圍棋的遊戲規則雖然簡單，但其對弈過程卻十分複雜，棋手所做的每一個決策背後皆隱含著「2 x 10170」的可能性。經驗豐富的棋手在經年累月的嘗試和錯誤中學習，而這種決策機制就是所謂的強化學習。
若在人工智慧中輸入上千萬場專業棋手間的對決數據，其最終會產出何種學習結果？答案就是擊敗頂尖人類棋手的知名人工智慧圍棋軟體AlphaGo，其運作原理便是基於深度學習。
但若是換個方式，先讓人工智慧弄懂圍棋規則，然後再任其「自行」模擬數百萬場棋局，以藉此從中學習如何對弈呢？「深度強化學習」除了讓人工智慧能夠自行建立自身數據（數百萬場棋局）外，還可幫助其透過分析不同落點來找出最佳走法。正如人類的學習模式一樣，人工智慧會根據其成功或失敗的經驗來調整後續行動，以求改善最終的結果，只不過其在做決策時所能涵蓋的範圍與思考速度，遠超出人類能力所及的境界。
「深度強化學習」需在具結構性的環境中運作，這意味著使用者在設定目標前，須將周遭的情境納入考量（例如學習圍棋規則或是研究行銷市場）。基於「深度強化學習」的人工智慧不但能從過去的行銷活動中汲取經驗，協助企業擬定合宜的策略及行動，還能透過內部演算法模擬可能發生的情況，以提供給行銷人參考。
此外，人工智慧具備持續學習的能力，除了能在企業推展行銷活動的過程中，確認哪些是有效的、哪些是無效的方案外，還可針對盈利能力等因素進行分析，讓企業得以透過降低獲取每筆名單成本或主攻高消費力族群，來優化日後的行銷活動。
假設有一家公司想要大幅提升其應用程式的安裝數量，在此前提下，該公司會希望運用其有限的預算，以盡可能地獲取最高限度的安裝數量（目標）。換言之，其必須擬定合宜的預算配置方式，以及為廣告版位設定合理的出價金額（作法）。而應用「深度強化學習」技術的人工智慧工具，便能根據該公司的預算和出價，推薦最符合其需求的平台和廣告投放時間點。於是，在人工智慧的建議下，該公司便能有效把握住最佳的廣告曝光機會。若周遭環境條件發生變化，基於「深度強化學習」的人工智慧也有能力即時做出反應，比行銷人更迅速地分析出哪些方案可行、哪些不可行。
「深度強化學習」技術適用於具備多樣化選擇的複雜情境，例如像行銷活動這類需隨著消費者行為做調整的環境。這種技術的優勢在於其能夠從錯誤中汲取教訓，並能藉此縮短優化決策所需的時間。