强化学习（RL）是一种机器学习方法，其中AI智能体通过与环境交互并接收奖励或惩罚形式的反馈来学习做决策。智能体的目标是通过试错发现最优策略或策略，从而最大化累积奖励。这个过程包含三个核心组件：智能体（决策者）、环境（智能体运行的上下文）和动作（智能体可以做出的选择）。例如，一个玩视频游戏的AI智能体可以通过到达目标获得正向奖励、撞到障碍物获得负向奖励来学习如何在迷宫中导航。随着时间的推移，它会改进动作以避免惩罚并获得更高分数。
强化学习的训练过程严重依赖于探索和利用。探索是指智能体尝试新的动作以收集关于环境的信息，而利用则是使用已知策略来最大化即时奖励。Q学习或策略梯度等算法平衡了这两个方面。例如，在训练一个机器人走路时，智能体最初可能会随机尝试腿部动作（探索），但会逐渐优先选择能保持平衡并向前移动的动作（利用）。智能体使用时间差分学习等技术更新其策略，根据实际结果调整对未来奖励的预测。这种迭代调整使智能体无需为每种情况预先编程规则即可改进其决策能力。
强化学习技术应用于不同的领域。在机器人学中，智能体学习操纵物体或在动态环境中导航。自动驾驶汽车使用强化学习通过模拟无数交通场景来优化驾驶策略，例如变道或刹车。在推荐系统中，强化学习可以将用户互动视为奖励（例如，点击或观看时长），并调整推荐以最大化用户参与度，从而实现内容个性化。一个关键挑战是设计能够准确反映期望行为的奖励函数——例如，一个为送货无人机设计的奖励函数如果设计不当，可能会优先考虑速度而非安全。开发者还必须解决计算效率问题，因为强化学习通常需要大量的训练数据或模拟。通过将强化学习与神经网络（深度强化学习）结合，智能体可以处理复杂的环境，例如玩策略游戏（例如，AlphaGo）或管理能源电网，在这些环境中，决策依赖于高维输入数据。