2026-11-09 18:42:24
作者：
科技
上周翻到个老视频，AI把初代超级玛丽玩到了开发者都没标注过的隐藏关卡。我盯着屏幕看了十分钟——那操作根本不是背熟攻略的机器人。是摔了上百次岩浆坑、踩空几十次弹簧，甚至专门绕路半分钟去吃个金币，完全没按”最优通关路线”走的活物感。
别把它当”会做题的AI”，它是摔出来的
大部分人对AI的印象，还停留在”被喂答案的好学生”阶段：你给它一亿张标注好”猫”的图片，它下次见了猫能认出来；你把历年高考题的答案全塞给它，它能考个不错的分数。
但强化学习根本不吃这套。
我第一次把两者的区别掰扯明白的时候，鸡皮疙瘩都起来了。前者是老师站在旁边举着教案，错一道题就指出来”你这步算错了”；后者是直接把AI扔在游戏地图里，关上门就走，没人告诉它哪个键是跳、哪个方向安全，掉岩浆里扣10分，踩死个蘑菇加1分，攒够100分才能开下一关。它所有的本事，没人给它递标准答案，全靠自己挨揍攒经验。
说真的，哪有那么多”天生聪明”的AI。
超级玛丽AI训练过程失败瞬间拼接图
它的”经验值”，根本不是你想的那样存在硬盘里
很多人以为，强化学习训练出来的模型，是把所有走过的路、踩过的坑原封不动存在硬盘里，遇到相似的场景直接调出来用。
大错特错。
它的记忆里根本没有”上次在第三个路口掉坑里”这种具体的事件。它每做一个动作，只算两笔最实在的账：现在这么操作，接下来三秒能拿到多少即时奖励？会不会因为贪了眼前的小便宜，把后面能拿的大奖励给作没了？
举个最直白的例子。训练AI走迷宫，一开始它看到入口处摆的巧克力，会直接拐过去拿——毕竟这是眼前能摸到的即时奖励。但拿完就会发现，巧克力后面是堵死的墙，根本通不到终点的大蛋糕。摔的次数多了，它自然会学会忍住那点即时的诱惑，绕远路直奔终点。
你说它是意志力强？根本不是。它只是记了太多次”拿了巧克力就堵死在半路”的亏。
我之前见过有人吐槽，说强化学习本质就是”AI版的摸鱼学”，真的骂到点子上了。你上班摸鱼刷手机的时候，心里算的不就是两笔账：现在刷十分钟短视频，被老板抓的概率多大，扣的绩效和摸鱼的爽感哪个划算？要是摸鱼没被抓，下次就敢多刷两分钟，要是被抓扣了钱，下次就老老实实坐端正干活。本质上和AI算的账没差多少。
强化学习智能体奖励机制交互示意图
那些你以为和它没关系的日常，早就被它渗透了
那些你以为和它没关系的日常，早就被它渗透了
很多人觉得强化学习是实验室里的高精尖技术，离普通人的生活远得很。
真的想多了。
所有你觉得”太懂我了”的算法推荐，背后都藏着强化学习的逻辑。你刷短视频的时候，系统一开始根本不知道你喜欢看猫还是看篮球，它会先随机推几个内容，看你是划走、停留还是点赞——划走就是负反馈，点赞就是正反馈，攒够几十上百次反馈，它就摸透了你到底吃哪一套，越推你越停不下来。
还有雨天的网约车派单。为什么有时候系统给你派的司机，不是离你直线距离最近的那个，反而是隔了几百米但路不堵的司机？根本不是调度员拿着地图人工算的。是之前无数次派单的反馈攒出来的经验：派离得近但堵在路口的司机，顾客要等15分钟，大概率要投诉；派绕一点但路通的司机，只等5分钟，两边都满意。哪个组合综合下来的”奖励分”最高，系统就用哪个。
我上次雨天打网约车，系统给我派的司机离我800米，绕了个无红绿灯的辅路，比离我300米但堵在路口的司机早到了两分钟。我当时还觉得算法真神，后来才反应过来，这哪是神，是之前不知道多少次派单踩坑，攒出来的经验而已。
不过话说回来，我最烦那种把强化学习吹得像天价奢侈品的说法。哪有那么玄？你自己学骑自行车，不就是强化学习？车把歪了要摔的时候赶紧扶过来，摔疼了给你个负反馈，骑稳了风在耳边吹的爽感给你正反馈，练一下午就会了——没人给你递一整本《骑自行车的正确姿势》让你背，全靠自己摔。现在大家觉得它烧钱，是因为大模型要学的东西太多了：你骑自行车摔十次就会，AI要摔几百万次才能把横屏竖屏、你点屏幕的力度全认对，当然要堆算力。
之前有个读大二的学生找我聊天，说想自己在家训个强化学习的小模型玩，怕自己电脑配置不够跑不起来。我给他指了个开源的超级玛丽模拟器，告诉他哪怕是普通笔记本，跑一下午，AI至少能学会跳过第一个岩浆坑。他上周给我发截图，说他训的AI现在已经能熟练跳过三个坑，甚至知道蹲下来躲飞过来的乌龟了。他说盯着AI一次次摔、一次次试的过程，比自己打游戏还爽。
其实我特别懂那种感觉。
之前总有人说强化学习要取代人类，我觉得真的想多了。它连你今天突然不想看猫片，想翻两页家常菜谱的情绪都摸不准，怎么取代？它所有的经验，全是之前摔过的坑攒出来的，你要是突然给它整个从没见过的新坑，它第一反应还是掉进去。就像你训练了一个会玩超级玛丽的AI，把它扔到魂斗罗的地图里，它连枪都不会开，更别说通关了。
昨天我又把自己之前跑的那个超级玛丽AI拉出来看，它现在已经能熟练躲过三个飞龟，甚至知道故意绕路去吃隐藏在砖缝里的金币了。我突然觉得，我们之前对”学习”的定义太窄了。不一定非要捧着书背知识点才算学习，摔得多了，知道哪块地面会塌，哪条路有奖励，慢慢走得稳了，这也是学习啊。
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：那个靠摸爬滚打通关超级玛丽的AI，藏着你没搞懂的强化学习逻辑
文章链接：https://m.lfdjt.com/p/keji/a/21651.html