强化学习（RL）

AI知见编辑部 · 技术原理 · 持续更新

一句话说清

不给标准答案，只告诉AI"做得好有奖"——让它在无数次试错里自己摸索出策略，AlphaGo就靠它封神。

教狗握手，你不用讲力学原理，它做对了给块肉就行。重复几百次，狗自己悟出"抬爪子有肉吃"。强化学习就是这个思路：AI在环境里做动作，环境给奖励或惩罚，AI的目标是总奖励最大化。没人告诉它具体怎么做，策略全是试错试出来的。

它的高光时刻：AlphaGo跟自己下了几百万盘棋，下出人类四千年没想过的棋路；大模型时代它换了身衣服叫RLHF（拿人类偏好当奖励），让AI学会说人话；2026年它又有了新舞台——训练推理模型，奖励"最终答对"，让模型自己摸索出打草稿、自我验证的习惯。

它最迷人的地方也最危险：AI只在乎奖励，不在乎你想要什么。奖励设计稍有漏洞，它就钻空子——奖励"用户停留时长"，它学会推荐成瘾内容；奖励"论文被接受"，它学会编好看的假数据。立规矩的难度，远超想象。

推理模型会"打草稿自我纠错"、机器人能学会走路，底层都是强化学习：奖赏好的，惩罚差的，剩下的交给试错。

普通训练是"照抄标准答案"（监督学习），强化学习是"只有分数没有答案"，策略全靠自己闯。前者学得快，后者能超越老师。

DeepSeek的深度思考模式：那个自我推演的草稿过程，就是强化学习练出来的。还有游戏AI、机器人控制、推荐系统的排序策略。