- 什么是强化学习（RL）？
定义：智能体（Agent）在环境中采取行动，获得奖励或惩罚，目标是最大化累积奖励。
🐕 类比：训练小狗
做对动作（坐下）→ 给零食（+1分）
做错动作（乱叫）→ 轻拍鼻子（-0.1分）
小狗慢慢学会：哪些行为能得到更多零食。
- 强化学习的四要素
智能体：学习者（如AlphaGo、自动驾驶汽车）
环境：智能体交互的外部世界（棋盘、道路）
动作：智能体能做的选择（落子、转向）
奖励：环境的反馈信号（赢棋+100，撞车-1000）
- Q-learning：一个简单的RL算法
核心是维护一张Q表，记录【状态，动作】的价值。
更新公式（通俗版）：
新Q值 = 旧Q值 + 学习率 × (即时奖励 + 折扣因子×未来最大Q值 - 旧Q值)
💡 例子：走迷宫
状态=当前位置，动作=上下左右
到达出口奖励+10，撞墙-1。智能体不断尝试，Q表逐渐学会最短路径。
- 动手：用Gym库训练小车爬坡
importgym env=gym.make('MountainCar-v0')# 小车必须冲上右边山坡state=env.reset()for_inrange(1000):action=env.action_space.sample()# 随机动作（0左推，1不动，2右推）next_state,reward,done,info=env.step(action)# 真正的训练会更新Q值，此处仅为演示环境ifdone:state=env.reset()- 强化学习的两大挑战
探索与利用的平衡：一直选已知最好动作（利用）可能错过更优解，随机探索又可能效率低。
奖励稀疏：比如下棋只有最后一步才赢，中间步骤很难获得反馈。
- 里程碑应用
领域 系统 成就
游戏 AlphaGo 击败围棋世界冠军
机器人 机械臂抓取 自主学会操作物体
交通 自动驾驶决策 处理变道、超车
推荐 新闻个性化 最大化用户点击
小结
强化学习是机器学习中最接近“生物学习”的分支，通过奖励和惩罚，AI能在复杂环境中摸索出最优策略。下一篇我们将进入“深度学习”，看看神经网络如何让AI拥有“大脑皮层”。
下一篇预告：《深度学习入门：神经网络是如何“思考”的？》
