什麼是馬可夫決策過程？

為什麼需要一份正式藍圖

在訓練一個智能體之前，你得把問題本身描述得夠精確，精確到電腦能對它進行推理。強化學習（reinforcement learning）幾乎對所有問題都借用同一套整潔的描述：馬可夫決策過程（Markov decision process，MDP）。MDP 就是那個裝著一個世界、智能體的選擇、以及這些選擇後果的數學容器。一旦把問題寫成 MDP，一整箱演算法就突然全都能用上了。

可以把 MDP 想成一份完整寫下來的桌遊規則：有哪些格子、哪些走法合法、走一步後會發生什麼、以及怎麼計分。MDP 對序列決策問題做的正是同一件事——從一個機器人穿越房間，到推薦系統決定下一個要顯示什麼。

五個組成部分

MDP 通常寫成一個由五樣東西組成的元組（tuple）。它們單獨看都不難；威力來自它們如何彼此咬合。

狀態（states）——狀態空間是世界所有可能處境的集合。一個棋局、機器人的姿態、一位顧客的輪廓。
動作（actions）——動作空間是智能體在某狀態下能做的事：往左移、落一子、推薦第 7 號商品。
轉移（transitions）——轉移動態告訴你採取某動作後會落到哪個狀態。它常常是隨機的：同一步可能導向不同結果。
獎勵（rewards）——獎勵函數在每一步之後給出一個數字，用來編碼我們想要什麼。達成目標就加分，撞牆就扣分。
折扣（discount）——折扣因子（γ）控制未來的獎勵相對於眼前的獎勵有多重要。它值得我們用一整篇來談。

整套形式化就是這樣：一個狀態空間、一個動作空間、轉移、一個獎勵函數、以及一個折扣。五個部分，你就能描述人們丟給強化學習的多數問題。

\mathcal{M} = \langle \mathcal{S},\, \mathcal{A},\, P,\, R,\, \gamma \rangle

整個 MDP 濃縮成一個元組：狀態空間 𝒮、動作空間 𝒜、轉移 P、獎勵 R 與折扣 γ——這就是五個要素。

具體範例：格子世界裡的機器人

想像一個 4×4 的格子。機器人站在某個格子上（這就是狀態）。它可以往上、下、左、右移動（動作）。地板很滑，所以「往右移」有 80% 的機率真的往右、20% 會打滑到旁邊（轉移——是隨機的！）。它在出口格子得到 +10，其他每一步都得到 −1，藉此催它快點（獎勵）。

states  = [(r, c) for r in range(4) for c in range(4)]
actions = ["up", "down", "left", "right"]

def reward(state):
    if state == (3, 3):   # the exit
        return +10
    return -1             # cost of dwelling

def transition(state, action):
    # returns a list of (next_state, probability)
    intended = move(state, action)
    sideways = [move(state, a) for a in slips(action)]
    return [(intended, 0.8), (sideways[0], 0.1), (sideways[1], 0.1)]

把一個會打滑的格子世界寫成 MDP 的各個部分——注意轉移回傳的是機率，而不是單一的下一個狀態。

演算法需要的一切，現在都擺在桌面上了。它不需要理解機器人或地板——只需要轉移與獎勵。正是這種刻意的「無知」，讓同一套演算法能橫跨機器人、遊戲與廣告。

讓這一切成立的那個安靜假設

藏在「馬可夫」這個字裡的，是一個強而有力的承諾：馬可夫性質（Markov property）。它說當前狀態已經包含了預測未來所需的一切——一旦你知道現在，整個過去就再也添不了任何資訊。在格子裡，機器人站在哪裡就足以決定轉移要的全部；它是怎麼走到那裡的，完全無關緊要。

正是這個假設讓數學保持乾淨。如果未來取決於整段歷史，每個演算法都會淹沒在不斷膨脹的紀錄裡。馬可夫性質讓我們得以一次只推理一步。下一篇就專講它——它何時成立、何時偷偷失效，以及如何刻意設計狀態讓它成立。