强化学习 (RL) 中的自博弈是一种训练方法，智能体通过反复与自身的版本竞争来提高其技能。智能体不是从固定的环境或人工设计的对手那里学习，而是生成自己的训练伙伴。 随着时间的推移，智能体面对越来越熟练的对手，因为它迭代地更新其策略，从而创建一个驱动改进的反馈循环。 这种方法在竞争性或对抗性场景中尤其有效，例如游戏，智能体必须适应不同的策略。
一个常见的实现包括维护一个过去的智能体版本池。例如，在 AlphaGo Zero 中，人工智能与自身早期的迭代版本进行了数百万场比赛，使用这些比赛通过反复试验来改进其神经网络。 智能体从随机动作开始，但随着遇到更强大的对手，逐渐发现复杂的策略。 这模仿了自然的学习过程：早期的对手提供基本的挑战，而后来的对手迫使智能体处理复杂的战术。 在多智能体环境中，如机器人仿真，自博弈可以通过将智能体暴露于不同的场景，例如相互竞争的目标或动态障碍物，来帮助智能体学习稳健的行为。
然而，自博弈存在挑战。 如果管理不当，智能体可能会发展出过度专业化的策略，这些策略仅对特定对手有效，但在一般环境中失败。 为了避免这种情况，使用了基于群体的训练等技术，其中同时训练具有不同策略的多个智能体。 例如，OpenAI 的 Dota 2 机器人使用了一个“联盟”的智能体，每个智能体都专门从事不同的游戏风格，从而确保了适应性。 此外，平衡探索（尝试新策略）和利用（使用已知的有效策略）至关重要。 开发人员通常将自博弈与领域随机化（改变物理或对手实力等环境参数）相结合，以增强泛化能力。 虽然计算密集，但自博弈仍然是在复杂的、竞争性的领域中训练智能体的强大工具，而无需依赖预先存在的专家数据。