在强化学习 (RL) 中，**环境**是智能体运行和学习的系统或上下文。它定义了智能体与之交互的规则、动态和反馈机制。当智能体采取行动时，环境会处理该行动，过渡到新状态，并提供奖励信号。这种反馈循环使智能体能够学习哪些行动可以最大程度地提高长期累积奖励。环境通常被建模为马尔可夫决策过程 (MDP)，其中包括状态、行动、转移概率和奖励函数。例如，在国际象棋游戏中，环境包括棋盘、合法移动的规则以及确定奖励的输/赢条件。
RL 环境的一个具体例子是模拟机器人在迷宫中导航。环境为机器人提供其当前位置（状态），接受移动命令（动作），根据物理定律计算新位置（转移动态），并给予奖励（例如，到达目标 +100，每一步 -1）。 另一个例子是推荐系统：环境可以代表用户互动，其中状态是用户个人资料，动作是产品建议，奖励基于点击或购买。 环境可以是现实世界的系统（如物理机器人）或模拟（如视频游戏）。 像 OpenAI Gym 这样的工具提供标准化的环境（例如，Atari 游戏、控制任务）以一致地测试 RL 算法。
了解环境至关重要，因为环境的设计直接影响学习。例如，如果奖励稀疏（例如，仅在游戏结束时获胜），智能体可能难以学习。 环境可以是完全可观察的（智能体看到所有相关信息）或部分可观察的（例如，扑克游戏中对手的牌是隐藏的），这需要不同的算法，例如 POMDP。 随机环境（例如，机器人在湿滑的地板上滑倒）会增加不确定性，迫使智能体考虑随机性。 开发人员通常首先简化环境（例如，使用网格世界）来对算法进行原型设计，然后在复杂的现实世界设置中进行测试。 环境的选择也会影响计算需求 - 在高保真模拟器中训练自动驾驶汽车比 2D 网格导航任务需要更多的资源。 最终，环境塑造了智能体的学习过程，使其设计和建模成为 RL 项目的基础步骤。