一种用当前估计差值逐步更新价值的强化学习方法。
它像月考后估分：不用等期末总成绩，先看这题比预想高还是低，下一次立刻改策略。
常用来更新价值判断，让智能体边走边学、越估越准。
Reinforcement-learning
它是强化学习中的经典学习方法，用奖励差值逐步更新判断。
Q-learning
Q-learning 用它更新 Q 值，不必等整局结束再学习。
Actor-critic
Actor-Critic 里负责评价的 critic，常靠它持续修正。
Policy-gradient
它重在学价值估计，和直接优化策略的方法形成互补。