Giải thích các khái niệm cốt lõi của RL: reward, policy, value function, discount factor γ.

• Reward r — tín hiệu số vô hướng môi trường trả về sau mỗi bước, đo mức "tốt" tức thời của một hành động. Mục tiêu của agent là tối đa tổng phần thưởng tích luỹ (return), không phải reward từng bước.
• Policy π — chiến lược của agent, ánh xạ trạng thái → hành động. Có thể tất định a = π(s) hoặc ngẫu nhiên π(a|s).
• Value function — kỳ vọng return khi bắt đầu từ một trạng thái (V^π(s)) hoặc từ một cặp trạng thái–hành động (Q^π(s,a)), rồi đi theo policy π. Nó đo giá trị dài hạn, khác với reward tức thời.
• Discount factor γ ∈ [0,1) — trọng số cho phần thưởng tương lai: G_t = r_{t+1} + γ·r_{t+2} + γ²·r_{t+3} + …. γ gần 0 → agent "thiển cận", chỉ quan tâm phần thưởng gần; γ gần 1 → coi trọng phần thưởng xa. γ < 1 cũng bảo đảm tổng hội tụ với chuỗi vô hạn.

Hình dung: reward là điểm ghi được ở mỗi nước đi, value là ước lượng tổng điểm sẽ đạt từ đây đến hết ván, còn γ cho biết ta "quy đổi" điểm ở tương lai xa về hiện tại nhẹ đi bao nhiêu.