# 走廊寻宝：强化学习的试错与延迟奖励

> 来源：https://dqn.cn/tools/treasure-hunt ｜ 作者：DQN.CN 编辑部 ｜ 发布：2026-11-01 ｜ 更新：2026-11-01 ｜ 许可：CC BY-NC-SA 4.0（文字）/ MIT（代码）

> （此处为交互工具，请在网页中使用：https://dqn.cn/tools/treasure-hunt）

## 这个演示在讲什么

没有人告诉智能体“往右走”。它只能**尝试**一个方向，看拿到了什么奖励，然后修正对每个格子“向左 / 向右”的估值。这就是强化学习与监督学习最大的区别：学习信号是**评价性的奖励**，而不是“正确答案”。

另一个关键点是**延迟奖励**：宝箱离起点更远，前几步走过去时没有任何奖励，智能体需要把终点的 +10 一格一格地“传”回起点，才知道一开始就该往右。

## 可以试试

- 切到“我来走”，自己走几回合，体会一下“只有走到端点才知道好坏”。
- 把 ε 调成 0：智能体一旦先碰到小金币，就可能一直去拿金币，再也发现不了宝箱——这是**探索与利用**的矛盾。
- 把 γ 调到 0.4 以下：10 × 0.4⁵ ≈ 0.10，比 1 × 0.4² = 0.16 还小，近处的金币反而更“值”，智能体会学会往左走。

## 相关教程

- [什么是强化学习](https://dqn.cn/basics/what-is-rl)
- [全部交互工具](https://dqn.cn/tools/)