9月23号那天在南京国展中心，我挤了三站地铁过去，鞋都被踩脏了。本来是冲着VR体验区去的，结果拐到角落的小展台，直接站了四十分钟没挪窝。
展台中间摆着张缩尺版的乒乓球台，对面固定着个银灰色的六轴机械臂，关节处还有几道浅浅的磨痕——是这几周不停转动蹭出来的。志愿者站在台子另一边，慢悠悠往机械臂这边喂球。
一开始我以为就是个提前写好程序的表演道具，毕竟之前见过太多展会上的机器人，把所有动作录好按顺序播放，看起来智能得很。直到志愿者故意发了个带强侧旋的擦边球，机械臂扑了个空，球直接砸在台边的挡板上。
我刚要笑。
下一个同方向的球发过来，它居然悄悄调整了腕部的角度，稳稳把球挡了回去。
我当时愣了。
真的。之前在论文里看强化学习的算法公式，满页的偏导数、梯度下降，看得我头大，从来没觉得这东西跟真实世界有啥关系。结果那天它当着我的面，从接不到球到能调整角度挡回去，整个过程不到十秒钟。
它不是被教出来的，是自己“摔”出来的
我凑到展台边跟工程师搭话，才知道这个看起来笨笨的机械臂，没有提前写死的固定动作库，也没有工程师把所有可能来球的角度、转速、落点都编进程序里。它刚来展台的时候，连球往哪飞都判断不准，前一百个球有九十个都接不到，每次接空，系统就会给它一个明确的信号：这次动作错了，下次要调整关节的角度。
它根本不知道什么是“侧旋”，什么是“擦边”，甚至不知道自己面对的是个乒乓球台。它就是在几万次的试错里，把“球飞过来的速度、角度、旋转力度”和“自己要动的关节角度”之间的对应关系，一点点摸得门清。
说直白点，它学接球的过程，跟小时候学骑自行车一模一样。没人能把所有路况都给你写进手册里，你就是歪歪扭扭摔几次，慢慢找到平衡感，最后哪怕遇到个没见过的小坑，也能顺带着把车把歪一下绕过去。
工程师说，这个机械臂整整练了三周，每天24小时不停接发球，志愿者换了两拨，胳膊都抬酸了，它连个停顿都没有。现在它接普通球的成功率能到90%以上，哪怕是之前从来没遇到过的旋转角度，试个两三次就能摸出应对的动作。
别把它当“全能天才”，它连给你倒杯水都费劲
我当时顺嘴问了一句，那这个机器人能不能帮我把台面上放的那瓶矿泉水拿过来？
工程师直接笑出了声。
他说你别折腾它，它现在连乒乓球和矿泉水瓶都分不出来。之前团队想测试它的稳定性，故意在台面上放了个空矿泉水瓶当障碍物，结果机械臂为了接一个角度偏了点的球，直接把矿泉水瓶扫到了地上，滚出去老远。它根本不知道旁边的东西是什么，也不知道碰到了会有什么后果，在它的计算里，只要把胳膊伸到那个角度，就能接到球，拿到奖励。
这也是很多人对强化学习最大的误会——觉得它是能举一反三的全能天才，实际上它跨场景的迁移能力几乎为零。它花了三周攒出来的所有经验，全是在这张乒乓球台上攒的，换个场景，它就跟刚出生的小孩一样，连自己要干嘛都不知道。
你现在让它去学打羽毛球，相当于把之前学的所有东西全部清零，从头开始摔跟头；你让它去给你倒杯水，那更是难到离谱——它连杯子的握感、水的重量、走路的平衡感都完全没概念。
我盯着展台上贴的训练曲线看了半天，前面大半段都是晃来晃去的低成功率，直到练到第二周的末尾，曲线才突然往上窜，像极了我当初备考时背了半个月书，突然打通任督二脉的状态。
那些你没注意到的，强化学习早就悄悄用上了
之前总觉得强化学习是实验室里的东西，离日常远得很，结果跟工程师聊了半小时才发现，好多你天天接触的东西，早就掺了强化学习的逻辑。
比如你刷短视频的时候，为什么你刚提了一句想养猫，下一秒就给你推猫踩奶的视频？很多人以为这是算法在“偷听”你说话，其实现在不少推荐系统早就换了思路——不是静态匹配用户标签，而是在一次次的用户反馈里调整推送策略：给你推个搞笑猫视频，你看完了，停留了30秒，它就知道这个方向对，下次多给你推点同类型的；要是给你推个三小时的养猫科普长视频，你划走了，停留了2秒，它就知道这个不行，下次少推。
再比如你点外卖的时候，为什么有时候明明离你最近的骑手，却被派了个远一点的单？之前的派单算法是算静态距离，谁近谁去，现在不少平台的派单系统已经用上了强化学习——它不是只算当前这单谁最快，它还要算这个骑手接下来还有三单，要是现在接了这个远的单，会不会导致后面三个单都超时，最后要在所有可能的派单组合里，找一个整体配送效率最高的方案。
说穿了，它跟我家那只养了两年的猫逻辑一模一样：你给它个零食当正向反馈，它下次就知道要蹭你腿；你每次它挠沙发就给它个脑瓜崩当负面反馈，它慢慢就不挠了。没有什么高深的道理，就是试错、调整、再试错。
那天散场的时候我在地铁上刷手机，刷到有人说强化学习是下一代人工智能的核心，看得神乎其神。我突然想起那个差点把矿泉水瓶扫到地上的机械臂。
哪有什么核心不核心的。
它就是个在一次次摔跟头里，慢慢学会接好球的小家伙而已。
作者|科技
排版|科技
审核|柚子