据 OpenAI 于 2018 年 4 月 18 日发布的消息，其推出了一项实验性元学习方法 Evolved Policy Gradients（EPG）。来源显示，EPG 的核心思路不是直接手工设计强化学习智能体的训练规则，而是让系统去“进化”学习智能体所使用的损失函数，从而帮助智能体在面对新任务时更快完成训练。OpenAI 表示，使用 EPG 训练的智能体，在测试阶段能够完成一些训练范围之外的基础任务，例如在训练时目标物体位于房间一侧，而测试时目标物体出现在房间另一侧，智能体仍能学习导航过去。
从技术方向看，EPG 关注的是强化学习中一个长期存在的问题：智能体往往需要大量交互样本和调参，才能在特定任务上取得可用效果。一旦环境变化，原有训练方式可能失效。EPG 尝试从更上层改造“如何学习”本身，也就是用元学习方式生成或优化学习规则，使智能体获得更好的迁移和适应能力。
EPG 的关键点：优化的不只是模型参数，而是学习目标
传统强化学习训练中，研究者通常会设定某种损失函数或策略梯度目标，让智能体根据奖励反馈不断更新策略。EPG 的不同之处在于，它将损失函数本身作为可演化对象。也就是说，系统并非只在固定目标下训练智能体，而是在更高层面搜索一种更有效的训练信号。
这种设计的价值在于：如果损失函数能够在训练过程中被发现、筛选和改进，那么智能体可能不再完全依赖人工经验来选择训练目标。对于复杂环境或任务分布不断变化的场景，这类方法有机会减少人工调参成本，并提高智能体在未见过任务上的学习效率。
- 方法属性：EPG 是一种实验性元学习方法。
- 优化对象：它关注学习智能体的损失函数，而不只是单次任务中的策略参数。
- 目标效果：帮助智能体在新任务上实现更快训练。
- 测试表现：据来源摘要，训练后的智能体可在训练范围之外的基础导航任务中取得成功。
对开发者与 API 使用者的影响解读
EPG 发布时并不是一个面向普通开发者的 API 产品，而更像是 OpenAI 在强化学习与元学习方向上的研究进展。但从 API 使用者和模型生态角度看，这类研究具有长期意义。当前许多开发者调用大模型 API，主要关注文本、图像、语音、多模态等能力；而智能体方向则涉及规划、环境交互、工具调用和持续学习。EPG 所代表的“让系统学会如何学习”，可能为未来更强的自动化智能体打基础。
如果类似思想在后续模型或智能体框架中成熟，开发者可能会看到几个变化：模型面对新工具、新环境或新业务流程时，需要的示例更少；智能体在复杂任务中的自适应能力更强；企业在接入模型 API 后，为特定业务做定制训练或策略优化的成本可能下降。对于提供模型调用中转、额度管理和并发接入的服务方而言，这也意味着未来 API 消耗模式可能从单次问答，进一步转向长流程、多轮交互、持续试错的智能体调用。
仍处早期：研究进展不等于立即可商用
需要注意的是，来源明确将 EPG 描述为实验性方法，并未说明其已经作为产品开放，也未给出面向开发者的接口、价格或部署方案。因此，开发者不应将其理解为可直接调用的新 API，而应把它看作 OpenAI 在强化学习训练机制上的探索。
从本站关注的 API 接入角度，EPG 的现实启示在于：模型能力的提升不只来自更大的参数规模，也来自训练方法、目标函数和学习机制的改进。对于正在评估 OpenAI、Claude、Gemini 等模型 API 的团队，短期仍应关注稳定性、并发、成本、上下文长度和工具调用能力；长期则要关注智能体训练与自适应学习技术，因为它们可能改变未来应用架构和调用成本结构。
总体来看，EPG 展示的是一种面向“更快适应新任务”的训练思路。它未必马上影响今天的 API 价格或接入方式，但对于构建下一代智能体、自动化流程和强化学习系统的开发者来说，是值得跟踪的研究信号。