强化学习的核心分界只有一条：系统是“心中有规则再行动”，还是“亲自试过才学会”。这条分界决定训练成本、运行速度，以及面对未知环境时的可靠性。

这是什么

文章用扫地机器人走走廊作比喻。环境模型（描述行动会到达哪里、获得多少奖励的规则）如果已知，系统可以先推演再行动，这叫基于模型；如果没有说明书，只能从真实经验中总结规律，这叫不基于模型。

前者包含动态规划、策略迭代、价值迭代和模型预测控制。其中，模型预测控制采取“看几步、只走一步”的方式，在围棋等状态空间过大的任务中更有现实意义。后者包括基于价值、基于策略和演员—评论家三类方法，直接从尝试中学习行动价值或决策策略。

需要避免一个术语混淆：这里的“模型”不是大语言模型，而是环境规则，与是否使用神经网络无关。

行业怎么看

我们认为，基于模型的方法更像先做沙盘推演，适合流程明确、结果可预测的企业场景；不基于模型的方法更接近从实战中磨合，适合规则会变化、难以完整描述的环境。前者节省真实试错，后者覆盖未知情况。

风险也来自这里。基于模型的方法一旦规则过时、遗漏或与现实不一致，推演得越充分，错误可能放大；不基于模型的方法则需要更多样本和试错，在机器人、自动驾驶等现实场景中，安全成本尤其高。因此，“有模型”并不天然优于“无模型”，关键仍是环境规则能否被准确表达。

对普通人的影响

对企业 IT：企业引入智能系统时，是否先梳理流程、权限和业务规则，通常比直接追求更大模型更影响效果。规则模糊的系统，需要保留持续反馈和纠错机制。

对个人职场：会使用智能工具的人，正逐渐从“写提示词”转向“定义规则并验证结果”。能说明目标、边界和验收标准，比单纯会调用工具更重要。

对消费市场：智能设备和软件会更常见地采用边用边学的方式，但可靠规则仍会决定体验。涉及支付、出行或健康的产品，不应以学习速度替代安全验证。