獎勵假說（reward hypothesis）

獎勵假說（reward hypothesis）是強化學習立基的賭注：我們在意的每一個目標，都能被表述成「最大化某個純量獎勵的期望總和」。贏得比賽、摺好蛋白質、把房間維持在二十一度、進行一段有幫助又誠實的對話——這假說說，每一個都能改寫成「盡可能賺取最多的累積獎勵」。用一個數字編碼「目的」，是個大膽的主張。

正是這個想法，讓強化學習得以成為單一而通用的框架，而不是一袋零散的技巧。但它是假說，不是定理，在實務上會反咬一口：把一個豐富、多面向的目標硬塞進一個數字，會招來獎勵駭客（reward hacking）——智能體滿足了獎勵的字面，卻違背了它的精神。是不是一切真的都能化約成純量獎勵，至今仍有真正的爭論。