強化學習是一種讓 AI 透過與環境互動，從獎勵和懲罰中學習，進而找到最佳行動策略的方法
容易混淆
強化學習 vs 監督式學習
強化學習靠獎勵和懲罰試錯 監督式學習靠有答案的標籤學習 最關鍵的區別是有沒有現成正解。
強化學習 vs 自我對弈
強化學習是整個學習框架 自我對弈是用自己跟自己比賽來產生資料的方法 最關鍵的區別是框架和訓練手法不同。
記住這句就好
沒有標準答案時，看長期回報，就用強化學習。
實際案例
遊戲 AI 練等 遊戲角色每一步都拿到分數或扣分，最後學會怎麼走位、怎麼出招，這就是強化學習最典型的場景。
機器人走迷宮 機器人每次撞牆就扣分，接近出口就加分，跑久了之後會慢慢學會走最短路。
算法與應用
核心元素通常是狀態、動作、獎勵、策略，模型要學的是在不同狀態下該做什麼動作。 探索與利用是關鍵矛盾，太愛嘗試會浪費時間，太快固定答案又可能錯過更好的路。 在實務上，DQN、Policy Gradient、Actor-Critic 都是常見做法，差別在於怎麼估計價值和更新策略。
情境判斷
Q1（直覺題）：一個模型在棋類遊戲中，贏一局就加分、輸一局就扣分，這種學習方式屬於什麼？
→ 這是強化學習，因為模型不是看標準答案，而是根據回饋慢慢調整策略。
Q2（判斷題）：如果每一步都能立刻知道正確答案，還適合用強化學習嗎？
→ 通常不優先。這種情況更像監督式學習，因為標籤已經存在，直接學對錯通常更快更穩。
強化學習 在 iPAS 考試中的重點
根據歷年統計，強化學習 相關題目 平均佔 AI 技術類考題 7%， 屬於高頻考範圍。
常見出題方向：各類學習範式的定義與比較（45%）、適用場景判斷（35%）、演算法優缺點分析（20%）。
閱讀這頁時的常見誤區
只背中英文對照，無法判斷術語的適用情境。先確認定義，再對照完整說明與相關概念，頁面中的考試比重或出題方向，必須和下方標示的資料來源一起閱讀。
相關術語
常見問題
獎勵函數設計錯了會怎樣？
A：模型可能學到你不想要的行為，因為它只會最大化分數，不會自己理解你的真正目的。
DQN 在強化學習裡做什麼？
A：DQN 用深度神經網路近似 Q 值，讓模型可以處理更大的狀態空間。
自動駕駛為什麼常被拿來討論強化學習？
A：因為它要同時顧安全、效率和舒適，還要在長期回報下做決策，很適合拿來說明強化學習的難點。
資料來源
- AITerms.tw 術語資料庫，最後更新：2026-04-29。
- iPAS AI 應用規劃師評鑑內容範圍參考（115.02） ，經濟部產業人才能力鑑定