研究者：纯 on-policy RL 样本效率太低，难以支撑长程 AI 智能体训练

一位研究者表示，随着强化学习实验规模扩大，纯 on-policy RL 的样本效率极低且成本高昂，不太可能成为长程 AI 智能体训练的出路。他认为应从根本上重新思考智能体如何从经验中学习，而非仅扩大 on-policy rollout 规模，并将分享一个有希望的新方向。