深度 RL 的真正瓶颈不是算法而是奖励设计

大多数深度 RL 的失败不是因为选错了算法（DQN vs PPO vs SAC），而是因为奖励函数没有正确反映真实目标。Reward hacking（智能体找到最大化奖励函数但不完成目标的捷径）是比任何算法缺陷更普遍、更致命的问题。算法选择决定你能做多好，奖励设计决定你在做对不对的事。