在人工智能领域，Policies（策略）指的是智能体在环境中做出决策的行为规则或可学习的函数——从强化学习中的动作选择，到机器人控制网络，再到 AI 平台对模型行为的治理规则，都属于这一概念的不同侧面。近期的报道显示，这个词正在两条线上同时升温：一是机器人与具身智能中的动作策略学习，二是 AI 公司与云厂商围绕策略执行的安全与治理框架。
Robot Policies 与具身智能的进展
LLM 策略学习与治理规则的动态
在语言模型方向，围绕策略的研究同样活跃。一项研究提出“单调推理策略”应被视为 LLM 强化学习的真实目标，认为此前策略优化中的收益可能是幻象（训练策略优化的幻象：单调推理策略是LLM强化学习的真实目标）。JERP 则把经验规则与策略联合学习结合起来，面向 LLM 智能体场景（JERP：面向LLM智能体的经验规则与策略联合学习）。理论侧，有工作研究了当自适应策略未知时，老虎机问题中迁移学习的依赖问题的下界与上界（Transfer Learning in Bandits from Unknown Adaptive Policies）。
治理层面也在补齐策略工具：Amazon Bedrock AgentCore 新增了时间策略与速率限制能力，让用户可以控制智能体在单个动作之外的行为与成本；Dogwood 则提供了配套的策略语言（Amazon Bedrock AgentCore新增时间策略与速率限制，Dogwood提供策略语言）。OpenAI 也发布了说明文档，阐述其如何与分发伙伴执行一致的安全标准，把策略执行从模型内部延伸到整个分发链路（OpenAI 说明与分发伙伴如何执行一致的安全标准）。
当前焦点与观察点
综合来看，关于 Policies 的讨论呈现三个值得关注的趋势：其一，机器人领域正在从“每个任务训练一个策略”转向统一具身模型加自进化策略的范式，世界模型与仿真器成为关键基础设施；其二，LLM 强化学习中的策略优化目标正在被重新审视，单调性等更细的理论约束进入研究视野；其三，策略不再只是模型内部的技术概念，云平台与模型厂商正把它产品化为可配置的治理工具。接下来的观察点是：统一策略模型能否在真实部署中跑通，以及跨组织的策略执行标准能否形成可互认的规范。