这就是强化学习 (RL) 试图解决的问题：当我们不知道什么是正确的行动并且只有一个标量（奖励 (r) 是一个标量）奖励时，最好的行为方式是什么？我们做得如何？

RL 通过利用时间差异学习来解决这个问题，并根据之前的经验进行预测。RL 智能体试图最大化未来折扣奖励的总和，称为回报。

术语$r + \gamma \max_{a'} Q(s', a'; \theta_i^-)$本质上是在说“我刚刚看到的奖励+$\gamma$*（我对回报的预测，因为我采取了我认为在当前状态下最好的行动，并从那时起遵循我的政策）”。

通过更新 Q 函数，智能体可以更好地预测其动作的后果，然后以更大的概率选择最佳动作。

这$\gamma$(gamma) 有助于在即时奖励和未来奖励之间取得平衡。一个$\gamma = 0$使即时奖励成为唯一重要的事情，但通常对良好行为的奖励会延迟，因此伽马值对以后的奖励具有更高的重要性（$\gamma = .8, .9, .99$等）被使用。