强化学习 (RL) 中的内在动机是指通过创建基于自身经验的内部奖励来鼓励智能体探索其环境的技术，而不是仅仅依赖于环境提供的外部奖励。 与依赖于预定义目标（例如，在游戏中获得积分）的外在动机不同，内在动机驱动智能体寻求新奇事物、学习技能或减少不确定性。 例如，即使智能体的行为不会立即有助于解决任务，它也可能会奖励自己访问不熟悉的状态或做出意外的预测。 这种方法有助于智能体更有效地探索，尤其是在外部奖励稀疏或延迟的环境中。
实现内在动机的一种常见方法是好奇心驱动的探索。 在这里，智能体会根据其对自身行为结果的惊讶程度来生成内部奖励。 例如，内在好奇心模块 (ICM) 使用预测模型来估计智能体在给定当前状态和动作的情况下预测下一个状态的能力。 预测状态与实际下一个状态之间的差异（即预测误差）成为内在奖励。 另一个例子是随机网络蒸馏 (RND)，其中智能体学习预测随机初始化的神经网络的输出。 难以预测（误差较高）的状态会产生更高的奖励，从而鼓励探索不太熟悉的区域。
内在动机的主要好处是改进了复杂或稀疏奖励环境中的探索。 例如，在仅在到达出口时才提供外部奖励的迷宫求解任务中，具有内在动机的智能体可能会更彻底地探索死胡同，从而增加最终找到正确路径的机会。 同样，在机器人技术中，学习行走的智能体可以使用内在奖励来试验不同的动作，即使在实现稳定的步态之前不存在外部反馈。 然而，内在动机并非万能的——某些方法可能会导致分心（例如，智能体专注于不可预测但无关紧要的状态）。 开发人员通常将内在奖励和外在奖励结合起来，以平衡探索和特定于任务的目标，使该方法能够适应各种 RL 场景。