（来源：上观新闻）
Q3：🔪🥈标准PPO在推🎖理训练中为什么会🚞🐕失败，具体是哪🇨🇵里出了问题？ 🐔A：标准PP🕒O失败的😒核心原因是"🏞👛尾部效应"——📼其内置🅰🕝的打分员（🌷Criti🖱c）无🔎法在几千🅱步的推理过程🤼♀️中有效分🇶🇦🤡配奖惩信号，而是🌋一直等到推理🖥🇹🇩接近结尾才根据最🧜♀️🔏后几行文字猜测结🇲🇷果，导致🇨🇬🌉整个中间推理过程⚔🛳既收不到有🍩👩🦱效激励，也收不🇧🇪到有效惩罚🚭👮♀️。
在C2的背🦶🇲🇱后，是整个机✨⛹️♀️器人行业正🏂🔎在经历的，一次👩🎓🍌从工厂到💚日常的转向😊。去年年底，动易🏖科技发布了一段人🇱🇦形机器人和人⏲自主对打🍞1️⃣羽毛球的技术视频🥅，在行业里引起🔃🤲不小的🏃关注🕰🇦🇫。研究人🧗♂️🥍员通常有两✊种选择🛀：要么🌃给AI看大量来自👲🇮🇸各种场景💁♂️📔的训练数据，🇲🇼希望它能从💄中"悟"💯出各种技🧗♀️能；要么直接在目🚜标场景📷🕜里训练🍕🥮AI，让它从最🤮终的成功或失🇰🇾败中学习👒。
AI科👷学家的做法完全🛐不同☸🐰。这台机🍈器人身高一米三🇫🇷出头，银灰👒📣色机身🍛🤨，握拍而立，🏟站姿稳稳当当🇬🇺🇹🇴。事实上🍦🇬🇶，我们观察到🥳🌰 DC 会🇲🇰根据布局布线后🐄的最终时序反馈来🎱✨更新其设计🏌️♀️😓。例如，在光伏电6️⃣📮站场景，采用🥙🍐具备特种防护的轮🔡式或四足🛵机器人即可高效完🤰🐬成清扫📋与巡检任务🥼。
