第 17 天：强化学习——让 AI 边玩边学
今天我们要聊一种特别的学习方式：强化学习。它和前面学过的监督学习不同，AI 不是看着「标准答案」学，而是通过自己做事情、得到奖励或惩罚，慢慢学会怎么做才能拿到更多奖励。就像养宠物一样，做对了给零食，做错了轻轻说「不」，它就会越来越懂你的规矩。我们会一起搞懂两个核心概念：通过奖励学习策略，以及探索与利用的平衡。
一、强化学习是什么？和奖励打交道
强化学习的英文叫 Reinforcement Learning，简称 RL。想象你训练一只小狗：它坐下，你给一块饼干；它咬拖鞋，你摇摇头。重复几次，小狗就知道「坐下」会得到好吃的，「咬拖鞋」会被嫌弃。这里的「小狗」就是 AI，「饼干」就是奖励信号，「摇摇头」就是惩罚。AI 的目标很明确：在和环境互动的过程中，找到一套策略，让自己一辈子拿到的奖励总和最大。这套「怎么做」的方案，就叫做策略（Policy）。比如扫地机器人左转还是右移，下棋时落子在哪一格，都是策略的具体表现。
二、三个关键角色：智能体、环境、奖励
强化学习里有三个常驻角色。第一个是智能体（Agent），就是那个会做决策、做动作的家伙，可以是游戏里的角色、推荐系统里的算法、甚至自动驾驶汽车。第二个是环境（Environment），也就是智能体所处的世界，比如超级马里奥里的关卡、股市行情。第三个是奖励（Reward），环境给智能体打的分数：吃到金币加 10 分，掉进坑里减 100 分。智能体每做一个动作，环境就更新一下状态，再反馈一个新的奖励。这就像你玩《俄罗斯方块》：方块落下来是你的动作，消掉一行游戏加几分是奖励，堆到顶游戏结束就是大惩罚。
三、探索与利用：要不要去新餐馆？
这是强化学习里最经典的问题。假设你家楼下有 10 家餐馆，你已经去过最爱的那家，味道 9 分。问题来了：今晚是去老地方（利用），还是冒险试试新开的（探索）？如果一直只去老地方，你可能永远不知道还有更好吃的；如果天天试新店，你又可能踩雷吃坏肚子。AI 面对同样的纠结：利用（Exploitation）意思是选当前已知最好的动作，保证眼前的收益；探索（Exploration）则是尝试新动作，可能发现更好的策略。聪明的做法是：前期多探索，后期多利用。AI 也是这样，刚开始多尝试，慢慢摸清套路后，就专心选择得分最高的动作。
四、生活中的强化学习例子
其实你每天都在做强化学习。学骑自行车时，歪了一下摔个屁股蹲，大脑记下「这样不行」，下次就调整平衡；考试答对几道题得到成就感，下次更愿意用同样的方法思考。手机里的短视频推荐也是：你每滑过一条视频，算法都在悄悄记分，喜欢看就多推类似的，偶尔也会插一条新类型试试水——这就是它的「探索」。了解这些，你就会发现强化学习并不玄乎，它就是把人类和动物「试错学习」的过程，翻译成了数学和代码而已。
停一下，确认你真的懂了
每题只能选择一次，不计分，也不会保存结果。
第 1 题
强化学习中，AI 学习的目标是什么？
第 2 题
「探索」和「利用」的区别是什么？
第 3 题