獎勵訊號（reward signal）

獎勵（reward）是環境在每個動作之後交給智能體的一個數字，等於在說「剛剛那下有這麼好，或這麼糟」。贏一局：+1；輸了：−1；把機器人撞壞：一個很大的負數。它刻意保持簡單——就只是一個純量——因為這個數字就是智能體對「成功」的全部定義。智能體學到的一切，都是從追逐它而來。

正因為獎勵定義了目標，設計獎勵成了強化學習中最細膩的工藝之一。只獎勵你真正想要的，別獎勵方便的替代指標：用「移動距離」當獎勵，智能體可能原地打轉；用「船收集分數」當獎勵，牠可能在小湖裡無限繞圈刷分，而不去完成比賽。獎勵也可能很稀疏——幾乎到處都是零，只有在獲勝時才不為零——這會讓學習困難許多。