影片狀態：已附影片。 影片來源與說明
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
- 分清 immediate reward 與長期 return
- 理解 policy gradient 為何提高高回報動作的機率
- 辨認 sparse reward、exploration 與不穩定訓練的風險
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。
建議觀看方式
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。
今晚就能做的練習
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。
這篇沒有涵蓋什麼
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。
課程影片來源
2026-10-10 已即時回官方課程頁核對講次與影片連結，影片公開且允許嵌入。
原始影片：MIT 6.S191: Reinforcement Learning
課程與錄影入口：
查核日期：2026-10-10。
內容核對：已依字幕核對（2026-10-10）：字幕涵蓋 agent／environment／state／action／reward、discounted return、Q function 與 deep Q network（Atari Breakout 例子）、policy gradient、sparse／延遲 reward、探索與利用的取捨，以及 RL 用在 LLM 對齊；與本文相符。
更新紀錄
- 2026-10-10：標註影片狀態，核對錄影來源與取得方式。
- 2026-10-10：重查影片狀態。即時核對官方課程頁，講次與影片連結一致且影片公開，狀態改為「已附影片」。
- 2026-10-10：依字幕核對影片內容。主題相符，沒有需要更正的地方。
參考資料
Loading...