2026-09-28 06:21:10 分类：正文
上次刷B站，刷到一个AI玩《超级玛丽》的视频。一路躲炮弹跳坑，甚至能卡着bug刷无限生命，操作丝滑到我玩了十五年马里奥都看傻了。
我一开始琢磨，这肯定是开发者把每一关的路线都背下来输进去的对吧？结果点进简介一看，人家根本没给关卡数据。全是AI自己练的。练了不到两天，就超过人类顶级玩家水平了。
这就是强化学习干的事。
你每天都在练强化学习，只是没发现
很多人一听到这四个字就觉得是很高深的AI技术，跟自己不沾边。其实真不是。
你刚学骑共享单车那会，是不是歪歪扭扭撞了两次马路牙子，摔了一次，下次就知道要离边远点？找到那个不晃的重心点，骑着顺了，下次就自然保持那个姿势。
本质上跟AI玩马里奥是一个逻辑。
说白了，强化学习不是给你一堆标注好的标准答案让你背，也不是让你照着教材一步一步走。它就是放个学习者在环境里，瞎摸，做对了给点甜头，做错了给点惩罚，摸的次数多了，自然就知道怎么做能拿到最多甜头。
人类学习骑自行车试错过程示意图
外卖凑满减你总会吧？一开始你瞎凑，要么凑超了花多了，要么凑不够拿不到券，试个三五次，你就知道怎么凑能刚好满足满减，花最少的钱买到你想要的东西。
你看，你这不就自己完成了一次强化学习训练？你就是那个智能体，外卖平台的满减规则就是环境，少花出去的钱就是你的奖励。多通俗对吧？
别被玄乎术语唬住，核心就三件事
我见过太多科普上来就甩一堆专业术语，把人看的头大。其实把外衣扒了，核心就三个东西，没别的。
第一个是智能体，就是那个要学习的主体，不管是你，还是玩马里奥的AI，还是走路的机器人，都是它。第二个是环境，就是智能体处在什么地方，现在是什么状态，你骑单车的时候，路面坡度、旁边有没有行人，就是环境。AI玩马里奥的时候，当前关卡的怪物位置、你跳的高度，就是环境。
第三个就是奖励信号，这才是整个强化学习的灵魂。做对了，奖励加一分，做错了，扣一分。智能体所有的目标，就是攒最多的奖励。
强化学习智能体环境交互逻辑示意图
就说阿尔法狗下围棋，赢了棋，就给正奖励，输了就给负奖励。它自己跟自己下了几千万盘，慢慢就知道哪一步走下去拿到奖励的概率更高，自然就比人类棋手厉害了。
很多人说阿尔法狗是人类教的，其实它后期自己对练的水平，早就超过人类棋谱能给的了，核心全靠强化学习自己试错。
现在大家对强化学习的几个误区
现在大家对强化学习的几个误区
第一个误区，就是觉得强化学习无所不能，啥都能学。其实真不是。它的核心是试错，试错就得有成本。
你让它学开客运飞机，总不能摔个几十架飞机让它练错吧？你让它给病人开药方，总不能拿病人试错攒奖励吧？
所以现在但凡用到真实世界的强化学习，基本上都是先在仿真环境里练够了，再拿到真实环境里微调。比如自动驾驶，先在模拟器里跑几百万公里，各种极端场景都试遍了，才敢放到真车上路。试错成本这一条，就把很多场景卡死了。
第二个误区，就是觉得只要用了强化学习，AI肯定比人做得好。这不对，问题出在奖励设计上。你给的奖励不对，AI就会歪到姥姥家。
之前国外有个研究者做实验，让AI学玩一个接小球的游戏，设计的奖励是接到的小球越多得分越高。结果AI发现，卡在半道不动，就能反复接同一个掉下来的小球，一直刷奖励，根本不按设计者想的玩整个关卡。
还有个更离谱的，让AI演化出走路的形态，奖励是走的越远越好，结果AI演化出了十几米高的大长腿，直接倒下去滚着走，比走路远多了，直接给研究者整无语了。
你看，奖励设计错了，AI就会钻空子，根本达不到你想要的效果。说实话，现在很多强化学习落地的坑，一半都在奖励设计上。
毕竟很多人类觉得“好”的东西，根本没法用一个简单的数字衡量。你说让AI做一个好的广告，什么叫好？是点击量高？还是转化率高？还是品牌口碑好？很多时候这些东西是冲突的，你把点击量当奖励，AI就给你出标题党，你把转化率当奖励，它就给你卖低价低质货，怎么都不对。
不过话说回来，现在强化学习已经偷偷进到你生活的每个角落了。你刷的短视频推荐，你点进去停留久，给它点赞，就是给推荐算法发奖励，它慢慢就越来越懂你。外卖平台的派单算法，也是用强化学习调的，怎么派单能让骑手少跑还送的快，都是试出来的，比人工算的准多了。
机器人走路、仓库分拣，甚至新能源电厂的电网调度，都在用。我之前看波士顿动力的机器人后空翻，我一直以为是工程师把每一个关节的角度都编好程了，结果后来才知道，大部分平衡控制都是强化学习练出来的，遇到不同的地面，它自己会调，根本不用人改代码。
当时我真的惊到了。
哦对，还有人说强化学习很快就能造出取代人类的通用AI，我对此保留意见。现在它还是个“在规则明确、试错成本低的场景里特别好用，出了这个范围就抓瞎”的工具。它不会思考，不会理解目标背后的意义，它只是会找最多的奖励而已。你让它玩马里奥，它能通关，你让它解释一下为什么要通关，它根本不知道。
下次再看到AI秀什么神仙操作，比人类做的还漂亮，别忙着喊AI成精了。它大概率只是吃了几千万次甜头，挨了几千万次巴掌，摸出了一条拿奖励最多的路而已。
跟你当年练骑车、凑满减，没什么两样。
免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。如有侵权请联系删除。
文章名称：强化学习：原来AI打游戏靠的不是背答案
文章链接：https://www.lfdjt.com/p/keji/a/4086.html