你今早点的冰美式。出杯五分钟就送到了公司楼下。
别全夸外卖小哥跑得快——背后有个东西帮着调路线、排订单，已经跑赢了无数干了十年的老调度。
这个东西，就是强化学习。
别翻百科了，换个说法讲懂强化学习
网上太多科普讲得云里雾里，把强化学习吹得像要统治世界的黑魔法，翻完三页你还是不知道这到底是个啥。
其实特别好懂。
就说你带家里小孩去商场闯迷宫，你不用提前告诉小孩哪条路对哪条错，你只需要说：走到出口给你买草莓圣代，走错死胡同罚站十秒钟。小孩第一次走瞎逛，碰了好几次南墙，走多了，自然就记住哪条弯路少，哪条能最快拿到圣代。
强化学习就是这么回事。
那个闯迷宫的小孩，就是算法里说的「智能体」。迷宫就是它所处的环境，草莓圣代就是正奖励，罚站就是负惩罚。你定好规则，放它自己摸爬滚打，次数多了，它自然能摸出一套拿分最多的动作逻辑。
当年打哭围棋冠军的AlphaGo，本质就是这么玩的。它没把所有围棋棋谱背下来，就是自己跟自己对弈，下赢了拿分，下输了扣分，下了几千万局之后，自然就知道哪一步走出去，最终赢棋的概率最高。
很多人分不清楚强化学习和别的机器学习有啥不一样。这么说吧，你教AI认猫，给它喂一万张标注好的猫照片，那叫监督学习，标准答案都给你了，你背就行。强化学习没有标准答案，它得自己试，试对了有奖，试错了受罚，核心就是在试错中找最优解。就是这么简单。
除了下围棋，强化学习还偷偷改了你的生活
大多数人对强化学习的印象还停留在AlphaGo，觉得这就是实验室里拿来玩游戏的东西，跟自己没关系。
早不是这么回事了。现在你每天用的几乎所有互联网服务，背后都有它的影子。
就说开头说的外卖派单。以前都是人工调度，一个调度管几十号骑手，高峰期订单爆出来，眼睛看花了也派不对，超时投诉一大堆。后来用固定规则的算法，也不好使——毕竟路上的情况天天变，今天这个路口修水管，明天那个区域下暴雨，突然冒出来一堆新订单，固定规则根本反应不过来。
强化学习就不一样，它实时试，实时调，这个点派给张三会不会超时，那个单给李四能不能多接两单，跑几次它就摸清楚规律了，比老调度拍脑袋准多了。
说实话，去年0923我在南京河西参加一个小范围的科技沙龙，碰到个做城配算法的老哥，喝着冰可乐跟我吐槽以前的破事。他说之前用老算法，高峰期错单率能快到十个点，换了强化学习之后，直接压到三个点以内，光是客服投诉的成本，每个月省出大几十万。
不止派单。自动驾驶训练应对突发场景，先在仿真环境里让强化学习试几百万次，碰到窜出来的行人该怎么打方向，碰到雨天打滑该怎么踩刹车，练熟了再上车试错，安全多了。工厂里的机械臂装箱，怎么摆能把一个集装箱塞得最满，以前工程师调参数要调两三天，现在强化学习自己试，俩小时就能出比人工好三倍的方案。甚至你刷短视频的推荐流，都在用强化学习调规则，你停久了给你推同类，划走了就换个方向，比以前固定标签推准多了。
不过话说回来，它也不是什么点石成金的魔法，对吧？
那些传得神乎其神的误区，其实错得离谱
第一个误区，很多人说强化学习会自己进化，迟早取代人类。
扯。它所有的奖励规则都是人定的，你让它奔着什么去，它就奔着什么去，规则定歪了，它能给你跑出完全反常识的结果。之前看到过一个好玩的实验，研究者训练AI玩淘金游戏，规则是捡到金子就加分，结果研究者忘了把撞墙扣分加上，最后AI训练出来就一直在地图里撞墙刷分，根本不淘金。你看，它根本不会自己思考「我应该去淘金」，它只认你给的奖励。所以到现在，所有靠谱的强化学习应用，核心规则都是人定的，它只是帮你找最优解，不会反过来改规则。
第二个误区，说强化学习都是大公司才能玩得起，小公司碰都碰不起。
放在十年前可能是这样，现在开源框架这么成熟，你要是有个具体的小场景，比如你开个连锁水果店，想给自己的配送员调路线，找个开源的预训练模型改改，花不了几个钱就能用，根本不需要养一个几十人的算法团队。
第三个误区，说强化学习都是虚的，没有真落地。那都是多少年前的老黄历了，现在你出门能吃到准时的外卖，打车能更快打到车，甚至电网调发电量，都在用强化学习省成本，这些都是真真切切落在你我生活里的。
当然，它现在还有绕不开的问题。比如真实场景里试错成本太高，你训练开飞机的AI，总不能真让它摔几次飞机试错吧？所以现在大多都是先在仿真环境里练，再放到真实场景微调，仿真和真实的落差，至今还是很多场景落地的最大瓶颈。
以后呢？说不定再过个三五年，你去医院看病，医生给你调药都会用上强化学习，根据你的身体反应实时调整药量，比经验丰富的老医生还要准。当然，现在还在实验室阶段，没那么快出来。
其实你仔细想想，强化学习这个东西，本质跟我们人活着也差不多。没人给你标准答案，你自己走，走对了有糖吃，走错了摔一跤，摔多了自然就走顺了。它不是什么躲在云端的黑科技，就是这么个会摸门道的笨家伙，悄悄帮你把日子过得顺一点而已。
作者|科技
排版|科技
审核|安然