一句话定义：逆强化学习（Inverse Reinforcement Learning, IRL）是强化学习的一个分支，它不要求你手工写出奖励函数，而是反过来——给一堆"专家怎么做"的示范数据，让算法猜出这个专家心里真正在追求什么目标。
正向是"给目标找方法"，逆向是"看方法猜目标"
普通的强化学习（Reinforcement Learning, RL）逻辑是：你先定义奖励——比如"走到终点 +10，掉坑 -10"——然后让智能体反复试错，学出一套最优动作。奖励是你写的，算法负责解题。
IRL 把这道题倒过来解。你手里只有行为录像：老师傅修车时先擦干净再拆、宁可多花五分钟也要复检；司机每次变道前都先看后视镜两次。你不知道他的"奖励函数"是什么，只能推测：他在意的是"不返工"和"安全"，而不是"最快"。
生活里其实天天在做这种推理。看同事交方案总是多附一版备选，你猜他不是想炫技，而是怕被否掉——这就是人肉版的 IRL。
最难的地方：答案不唯一
正向 RL 有唯一的最优策略；IRL 没有唯一的奖励函数。同一套行为，可能对应"怕迟到"，也可能对应"怕费油"。这叫问题的不适定性（ill-posed）。所以 IRL 通常要加一条偏好假设，比如"在能解释专家行为的所有奖励里，选最不确定、最不偏心那个"（最大熵 IRL 的思路），再配合专家行为近似最优的前提。如果专家本身就是个新手、动作很随机，反推出来的奖励多半是噪声。
和相邻概念的区别
| 方法 | 你给什么 | 它产出什么 | 换场景后 |
|---|---|---|---|
| 强化学习 RL | 奖励函数 | 策略 | 奖励要重写 |
| 逆强化学习 IRL | 专家示范 | 奖励函数 | 奖励可复用 |
| 模仿学习（含行为克隆 Behavior Cloning） | 专家示范 | 策略 | 遇到没见过的状态容易崩 |
关键差别在最后一行：模仿学习直接抄动作，"专家怎么做我就怎么做"，一旦进入训练数据里没出现过的状态就手足无措。IRL 学到的是"意图"，意图可以迁移到新环境，还能和别的奖励组合、被人读懂和审查。代价是计算更重、流程更长。
顺带一提，基于人类反馈的强化学习（RLHF）里，奖励模型是从人类偏好对比数据中学出来的，思路和 IRL 血脉相通：奖励不是手写的，是从人的判断里反推的。
对你意味着什么
对算法工程师，IRL 是缓解奖励黑客（AI 词典：Reward Hacking">Reward Hacking）的一条路——与其绞尽脑汁写一个不会被钻空子的奖励公式，不如让奖励从真实示范里长出来。它常见于机器人从演示中学习、自动驾驶理解人类驾驶偏好、以及需要给中间步骤做奖励塑形（Reward Shaping）的场景。
对普通人，这是个挺实用的思维工具：只盯行为容易误判，反推动机才能对症下药。员工天天加班，奖励函数可能是"被看见"，未必是"钱"；客户反复比价，可能是在买"不后悔"。看行为、猜目标、再验证——这套流程，人比模型更该练熟。
具体工具和实现细节请以官方文档为准。