强化学习（RL）
Reinforcement Learning
智能体通过与环境交互、根据奖励信号调整策略来学习如何行动。
先用人话理解
与一次性标注对错不同，强化学习强调试错与长期回报：在状态中选动作，观察结果与奖励，更新策略。游戏、控制、对话对齐（如 RLHF）都会用到其思想或算法部件。
为什么重要
从 Atari、围棋到大模型后训练，RL 提供了“行为可被奖励塑造”的统一语言，也带来探索、奖励设计与安全等难题。
常见误解
有奖励信号不等于奖励定义正确；错误奖励会学出投机策略。
RLHF 是强化学习在语言模型上的一种用法，不是全部 RL。