強化学習

強化学習って何？

子犬のしつけを思い浮かべてください。正しくできたらおやつ、間違えたらおやつなし。何度か繰り返すうちに、犬はコツをつかみます。強化学習（RL）はこれと同じ理屈。AIが環境の中で試行錯誤し、良い行動には報酬、悪い行動にはペナルティを与えられ、少しずつ「最適な戦略」を学びます。

教師あり学習との違いは？

教師あり学習：模範解答で学ぶ
例ごとに正解を誰かが教え、モデルはそれを真似ます。
強化学習：試行錯誤で学ぶ
正解は教えられません。エージェントが自ら探索し、「報酬シグナル」から正しさを悟ります。

基本の考え方

エージェントと環境
エージェントが環境で行動し、環境がフィードバックを返します。
報酬（reward）
うまくやれば加点、失敗すれば減点。これが唯一の学習シグナルです。
方策（policy）
最終的に身につく「この状況ならこう動く」というルール。

なぜ重要なのか

強化学習は囲碁やゲームでAIが人間に勝つ原動力になり、いまはRLHFや推論モデルなど大規模モデル訓練の要になっています。「正解がなく、繰り返し試すしかない」問題には欠かせません。

まとめ：強化学習は「できたらご褒美、できなければ何もなし」。AIが試行錯誤の末に最適解を自分で学ぶ仕組みです。