上周在朋友家蹭饭，刚好撞见他对着屏幕吼到邻居敲门——他在打《艾尔登法环》的碎星将军，前前后后死了17次。第一次打时他连冲击波的起手动作都认不出来，被一箭射飞半管血；到第八次的时候，他已经能精准记住哪个方向的地面会塌，哪个位置的NPC会出来放冷箭；第十七次，他滚过最后一道范围攻击，把大剑狠狠劈在将军的弱点上，屏幕弹出“胜利”两个字的时候，他举着可乐蹦得沙发垫都歪了。
你以为的“练熟了”，本质上是在给大脑做正反馈校准
好多人一听到强化学习四个字，就自动联想到实验室里穿白大褂的研究员，跑着看不懂的代码，训练出来个能打职业比赛的AI。扯远了。
你刚才看的那个打BOSS的过程，完完全全就是一套标准的强化学习流程。
你就是那个不断做决策的主体，面前的游戏世界就是你所处的环境，你每一次按下键盘的动作——往左滚、举盾挡、喝一口红瓶——都是你给出的决策。环境会立刻给你反馈：躲掉了攻击，没掉血，你心里会悄悄爽一下；踩中了陷阱，血条掉了三分之一，你立刻就会把这个位置记在脑子里。这种“做对了就给个甜枣，做错了就给个巴掌”的循环，就是强化学习最核心的骨架。
根本不需要什么复杂的术语。你从小长到大的过程，全是这么过来的。小时候伸手摸开水壶，烫得一缩手，疼的记忆能留十几年；考了高分，爸妈带你去吃惦记了好久的火锅，下次自然愿意多花点时间在这个科目上。大脑每天都在干这件事：从每一次和世界的互动里，挑出那些能让你拿到更好结果的动作，慢慢调整自己的选择。
我之前为了打《艾尔登法环》里的女武神，死到最后手指都抖。突然有一次连续三次完美躲开了她的水鸟连击，当时我甚至敢暂停游戏，慢悠悠去冰箱拿冰可乐——那一瞬间的松弛感，就是最直接的正反馈。你甚至不需要别人给你颁奖，你自己就知道，刚才那套操作是对的。
别把“瞎试”当强化学习，差的那点东西叫“信用分配”
好多人对强化学习有个天大的误解：不就是瞎试吗？试到对为止。
真不是。
你打BOSS最后那刀砍在弱点上，确实是直接把BOSS打死的动作，但往前倒十分钟，你在哪个位置卡了无敌帧，哪次提前喝了红瓶没被秒，甚至你记得BOSS血量剩20%的时候一定会跳起来放范围攻击——这些隔了好久的动作，到底哪个才是真正帮你赢的？
这就是强化学习里最磨人的环节，叫信用分配。
OpenAI之前训练出来能打顶级Dota2比赛的AI，最开始也和刚进游戏的新手一样，乱按技能，到处乱跑。后来它慢慢发现，“在河道的位置插个视野”这个动作，离最后打赢团战的时间隔了整整两分钟，但这个动作对胜利的贡献，比最后那发收人头的技能还大。要是它只会盯着最后那一下的动作算功劳，那永远也学不会怎么打比赛。
我之前见过好多刚接触这块的学生，上来就跑个开源代码，让AI自己在迷宫里找出口，跑了一万次还在原地打转，就跑来问是不是算法坏了。哪是算法坏了，是他给的奖励设置得太离谱了——AI在原地站着，每次也能拿到一点奖励，那它凭什么要花力气走出去，找那个离得老远的大奖励啊？
就像你上班，摸鱼的时候老板也给你发全额工资，你凭什么要加班冲KPI，拿那点不够买两杯咖啡的奖金啊？
好多人做了好几年强化学习，最后卡壳的地方根本不是算法，是怎么设计合理的奖励信号。给多了太容易，AI躺着就能拿满奖励，根本不会去学更难的技能；给少了太抽象，AI摸半天都不知道怎么做才能拿到奖励，直接躺平。
现在大家吹得神乎其神的强化学习，其实早就在你手机里待了十年
别觉得强化学习是最近大模型火了之后才冒出来的新东西。
你每天刷短视频的时候，那个APP给你推什么内容，本质上就是在跑一套强化学习流程。你刷到一个视频，停了30秒，点了个赞，这就是给了个正反馈；你刚看两秒就划走，这就是负反馈。算法每天都在调整，到底给你推猫的搞笑视频，还是推做饭的教程，还是推职场吐槽的内容，其实就是在模拟你每次刷视频的决策习惯，猜你看到什么会停下来。
上次和一个做导航算法的朋友吃饭，他说为什么有时候导航明明选了高速优先，却会给你导一条辅路？根本不是系统抽风。是之前的记录显示，那个时间段的高速上大概率有事故，堵半小时，虽然路程短，但总耗时比走辅路还长。这些经验全是从几百万用户的出行反馈里攒出来的，和你自己开车开久了，知道哪个路口容易堵，哪个红灯时间长，逻辑一模一样。
说点扫兴的。我那个朋友说，现在好多公司做强化学习，其实是在“作弊”——给的奖励太急功近利了。比如就盯着你每天的APP使用时长，那算法自然会给你推越来越抓马的内容，让你停不下来刷到凌晨两三点。这根本不是什么多厉害的智能，是把你当小白鼠，喂最容易上瘾的刺激，换你那点本来可以用来散步、看闲书、和朋友聊天的注意力。
之前我用个开源的AI下棋程序，它赢了我之后，不是直接弹出胜利提示，而是慢悠悠把我的“将”吃掉，那个慢动作我都看傻了。后来翻了训练记录才知道，那根本不是特意设计的特效，是它在训练的时候发现，“慢悠悠把对方的核心棋子吃掉”这个动作，能拿到额外的奖励值——因为之前的训练数据里，职业棋手赢了之后就是这么落子的。它根本不是想装酷，就是在拿它的奖励分。
其实我们根本不需要把强化学习想得多么高深。
你下班路上绕开了那个总堵车的路口，你给猫换了个它喜欢的罐头口味，你上次和朋友吵架之后，这次说话特意放软了语气——这些所有你从过往经验里调整自己行为的瞬间，本质上和实验室里那些跑了几百万次训练的AI，用的是同一套最朴素的逻辑。
哪有那么多玄乎的技术啊。
说白了，大家都是在试错的过程里，慢慢找那个能让自己更舒服的路而已。
作者|科技
排版|科技
审核|满满