强化学习（RL）中奖励信号的目的是为智能体在其所处环境中采取的行动质量提供即时反馈。该信号起着指导作用，帮助智能体学习哪些行为是可取的，哪些是应避免的。与提供明确标签的监督学习不同，强化学习依赖奖励来迭代地塑造智能体的策略——即其选择行动的策略。例如，在国际象棋等游戏中，赢棋可能获得 +1 奖励，输棋获得 -1 奖励，进行中的棋步获得 0 奖励，从而引导智能体采取能导向胜利的策略。
奖励信号的设计至关重要，因为它直接影响智能体如何权衡短期和长期结果。设计良好的奖励机制需要在即时反馈与智能体预先规划的需求之间取得平衡。例如，在训练自动驾驶汽车时，一个简单的奖励可能是惩罚碰撞并奖励向前行驶。然而，如果奖励只看重速度，智能体可能会学会鲁莽驾驶。为了解决这个问题，工程师通常会设计包含多种因素的奖励函数，例如保持安全距离或节省能源。稀疏奖励——例如只在完成任务时获得奖励——也可能带来挑战，因为智能体可能难以将其行动与遥远的结果联系起来。奖励塑形（添加中间奖励）或利用内在动机（如好奇心）等技术有助于弥补这一差距。
奖励信号还使智能体能够在探索（尝试新行动）和利用（使用已知有效行动）之间取得平衡。例如，在推荐系统中，强化学习智能体可能会探索推荐不太受欢迎的物品，以发现隐藏的用户偏好，但它也必须利用已知的高点击率物品来维持用户参与度。强化学习算法中的折扣因子（gamma）进一步调整智能体对未来奖励的重视程度——较高的 gamma 更重视长期收益，而较低的 gamma 则侧重于即时结果。最终，奖励信号是智能体学习过程的基础，它决定了智能体是收敛到一个有用的策略还是陷入次优行为。