Hacker没人给出标准答案，学习信号从哪里来？
从一块没有标签的图像开始，再把问题换成需要连续行动的游戏。两者都没有老师逐题打分，但「找出结构」和「选择动作」要求的信息不同。
本文的问题 · 6
从无监督学习，走到学习图像表示
第一段描述没有给定正确标签时从数据发现结构；第二段提出从图像中学习比原始像素更有用的表示。可把表示学习问题作为理解无监督目标的一条具体路径。
对照原文与时间戳 · 2
I'm not going to tell you what the right answer isfind a better way to represent images than the raw input pixels两段提供问题定义，不证明所有表示学习都无监督，也不比较具体算法的优劣。
都没有老师给答案，学习信号却不同
无监督学习片段要求从未标注数据发现结构；强化学习片段没有监督者指定动作，却明确提供奖励信号。并读可以澄清没有标签不等于没有反馈。
对照原文与时间戳 · 2
I'm not going to tell you what the right answer isthere's no supervisor there's just this reward signal这是两类学习问题的比较，不是互相反驳；现实系统可以组合不同范式。
动作会改变后续局面，不能把连续决策拆成孤立的分类题
概括强化学习中的时间依赖；并非所有任务都有同样长的奖励延迟。
对照原文与时间戳 · 2
the consequence of trashing it may not happen until much laterthe agent is actually influencing the data that it sees用 AlphaGo 看见机器学习定义中的任务与经验
Stanford 课程用任务、经验和性能指标描述学习问题；AlphaGo 的纪录片呈现棋谱模仿、自我对弈和从失误中学习。后者让抽象定义落到清楚的任务与经验来源上，也展示经验并非只能来自人工标注。
对照原文与时间戳 · 2
a computer program is set to learn from an experiencethrough self-playing, reinforcement learning, it plays against different versions of itself纪录片展示的是混合训练过程，不能据此推断所有机器学习任务都采用自我对弈或强化学习。
试错可以发现不在示范答案里的策略
一例是围棋自我对弈，另一例讨论语言模型解题。探索有效仍依赖能提供区分度的反馈。
对照原文与时间戳 · 2
through self-playing,
reinforcement learning, it plays against different versions
of itself many millions of times,we're going to check them and we're going to do more of what worked围棋和马里奥代理从不同反馈中改进
AlphaGo 先模仿人类棋手，再经自我对弈强化学习；MarI/O 按游戏进度形成适应度并繁殖高适应度网络。两者可作为围棋与平台游戏代理改进方式的并列案例。
对照原文与时间戳 · 2
through self-playing, reinforcement learning, it plays against different versions of itselfOnly the neural networks that produce the highest fitness are selected两者采用不同训练机制和任务指标；这组片段只支持并列比较，不证明某种反馈方式更有效或泛化更好。
读完再想一步
改变一次动作而不改变眼前画面，哪些任务的答案仍会受到影响？