本质：一种顾全大局的行为
强化学习：machine 会对场景做出反应，并在整局（Trajectory）结束时候获得reward，在下次时以增加reward为标准行动。
监督学习：有个teacher告诉每次应当做出哪种反应，然后看看反应是否接近。
通常先监督学习、后强化学习。AlphaGO 便是如此训练的。
大厂应用：
- alphago
- 腾讯AI LAB 出的觉悟机器人
问题
- reward delay ： 牺牲短期，获取长期利益
- action 会影响后续输入。
强化学习：machine 会对场景做出反应，并在整局（Trajectory）结束时候获得reward，在下次时以增加reward为标准行动。
监督学习：有个teacher告诉每次应当做出哪种反应，然后看看反应是否接近。
通常先监督学习、后强化学习。AlphaGO 便是如此训练的。
