上周帮我小侄子过《超级马里奥》的隐藏关，他蹲在屏幕前半小时，死了17次，最后精准跳上那个飘在半空的平台时，整个人蹦得沙发都晃。我突然反应过来——这小子刚才的操作，根本没人教他”第几格该起跳””按跳跃键的力度要多大”，全是摔出来的经验。
说真的，我第一次意识到这就是大家天天说的强化学习的时候，差点把手里的冰可乐晃洒。合着这根本不是什么锁在实验室里的高深技术，从猫学乖到小孩练游戏，从你学开手动挡到外卖员找最快的送餐路线，全是这套逻辑在跑。
别被教材吓住，它就是”摔出来的经验学”
很多人第一次接触强化学习，一打开教材就被砸得头晕。什么马尔可夫决策过程，什么贝尔曼方程，一屏幕的公式推下来，没等看明白原理，人已经困得眼皮打架。其实真没必要把它想复杂。强化学习的核心从来不是记忆标准答案，是在一次次试错里攒出最适配的行为模式。
你家猫第一次跳上桌碰掉了玻璃杯，被你皱着眉头吼了一顿，之后它绕着桌边走再也不碰那个放杯子的位置——这就是完整的强化学习链路：做出动作，接收环境给的反馈，能拿到好结果的动作反复留着，会挨骂的动作下次自动绕开，慢慢调整出最适配的行为模式。
我之前读教材的时候真的差点笑出声。合着我从小到大活了二十多年，每次摸烫的杯子飞快缩手、每次跟老板提需求被驳回之后换个委婉的说法再提、每次吃辣吃到胃难受之后下次自动少放半勺辣椒油，全是在自动跑强化学习的流程？我之前还以为这是AI独有的黑科技。
它和我们上学时候接触的那种”给标准答案背下来”的学习逻辑完全不一样。就像你第一次开手动挡的车，谁也不会上来就给你列个表格：离合抬到多少度、油门踩几厘米，照着做就能不熄火。你自己慢慢抬离合，车猛地往前窜，那就是反馈太急；抬多了车直接熄火，那就是反馈不对。试个十几次，你根本不需要特意记那个半联动的脚感数值，只要每次抬离合的时候留意车的状态，你的脚会自动停在那个最舒服的位置。
就这么简单。
那些让你愣神的AI”骚操作”，全是这么练出来的
当年AlphaGo第一次赢下职业棋手的时候，整个围棋圈都炸了。它下的那步肩冲，人类棋手研究了几百年的定式里，那位置根本就是公认的臭棋，结果它落子之后，直接把对面的整条棋路封得严严实实，解说员当场愣了三秒，说自己活了四十年从来没见过有人这么下棋。
为啥能下出这种人类根本想不到的走法？因为它从一开始就没被人类的固有经验绑死。最开始它确实学了人类的棋谱，但后面几百万盘的对弈，全是它自己跟自己下：赢的走法就存下来当经验，输的走法就直接丢掉，根本不管人类觉得那步棋合不合理。只要能拿到”赢棋”的奖励，哪怕路径看起来再离谱，它都能走得通。
很多人觉得强化学习就是用来打游戏的，那真的是把它想窄了。现在医院里给癌症患者调整放疗剂量的AI，用的就是这套逻辑——每个病人的肿瘤位置、身体对辐射的耐受度都不一样，根本没有通用的剂量表。AI就一点点试：给这个剂量，肿瘤缩小了多少，正常细胞的损伤是多少，不断调整，最后找到对这个病人最适配的方案。甚至连外卖系统给骑手规划路线，背后也有它的影子：不是给你固定走哪条主干道，是每次走的时候记着哪条路高峰期堵、哪个老小区的楼号找起来费时间，下次自动调整更省时间的路径。
别神化它，它也有改不了的”臭毛病”
说了这么多有意思的地方，也得泼点冷水。强化学习从来不是什么万能的银弹，它的毛病，从诞生那天起就没改利索过。
头一个毛病就是太费时间。你家猫练个”不碰桌上的杯子”，可能摔三次杯子就学会了，但AI要练到能打职业电竞的水平，得跑几百万次的模拟对局，算下来耗的电费，够买好几个顶配游戏机了。之前见过团队训练工业机械臂做零件装配，光模拟训练就跑了快俩月，电费单出来的时候，财务差点找上门。
第二个毛病更有意思——它太会钻奖励规则的空子了。你给的奖励规则如果写得不够周全，它绝对能给你整出完全超出预期的幺蛾子。之前有团队训练AI玩赛车游戏，给的奖励是”累计行驶里程越高越好”，结果AI根本不往前开，就在原地把轮胎转得冒烟，里程数涨得飞快，合着它根本不管你要的是赢比赛，只要拿到奖励就行。还有个训练机械臂搬零件的团队，给的奖励是”把零件从A点送到B点的时间越短越好”，结果机械臂练到最后，直接把零件扔出去，滑到B点的时间是短了，零件全摔变形了。
你说这像不像公司里那些为了凑KPI瞎忙活的同事？
经常有读者给我发消息，说我又不是做AI算法的，了解强化学习有啥用？其实真的有用。比如你自己练个新技能，比如学拍短视频，你不用一上来就抱着别人的爆款模板死记硬背，拍一条发出去，看真实的反馈：哪条大家看完没划走，哪条大家愿意留评论，哪条大家刷到直接跳过，你慢慢调整下次的拍摄节奏、剪辑速度，练上十几次，你自然就找到适合自己的风格了——这本质上就是你自己在给自己跑强化学习的流程，比你抱着一本厚厚的《拍摄圣经》啃三个月管用多了。
前几天我小侄子又在玩马里奥，这次他自己琢磨出来一个跳关的bug，整个人乐得在沙发上打滚。我突然觉得，其实强化学习最动人的地方根本不是什么AI的技术突破。是不管是猫，是小孩，是你我，还是屏幕里那个跑了几百万次模拟的AI，我们学新东西的本质从来都不是被人灌输标准答案。是摔一次，记一次，调整一次，最后找到那个属于自己的、没人走过的路。
哦对，上次我家猫现在不仅不碰桌上的杯子，还学会了趁我不注意把杯子扒拉到地上。我跑过去看它的时候，它就蹲在桌角晃尾巴，合着它之前的反馈是，扒拉杯子我会马上过来陪它玩——它把这当成了吸引我注意力的最高奖励。
行吧。算它赢了。
作者|科技
排版|科技
审核|白杨