- 区别
强化学习（RL）和深度学习（DL）是人工智能中两个重要但不同的分支，它们既有明显区别，又能紧密融合。强化学习与深度学习的工作原理如下图所示。
主要区别如下所示：
2.联系
1）深度学习作为强化学习的工具：深度强化学习（DRL） ：用深度神经网络替代传统RL中的值函数或策略函数，处理高维状态（如图像、语音）。
例如：DeepMind的DQN用CNN处理游戏图像，实现Atari游戏超越人类水平。
2）深度学习和强化学习均使用梯度下降优化目标函数（RL优化策略梯度，DL优化损失函数）。
3）强化学习是"决策框架"：关注如何行动以达成目标，核心是序列决策问题（MDP）。
4）深度学习是"工具"：擅长从数据中提取复杂模式，但本身不包含决策逻辑。
5）通过二者融合可共同解决高维复杂任务：DL为RL提供表征能力，RL为DL提供决策能力。
- 类比应用含义
1）RL像"学会骑自行车"：通过摔倒（奖励/惩罚）调整动作，最终掌握平衡技巧。
2）DL像"识别自行车图片"：通过大量图片训练，学会区分自行车与其他物体。
3）通过RL和DL结合开放场景：让AI既"识别路况"（DL）又"决定如何避开障碍"（RL），完成自动驾驶。
总结：目前DRL需大量交互数据，训练不稳定，泛化能力弱于纯DL模型。