一句话定义：强化学习（Reinforcement Learning，RL）是让一个「智能体」（agent）在环境里反复尝试动作，根据每次结果拿到的好坏分数（奖励，reward），自己摸索出该怎么做的一类机器学习方法。
它和监督学习（supervised learning）最根本的差别是：没有标准答案。监督学习像做带答案的练习册——输入一张图，标签写着「猫」，模型照着调。强化学习更像下完一整盘棋才被告知输赢：中间哪一步走错了、错了几分，没人告诉你，你得自己回头琢磨。
打个生活化的比方：教小狗「坐下」。你不会跟它讲膝关节该弯多少度，你只说「坐」，它乱动，某次屁股偶然着地，你给块零食。反复几次，它就学会了。零食是奖励，屁股着地是动作，「听到坐就屁股着地」这套反应就是它学到的策略（policy）。整个过程里，你从没描述过正确答案，只给了评价。
这带来几个真实难点：
- 延迟奖励：一盘棋几十步，只有最后输赢一个信号，得自己判断哪几步有功、哪几步拖后腿，这叫信用分配（credit assignment）。
- 稀疏反馈：很多任务里大部分尝试都是零分，偶尔才有一次正反馈，学起来很慢。
- 探索与利用（exploration vs exploitation）：一直用已知的好招，可能错过更好的；一直乱试，又浪费机会。这个张力是 RL 的核心难题。
和相邻概念摆在一起看更清楚：
| 监督学习 | 无监督学习 | 强化学习 | |
|---|---|---|---|
| 喂进去什么 | 输入 + 标准答案 | 只有数据 | 只有奖励分数 |
| 反馈时机 | 每步立刻给 | 没有反馈 | 常常延迟、稀疏 |
| 典型目标 | 拟合输入到答案的映射 | 找数据里的结构 | 最大化长期累计奖励 |
对从业者的意义：大模型对齐中的 RLHF（Reinforcement Learning from Human Feedback，基于人类反馈的强化学习）就是这套思路——人类不直接写「标准回复」，只对若干候选回复排序，训练出一个会打分的「评委」，再用强化学习把模型往高分方向推。推荐出价、机器人控制、下棋程序也都靠它。具体算法实现与参数，以对应框架和产品的官方页面为准。
对普通人的意义：强化学习最值得借鉴的一句话是——你考核什么，就会得到什么。奖励设计错了，模型会钻空子刷分而不管真实目标，这在业内叫奖励黑客（reward hacking）。换成职场语言：KPI 只看点击率，就会长出标题党；只看代码行数，就会长出没人维护的冗长代码。想让系统做出对的行为，先想清楚你真正想奖励的到底是什么。