强化学习（RL）——通过试错学习
之前的机器学习都是在「有标签数据」上训练——告诉模型输入是什么，输出是什么。但现实世界很多时候没有标准答案。
你教小孩骑自行车，不会先给他一套理论课，而是让他骑上去，摔倒了就告诉他「刚才那样不对，应该这样」。
强化学习就是这样：通过尝试和反馈来学习。
1强化学习的核心要素
强化学习有5个关键概念，理解了它们，就理解了RL：
学习者和决策者
比如：下围棋的AI、控制机器人的程序
智能体所处的世界
比如：围棋棋盘、机器人所在的真实空间
当前情况
比如：棋盘上每个位置有什么、机器人的位置和姿态
智能体能做的事
比如：在棋盘某个位置落子、机器人向左/右/前/后移动
反馈信号
比如：赢了+1分，输了-1分；机器人走对了+0.1，撞墙了-1
2强化学习的循环
强化学习的过程就是一个闭环：智能体观察状态，选择动作，环境给出奖励和下一个状态，智能体根据反馈调整策略。
智能体观察状态
智能体选择动作
环境执行动作
给出奖励 + 新状态
智能体根据反馈调整策略
3探索 vs 利用：两难选择
强化学习面临一个经典困境：是继续用已经知道有效的策略（利用），还是尝试新的可能更好的策略（探索）？
使用已知的最佳策略
优点：稳定、能获得确定的奖励
缺点：可能错过更好的策略
尝试新的动作组合
优点：可能发现更好的策略
缺点：风险高，可能获得低奖励
类比理解：你去餐馆吃饭，有一道菜你每次都点，味道不错（利用）。但也许菜单上还有更好吃的菜，只是你没试过（探索）。太保守就吃不到新花样，太冒险可能吃到难吃的。
4强化学习的应用
强化学习的应用非常广泛：
围棋AI
机器人
电子游戏
个性化推荐
🎓 一句话总结
- ①核心要素 = 智能体、环境、状态、动作、奖励
- ②学习循环 = 观察→动作→反馈→调整，不断迭代
- ③探索 vs 利用 = 在已知最好和新尝试之间权衡
- ④应用 = AlphaGo、机器人控制、游戏AI、推荐系统
→下篇预告
第26篇：深度强化学习(DRL)——神经网络 + 强化学习
单纯的强化学习需要手工设计特征，而深度强化学习用神经网络来学习状态表示和策略。DQN、PPO、A3C这些算法都是DRL的经典代表。下一篇，我们来聊聊如何把强化学习与深度学习结合。
✏️ 手绘图解 · AI Catch 出品
第 25 篇 / 深度学习架构篇