強化學習（RL）

強化學習（RL）是一種讓系統透過行動、回饋與獎勵，逐步學會決策策略的機器學習方法。近期進展涵蓋 KataGo 棋類競技、德州撲克與搜尋 Agent、機器人控制、晶片設計，以及支援萬億參數模型的訓練基礎設施；研究也開始關注 CoT 監控、泛化能力與低成本提示詞優化。RL 正從封閉遊戲走向現實任務，但可靠性、對齊與跨情境適應仍待驗證，值得持續追蹤其技術突破與部署成效。