No, el aprendizaje por refuerzo unicamente premiará o penalizará el último movimiento, que es el decisivo para ganar o perder.

No, el aprendizaje refuerza al programa en cada movimiento, segun considere que es un movimiento prometedor (es decir, que le llevará a ganar) o lo penaliza si considera que es un movimiento poco prometedor (es decir, si hace un movimiento que aumente sus posibilidades de perder).

Sí, es correcta.