期望回報目標（expected return objective）

任何單獨一次運行得到的折扣回報，都是個隨機數——環境可能擲骰子，智能體自己也可能隨機行動。所以我們無法只針對某次幸運的回合做最佳化；強化學習要最大化的是期望回報，也就是同一套策略反覆玩無數次後，平均會拿到的回報。這個單一數字是整個領域的北極星：每個演算法不管包裝得多花俏，最終都是想把這個平均值推得更高。

形式上，這個目標是回報在「策略與環境共同產生的軌跡分布」下的期望值。因為它是對回合所有可能展開方式取平均，所以改善它意味著整體上做得更好，而不只是某次走運。這個視角很重要：一個偶爾爆分、但通常失敗的智能體，期望回報很低，而強化學習會正確地偏好一個更穩、平均贏更多的策略。