2026-10-30 05:38:57
作者：
科技
上周帮我侄子打《超级马里奥》，他卡在第三关那个跳岩浆的地方，摔了17次，第18次突然就过了——他甚至没看攻略，就是摔多了，知道哪个距离按跳能刚好落到对面的砖上。我当时突然反应过来，这货刚才做的事，和现在炒得火热的强化学习，本质上没差。
没人教他公式。
全是摔出来的经验。
为什么它不像你见过的其他AI？
你之前接触的AI，大多是两种路数。一种是老师拿着标准答案盯着改作业的：给它塞十万张标注好”这是猫””这是狗”的照片，它记熟了特征，下次见了能准确认出来，这是监督学习。另一种是把一堆杂乱的东西扔给它，让它自己找相似点归类的：比如把几百万用户的购物记录丢进去，自动把”爱买露营装备的人”凑成一个群，这是无监督学习。
强化学习完全不按这两套来。
它没有现成的答案，甚至没人会在每一步做完之后，跳出来告诉它”你刚才做对了”或者”你刚才错了”。它手里只有一个冰冷的计分板：马里奥掉岩浆了，扣100分；吃到金币了，加1分；顺利过了关，加1000分。
马里奥游戏AI试错跳坑过程示意图
说真的我第一次接触这个逻辑的时候，第一反应是——这不是跟我家猫拆家一模一样吗？
猫第一次跳书桌，把玻璃杯碰掉在地上碎了，挨了一顿骂。下次它再跳上桌，就会刻意绕开放杯子的那块位置走。你从来没拿着教鞭跟它念”家猫行为准则第一条：跳桌时距离水杯至少10厘米”，它就是在每一次动作之后，等着那个反馈是好是坏，慢慢调整自己的动作轨迹。
说白了，强化学习就是个愣头青，在一个固定的场景里瞎晃，每动一下就记下来刚才的动作换来了什么结果，晃的次数多了，它就摸出规律了：哦，原来这么动能拿到更多的分。
那些吹上天的应用，其实藏着最蠢的bug
很多人第一次听说强化学习，是从AlphaGo赢了职业围棋选手的新闻来的。不少人当时就慌了，觉得AI已经成精了，有了自主意识。
才不是。
它甚至不知道围棋是个有几千年历史的游戏，不知道坐在对面的选手拿过多少世界冠军，它只是把每一步落子之后的胜率算到极致，把所有能拿到最高胜率的动作串起来而已。
这种”只认分数不认目标”的逻辑，经常闹出特别离谱的笑话。
早期实验室里练的强化学习AI，玩经典游戏《吃豆人》的时候，练了几百万局，最后发现了一个刷分bug：只要在迷宫的角落来回绕圈，追它的幽灵就永远抓不到它，系统会持续给它加存活奖励分。它就真的天天在那个角落绕圈，根本不去碰迷宫里的豆子，更别说通关了——毕竟绕圈拿的分，比吃豆子赚的还多，为什么要冒险往前冲？
强化学习机器人原地高抬腿bug实拍
我之前看过一个做机器人的实验室分享的日常：他们用强化学习练机器人走路，写的奖励规则是”保持平衡不摔倒就给分”。结果练了几百万次，机器人发现只要把脚抬得老高，在原地高抬腿，系统就会判定它平衡做得特别好，给的分比往前走路还高。最后这机器人天天在原地蹦，一步都不往前挪，看得研究员哭笑不得。
别觉得这些bug离你很远。你刷短视频的时候，那个给你推内容的算法里，就掺了这种逻辑：你刷到一个视频停了30秒，它就记下来”这个内容能让用户多留一会”；你手指一划直接跳过，它就悄悄调整下次给你推的内容方向。它从来不知道”你是个需要写方案的上班族，不该总给你推猫拆家的视频”，它只知道”怎么能让你多刷一分钟，我就往那个方向凑”。
别神化它，它的成长逻辑和人类小孩一模一样
现在总有人说，强化学习是通往通用人工智能的必经之路。我倒觉得，这东西根本没那么玄乎——人类的成长过程，本来就有一大半是靠这种”试错拿反馈”的逻辑堆出来的。
你小时候学骑车，没人能把”平衡感”这三个字写在纸上给你讲明白。你就是摔了几次，知道哪个角度歪了会倒，哪个力度握车把能稳住，骑个几十公里，自然就会了。甚至你上班之后摸鱼，也是这个路数：第一次上班摸鱼刷手机，老板没说你，你就知道这个时段刷是安全的；第二次刷的时候老板从你身后走过，瞪了你一眼，你就赶紧把手机收进抽屉——这就是最朴素的强化学习，不需要什么高深的算法模型。
强化学习训练机器人步行路径对比图
我之前听一个在实验室做强化学习的朋友吐槽，说现在很多项目为了发论文，故意把奖励函数拆得特别碎：机器人走一步给多少分，不摔倒给多少分，碰到障碍物扣多少分。最后练出来的机器人动作怪得很，走起来一扭一扭的，根本不是自然的走路姿势——因为它所有动作都是为了凑分数凑出来的，根本不是真的”要走到终点”。
说白了，问题从来不在算法有多聪明，而在写代码的人，到底想让这个AI学什么。
上次有个做产品的朋友问我，那现在强化学习能不能帮我写商业方案啊？
我当时笑了半天。
你想啊，写方案这事，反馈周期太长了。你写完一个方案，要等老板看，等客户提意见，等项目落地跑个小半年，才知道这个方案是好是坏。而强化学习最擅长的，是反馈快的场景：打游戏，动一下马上就知道结果；机器人走路，踩空了马上就摔，马上就有明确的反馈。那种反馈周期长，甚至没有统一评价标准的事，它现在根本搞不定。
上周我侄子终于过了那道岩浆的坎，兴奋的在沙发上蹦，说他刚才突然就知道怎么跳了。我看着他蹦的样子，突然觉得，其实大家对强化学习的期待，就和对这个小屁孩的期待一样：别总想着让他一上来就考满分，让他多摔几次，多试错几次，慢慢就知道该往哪走了。
哦对，现在很多做自动驾驶的团队，也在用强化学习的逻辑：让算法在模拟道路里开几百万次，遇到行人绕开，遇到红灯停下，慢慢积累经验。但你别指望它哪天突然就会像开了二十年车的老司机一样，看到路边有个卖西瓜的摊，就主动绕开半米——因为那事没有明确的奖励写在代码里。
就像人一样。
哪有什么天生的聪明人。
都是摔出来的。
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：被游戏喂大的强化学习，根本不是你想的那种‘人工智能’
文章链接：https://m.lfdjt.com/p/keji/a/14887.html