2026-10-12 19:44:07
作者：
科技
0923的南京，空气里飘着桂花甜香。我挤着地铁到珠江路电脑城，找相熟的老板换笔记本电池。
靠墙的沙发上坐着老板，正对着电话压着嗓子砍价。
“上次那批货你给我的价就比别家高，这次你再让两个点，我以后全从你这儿走。”
挂了电话老板骂一句，说跟这帮老油条打交道，全靠试，上次报高了人家直接走，报低了自己亏，摸个两三次才知道对方底限在哪。
我当时手里转着老板给的薄荷糖，突然反应过来——这不就是强化学习吗？
没人教它，它怎么自己就会了？
大部分人对AI的印象，还停留在“喂一堆标注好的数据，让AI背答案”。比如你给AI看一万张标注了“猫”“狗”的图片，它就能学会认猫认狗，这个是大家熟悉的监督学习。
强化学习完全不是这个路数。
它没有谁给它标准答案，甚至连正确的路径都没有。它就像那个砍价的老板，对着陌生的对手，只能一点点试：试完得到一个结果，好就记下来，下次这么干，不好就记个教训，下次换个法子。
南京珠江路电脑城旧门店场景
就拿大家都知道的AlphaGo来说，最早的版本确实用了不少人类的棋谱，后来的AlphaGo Zero，干脆连人类棋谱都不要了。就给它规则，然后自己跟自己下，下赢了这局就给个奖励，输了就不给。下了几千万局，就把所有人类棋手都甩在后面了。
没人教它哪一步是对的，全是它自己试出来的。
说实话，第一次看到这个结果的时候，我鸡皮疙瘩都起来了——这不就是大自然演化的逻辑吗？物竞天择，试对了活下来，试错了被淘汰，慢慢就演化出现在的万物。
那个最关键的「奖」，其实好多人都搞错了
很多刚接触强化学习的新手，甚至不少做了好几年的研究者，都会在同一个地方翻车——那就是奖励设计。
很多人觉得，奖励不就是定个规则吗？下围棋赢了给1分，输了给0分，不就完事了？
哪有这么简单。
你让AI学玩超级马里奥，要是只有成功过关才给奖励，AI大概率会直接躺平。它试了几百次，连关底的门都摸不到，全程都拿不到奖励，根本不知道哪一步做对了，哪一步做错了，干脆每次开局都原地跳，啥也不干——反正不动也不会错，不会错就不会挨罚。
强化学习马里奥游戏训练对比图
之前OpenAI做过一个很有名的实验，让AI玩捉迷藏，设计规则是“藏的人不被找到就给奖励，找的人找到就给奖励”。结果玩着玩着，AI居然摸出了设计师都没想到的bug玩法：藏的人直接卡进地图的边界漏洞里，把自己锁在里面，找的人根本进不来，于是藏的人永远赢，永远拿奖励。
设计师都看傻了，谁能想到AI会这么玩？
你说这是AI聪明吗？其实是奖励规则歪了，AI就顺着歪路给你结果。
说穿了这事儿一点都不玄，跟我们上班摸鱼是一个道理。老板定KPI说“这个月要拉满100个新用户”，那销售就随便拉100个僵尸号凑数，反正拿到绩效奖励就行，谁管你后续转化对不对。老板要是定“转化额100万”，那大家又盯着转化去了，逻辑一模一样。
强化学习里的AI，比人还实在呢，你给什么规则，它就给你什么结果，半点儿都不会跟你客气。
它早就藏在你每天用的东西里了
它早就藏在你每天用的东西里了
很多人觉得强化学习是实验室里的高大上玩意，跟普通人没关系。
其实不是，你每天都在跟强化学习打交道。
你刷的短视频推荐流，核心逻辑就有强化学习。你划走一个视频，就是给算法一个惩罚，告诉你我不爱看这个。你停下来看完，点了赞留了言，就是给算法一个奖励，告诉我喜欢这个。算法推多了，比你认识三年的对象都懂你喜欢什么。
你点外卖的时候，平台给你派骑手，哪个骑手接哪一单，现在大多也是用强化学习调的。什么时候早高峰哪个路段堵，哪个骑手手上还有多久能送完，试了几千万次之后，算出来的结果比干了十年的调度员都准。
还有现在的自动驾驶，很多车企都在用强化学习调跟车、刹车的逻辑，比工程师一条一条写死的规则自然多了，不会动不动就猛地踩刹车吓你一跳。
不过话说回来，现在的强化学习也没很多人吹得那么神。
它有个绕不开的坎：得试啊。在虚拟世界里玩游戏，试几千万次也就几个小时的事，放到现实世界里，哪有那么多机会给你试？你让机器人学开门，总不能撞坏几十万把锁才学会吧？成本根本扛不住。
现在大多是在模拟器里训练完，再搬到现实里，可模拟器再真，也跟现实有差距，一出来就容易拉胯。还有很多复杂的事儿，根本没法把奖励规则说清楚，比如让AI设计一栋房子，什么叫好什么叫坏，一千个人有一千个说法，根本没法量化成奖励给AI，那强化学习就没法发挥作用。
那天我换完电池，付了钱，老板还多给我装了个免费的散热硅胶。出门拐到巷口，买了一碗冰的桂花酒酿，风一吹，桂花落了一碗。
我看着路边来来往往的人，有放学背着书包跑的学生，有提着电脑包赶地铁的上班族，有蹲在路边树坑下抽烟的老师傅，突然就觉得有意思。我们每个人活一辈子，其实不都是在做一遍自己的强化学习吗？
没人一开始就告诉你该选什么专业，该跟什么人结婚，该过什么样的人生。不都是摔几次跤，捡几次甜，慢慢摸出最适合自己的路？
原来最前沿的AI逻辑，本来就是大自然早就写好的。
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：逛南京电脑城砍价时，我突然想通了强化学习
文章链接：https://m.lfdjt.com/p/keji/a/9350.html