我越了解強化學習，就越意識到沒有人曾經進行過在政策上的訓練。你永遠無法對同一模型進行兩次更新。

@redtachyon @hallerite （即使是無記憶的方法實際上也在將環境作為記憶，因此並不是真正的無記憶）