1 没有教师信号，也没有label，只有reward，其实reward 就相当于label。

2 反馈有延时，不是能立即返回

3 相当于输入数据是序列数据

4 agent 执行的动作会影响之后的数据

强化学习的关键要素有：环境，reward，action和state，要解决的问题是针对一个具体问题得到一个最优的policy，使得在该策略下获得reward 最大，所谓的policy 其实就是一系列action，也就是sequential data。

ref：https://blog.csdn.net/trillion_power/article/details/70992333