MIT 6.S191 Lecture 5：強化學習：用回報取代標準答案

TL;DR 2026 第 5 講把 agent、environment、state、action、reward 與 policy 接成互動迴圈，理解信用分配與探索。

系列: MIT 6.S191 導讀 (6 / 13)

🌏 English version

MIT 6.S191 2026 第 5 講是 強化學習：用回報取代標準答案。把 agent、environment、state、action、reward 與 policy 接成互動迴圈，理解信用分配與探索。這篇只依 2026 官方投影片與影片整理；不把 2025 的同名內容混進來。

這一講要帶走什麼

這些概念的共同點是：不能只會認名詞。你要能指出輸入、輸出、學習訊號與限制，才算真的接上後續內容。

互動鏈是 policy 依 state 選 action，environment 回傳下一個 state 與 reward，再把多步 reward 彙整成 return。policy gradient 用取樣軌跡估計更新方向，因此 reward 設計、探索範圍與估計變異都會改變學到的行為。

先快速看一遍官方投影片的章節與圖，再看官方影片。第二遍遇到公式或架構圖就暫停，用自己的符號重畫；影片播完後，不回看資料，寫下三個核心概念與一個仍不確定的地方。

替一個簡單遊戲寫下 state、action、reward 與終止條件；如果 reward 一行寫不清楚，就先別訓練。

完成標準不是「看完」。你應留下可檢查的圖、計算、程式輸出或短筆記，並能向另一個人解釋其中一個失敗點。

6.S191 是高強度入門課，本篇也只做單講導航，不替代完整影片、數學推導或正式作業回饋。若某個主題需要嚴格理論，應接一學期制課程或原始論文。