��恋爱为何让人无法收敛?

强化学习中的智能体，

会根据反馈调整策略。

奖励变少时，

它通常减少无效探索。

但进入恋爱环境后，

这套规则突然失灵。

对方真实意图不可见，

回复还会延迟或含糊。

一句“早点睡”，

可能是温柔的关心，

也可能是在结束对话。

人只能看见聊天窗口，

却看不见环境源码。

少量偶然的积极反馈，

还可能盖过长期冷淡。

于是低收益的等待，

被解释成仍有希望。

论文将这一现象称为：

恋爱强化学习失败。

它不是心理诊断，

而是一套分析框架。

在普通学习任务中，

状态通常相对明确。

但在亲密关系里，

观测不等于真实状态。

收到一个“哈哈”，

只能证明对方回复了。

它不能直接证明，

关系正在稳定升温。

已读时间是观测，

喜欢与否却是隐藏状态。

更麻烦的是，

同一条消息的奖励值，

会因等待时间而改变。

平时普通的一句“嗯嗯”，

在失联三天以后，

也可能像巨大惊喜。

这种含噪反馈，

让人难以正确更新判断。

你以为自己读懂了信号，

其实只读到了界面。

一个人真正想要的，

通常是稳定和相互的关系。

但这个目标很难测量。

于是人会选择更易观察的，

回复次数、速度与字数。

只要回复变快了，

便觉得关系有所进展。

只要话题聊得更久，

便认为自己正在成功。

可这些代理指标，

不等于真实关系质量。

你可能不断更换话题，

努力提高对方回复率。

聊天数据越来越漂亮，

承诺却始终没有出现。

这就是奖励黑客：

系统非常努力，

却优化了错误目标。

仪表盘全部变绿，

关系状态依然离线。

人不会平等处理证据。

支持期待的瞬间，

往往被赋予更高权重。

第一次主动聊天，

可能被反复回想。

第一百次没有回复，

却被解释成对方太忙。

确认偏误会保护期待，

高价值记忆则反复重播。

负面证据无法改变判断，

反而被改写成：

“是我还不够好。”

这个解释十分危险。

因为它几乎无法证伪。

任何冷淡都能变成，

继续自我改造的理由。

于是你更新了健身计划，

更新了英语和摄影。

却始终没有更新：

这段关系是否值得继续。

长期暧昧也没有终点，

每次沉默都能被解释。

只要回合没有结束，

下一条消息便叫继续采样。

研究模拟了一万个智能体，

每个训练三百六十五轮。

理性智能体拿到答案，

普通智能体闭卷考试。

偏差智能体不仅闭卷，

还带着旧聊天记录。

结果显示，

认知偏差提高持续探索，

扩大主观与实际差距，

并让收敛来得更迟。

但三类智能体，

最终都在期限内收敛。

模型证明的是延迟收敛，

不是永远无法退出。

奖励消融还发现，

积极奖励越少，

探索反而越快下降。

因此，“越不回复，

对方就会越上头”，

并未获得实验支持。

合成问卷也只能证明，

统计流程能够运行。

它不能替代真人样本，

更不是心理学定论。