു. മാനവ മ്യാസാവയവം ബില്ല്യൺ നമ്പർ നർവസെല്ലുകൾ വഴി പ്രവർത്തിക്കപ്പെടുന്നു, ഓരോന്നും ആനന്ദം ഉയർത്താനും വേദന കുറയ്ക്കാനും ശ്രമിക്കുന്നു എന്നതാണ് അടിസ്ഥാന ആശയം. അടുത്ത വർഷം, മറ്റൊരു യുവ ഗവേഷകന്‍, റിച്ചർഡ് സട്ടൺ, അദ്ദേഹത്തിന് കൂടിയുണ്ടായി. ഇവർ കൈസേർ, ഈ ലളിതമായ ആശയം ഉപയോഗിച്ച് മാനವ ബുദ്ധിമുട്ടുകൾ വ്യക്തമാക്കാൻ ഉത്തരവാദിത്വം ഏറ്റുവാങ്ങുകയും, ഇത് കലാകോഷത്തിനും ബാധകമാക്കുകയും ചെയ്തു. ഈ കൂട്ടായി നടത്തിയ ശ്രമം "രീഫോഴ്‌സ്‌മെന്റ് ലേണിംഗ്" എന്ന ഉപയോഗത്തിന് നയിച്ചും, AI സിസ്റ്റങ്ങൾ അവരുടെ ഡിജിറ്റൽ സമാനക്കാരിൽ നിന്ന് ആനന്ദം വേദനകളിൽ നിന്ന് പഠിക്കാൻ അനുവദിച്ച ഒരു രീതി വികസിപ്പിച്ചു. ബുധനാഴ്ച, ലോകത്തെ കംപ്യൂട്ടിംഗ് വിദഗ്ധരുടെ ഏറ്റവും വലിയ പ്രൊഫഷണൽ സമൂഹമായ അസോസിയേഷൻ ഫോർ കംപ്യൂട്ടിംഗ് മെച്ചനികൾ, ഡോ. ബാർട്ടോയും ഡോ. സട്ടണും ഈ വർഷത്തെ ടൂറിംഗ് അവാർഡ് ലഭിച്ചതായി പ്രഖ്യാപിച്ചു. 1966 ൽ സ്ഥാപിതമായ ടൂറിംഗ് അവാർഡ്, കംപ്യൂട്ടിങ്ങിന്റെ നോബൽ സമ്മാനമായി കാണപ്പെടുന്നു. ഈ രണ്ടുപേരും സമ്മാനശേഷമുള്ള $1 മില്യൺ പണം പങ്കിടാൻ പോകുന്നു. കഴിഞ്ഞ പതിറ്റാണ്ടിൽ, രീഫോഴ്‌സ്‌മെന്റ് ലേണിംഗ് കലാകോഷത്തെ മുന്നോട്ട് നകാരമായില്ല, ഗൂഗിളിന്റെ ആൽഫഗോയും ഓപ്പൺഎഐയുടെ ചാറ്റ്ജിപിടി പോലുള്ള പ്രാധാനപ്പെട്ട സാങ്കേതിക വിദ്യകളെ സജീവമാക്കുകയും ചെയ്തു.

ഈ ഉന്നമനങ്ങളുടെ അടിസ്ഥാന സാങ്കേതികവിദ്യകൾ ഡോ. ബാർട്ടോയും ഡോ. സട്ടണും നടത്തിയ ഗവേഷണങ്ങളിൽ നിന്നാണ്. “ ഇവർ രീഫോഴ്‌സ്‌മെന്റ് ലേണിംഗിന്റെ അപ്രത്യക്ഷമായ ആദിമങ്ങൾ ആണ്, ” വാഷിങ്ടൺ համալսത്തിലെ കമ്പ്യൂട്ടർ സയൻസിലെ എമേരിക്കസ് പ്രൊഫസർ ഒറെൻ എറ്റ്സിയോണി പറഞ്ഞു. “ഗവേഷണത്തിലെ അടിസ്ഥാന ആശയങ്ങൾ അവർ അവതരിപ്പിച്ചു—വച്ചുകിട്ടുന്നതിലാണ് ഇവര് വിഷയം കുറിച്ചുള്ള പുസ്തകം. ” 1998-ൽ പ്രസിദ്ധീകരിക്കപ്പെട്ട അവരുടെ പുസ്തകം, “രീഫോഴ്‌സ്‌മെന്റ് ലേണിംഗ്: ഒരു പരിചയം, ” വളരെക്കാലവും അതിന്റെ പൂര്‍ണശക്തി നേടുന്നതിന് തുടക്കം കുറിച്ചിരിക്കുന്ന ആശയം കുറിച്ചുള്ള നിർണായകമായ ഉറവിടമായി തുടരുന്നു. ആക്‌സസ് സ്ഥിരീകരിക്കുന്നതിനിടെ നിങ്ങളുടെ നടുപ്പാടിയെക്കുറിച്ച് നന്ദി. നിങ്ങൾ ഇറക്കുമതി മോഡിൽ ആണോ, ദയവായി പുറത്ത് പോന്ന് നിങ്ങളുടെ ടൈംസ് അക്കൗണ്ടിൽ ലോഗിൻ ചെയ്യുക അല്ലെങ്കിൽ ടൈംസ് ന്റെ ുമ്പ്രഭാരപ്പെടാൻ സബ്‌സ്‌ക്രൈബ് ചെയ്യുക. ആക്‌സസ് സ്ഥിരീകരണ പ്രിക്കൃതയിൽ നിങ്ങൾക്ക് നന്ദി. നിങ്ങൾ വിഹിതം താങ്കൾ?ലോഗിൻ ചെയ്യുക. ടൈംസ് മുഴുവനായും ആഗ്രഹിക്കുന്നു?സബ്‌സ്‌ക്രൈബ് ചെയ്യുക.