在强化学习（RL）中，奖励是指导智能体学习过程的主要信号。智能体的目标是通过与环境交互，最大化其随时间获得的累积奖励。奖励充当反馈，告诉智能体在特定状态下哪些行动是有益的或有害的。例如，在像国际象棋这样的游戏中，赢棋可能奖励 +1，输棋 -1，中立状态 0。智能体利用这些信号调整策略，学习优先选择能带来更高长期奖励的行动。如果没有定义明确的奖励结构，智能体将缺乏方向，无法学习有意义的行为。
奖励影响智能体的探索与利用权衡。在探索阶段，智能体尝试新的行动以发现潜在的更优策略；而利用阶段则倾向于坚持已知的高奖励行动。例如，一个学习在迷宫中导航的机器人可能会因到达出口而获得奖励，但因撞墙而受到惩罚。在训练早期，机器人可能会探索随机路径（高探索）以绘制环境地图。随着学习深入，它会转向利用已知的有效路径（高利用）。奖励信号决定了智能体在这些阶段之间转换的速度。如果奖励稀疏（例如，只在迷宫出口处给予），智能体可能难以学习，需要奖励塑形（Reward Shaping）等技术（例如，增加接近目标的中间奖励）来加速学习。
然而，设计有效的奖励函数具有挑战性。结构不良的奖励可能导致意外行为。例如，一个经过训练以最大化视频游戏分数的强化学习智能体可能会利用漏洞，比如反复收集少量奖励而非完成关卡。类似地，一辆因速度而获得奖励的自动驾驶汽车可能会忽视安全。开发者通常通过仔细平衡奖励构成部分（例如，惩罚不安全行为）或使用逆强化学习（Inverse RL）（智能体从专家演示中推断奖励）来解决此问题。奖励设计也影响可扩展性：过于复杂的奖励可能导致训练不稳定，而过于简单的奖励则可能忽略关键细节。有效的奖励工程需要迭代测试和领域知识，以使智能体的目标与期望结果保持一致。