policy

当前‘policy’一词在AI领域呈现两条并行主线：一是AI治理政策滞后于技术发展的公共讨论，二是强化学习（RL）中的策略优化取得密集进展。Anthropic CEO 指出AI发展远超政策制定速度，呼吁三项新举措，引发业界对监管框架的反思。技术层面，多项研究聚焦策略优化：APPO通过细粒度决策点强化学习提升工具调用能力；Ambient Diffusion Policy从次优数据中模仿学习，降低对高质量数据依赖；Co-pi-tree将LLM推理蒸馏为可解释策略树，增强人机协作；Agent Explorative Policy Optimization提升多模态智能体推理；ESPO通过早期停止PPO节省20%推理token且提升数学性能；VLA架构的失败模式被揭示，黑盒动作监控发现架构特定签名；PCSP实现单策略控制无限NPC；AVSPO诊断并缓解GRPO优势坍塌；OpenAI发布PPO算法以简化实现。这些进展共同指向更高效、鲁棒和可解释的RL策略，但其与治理政策之间的鸿沟仍是当前焦点。未来需观察这两条线如何交叉：技术突破是否加速政策制定，或政策滞后是否引发风险。