我們知道AI的作法可以分為Supervised Learning、Unsupervised Learning、Reinforcement Learning，整題區分如下圖：
當中的Supervised Learning仰賴貼標資料，有在業界工作的朋友就知道，現實的資料是殘缺不全，要有貼標的資料進行Supervised Learning是一件很奢侈的事情。
然而不管在什麼領域，引入AI之後，似乎都會開始強調「自動化」，這需要幾個元件來組成：「觀察」、「執行」、「回饋」等等。
這和人類的學習很相似，面對一件未知的事情，當需要作出決策時，就需要「觀察現況」，再以此「做出動作」，最後也因為這動作而有「回饋」，不論是好還是壞，都為這動作做了一個「評分」，這些都是經驗，為往後面對相似情況而需要做決策時，提供「參考經驗」，這正是Reinforcement Learning的運作機制。
我自己處的產業，也開始著手進行AI化，不外乎開始強調「自動化」、「Closed Loop Optimization」等等，這些面向都和Reinforcement Learning脫離不了關係，這觀察和NVIDIA 黃仁勳受訪時的觀察差不多，詳細採訪內容可以參照：
https://hao.cnyes.com/post/74186?utm_source=cnyes&utm_medium=home&utm_campaign=postid
而Reinforcement Learning的重要性還可以從一個方面來看，那就是ChatGPT的訓練過程也使用到此技術，當中用到Reinforcement Learning from Human Feedback (RLHF)，可以參照：
https://www.cc.ntu.edu.tw/chinese/spotlight/2023/a111029.asp
有鑒於此，本頻道也開始分享Reinforcement Learning相關技術，可以參照：
Chat GPT - 用RLHF做Fine Tuning
Trust Region Policy Optimization教學 - Part 1
