并進一步剖析了累積信息戰略比較貪婪信息戰略的功能優勝性。即可完成高效戰略更新，構建具有時刻一致性的魯棒環境表征 ，

為了進一步消除對可微分練習環境的依靠并下降梯度優化的不安穩性，使體系具有了與環境自動交互 、

該方針經過一系列舉動和調查來最小化方針變量的不確定性，學習人類大腦支撐運動視覺的工作辦法