强化学习不是算法问题，是电费问题

风口上的全RL微调，烧钱烧到离谱

2026年刚开春，国内大模型圈就刮起了一阵妖风。OpenAI放出来GPT-4.5的训练日志，说核心能力的提升九成靠后阶段的全RL自对弈微调。话音刚落，国内三四家厂商紧跟着开喊，今年就要上线全RL微调的通用大模型，打得就是换道超车的主意。

半个月前跟字节一位老朋友吃饭，他喝了两杯就开始摇头。内部上个月做了一次千万级参数模型的全RL小批量测试，就跑了一轮，你猜花了多少？八十五万。

一次千万级参数大模型RL微调的成本，相当于北京一个工作三年算法工程师的全年税后工资，是同规模有监督微调的11倍还多。

真烧不起。

很多小创业公司，融到手的A轮钱，够烧个三五轮RL测试，账户就空了。一半玩家是真不懂，把RL当成能点石成金的神药，觉得只要用上RL，模型能力就能突飞猛进。另一半纯粹是蹭风口，PPT先把「全RL布局」加上，估值就能涨两成，管你实际效果怎么样。

说实话，我见过太多团队，模型准确率没提两个点，融资PPT先厚了三页。对吧？

没人会把烧钱的账给投资人算明白。说了，钱就融不到了。这个游戏的规则就是，先拿到钱烧，烧出故事再拿下一轮，至于最后能不能落地，那是下一轮投资人要考虑的事。

国内大厂早把RL玩明白了，没人瞎烧钱

别觉得所有圈内人都在瞎蹭风口，头部中国互联网公司，早在十年前就把RL用到了赚真金白银的地方，而且一分钱都不瞎花，抠得要命。

最典型的就是美团。早在2018年，美团就开始用强化学习优化骑手的送餐路径规划，这件事业内都知道，但很少有人算过这笔账能赚多少钱。

美团2024年对外披露的数据，RL优化后单均配送成本降了一毛二，一年省下来的钱，相当于整个美团基础研发团队半年的工资总额。

这才叫玩RL，对着一个具体、封闭、边界清晰的场景，一点点喂数据试错，赚的每一分钱都是看得见摸得着的。

强化学习的本质说穿了就是试错选优，给算法一个目标，试对了给糖，试错了打板子，慢慢就摸出最优解。这个逻辑，跟农民种麦子选种一模一样，不就是跨了个行业而已吗？你要选抗倒伏的品种，就种一片，风刮完把倒了的拔掉，留下直的继续种，几代下来就能得到好种子。你非要把全国所有耕地都撒上未筛选的种子，等着老天爷自己挑，那当然是把种子肥料全赔进去，颗粒无收。

现在大模型圈的玩法偏偏就是后者。所有人都盯着通用人工智能的宏伟目标，放着大把现成的封闭场景不用，非要在开放域里瞎试错，当然电费烧不起，赚不到钱。

字节的抖音推荐流，早在五六年前就用RL做流量分发了。每一个用户的点击、点赞、划走，都是给算法的免费奖励，试错成本几乎为零，算法越跑越准，平台流量变现效率越来越高，这生意做得多舒服。国内很多团队，方向完全走偏了，放着低试错成本的落地场景不碰，非要啃开放域RL的硬骨头，说白了，就是赚快钱的心思太重，不想沉下心做慢活。

对普通从业者来说，机会根本不在风口上

我最近跟很多高校计算机系的毕业生聊天，十个有七个说现在准备投大模型公司的RL研究岗，一个岗几千人抢，卷到头破血流，找不到工作就说RL已经过热了，没机会。

方向错得离谱。

RL的真实需求早就爆发了，只是根本不在大模型研发的聚光灯下。上个月我去东莞考察一家做工业机械臂的本土企业，他们早就把RL用到了货物分拣上，原来换一款产品就要工程师重新人工示教一遍，耗时大半天，用RL之后，机械臂自己试错半天就能学会新的分拣逻辑，效率提了三倍，现在开出年薪六十万，三个月了还没招到合适的人。

港口的自动集卡调度、电商直播的选品推流、自动驾驶的决策模块、甚至连锁餐饮的门店翻台率优化，到处都缺能落地RL的工程师，就是没人来。所有人都被风口吸引了，拼了命往通用大模型RL的独木桥上挤，根本没人看一眼线下那些没人抢的坑位。

很多人觉得RL是高大上的前沿技术，只有做通用人工智能才配用，其实错得离谱。RL最值钱的地方，就是解决那些规则写不清楚、又有大量试错数据的具体问题，这种问题，每个传统行业都有一大堆，等着人去解决。

现在行业的荒诞之处就在于，顶级融资团队拿着投资人的钱烧电费玩概念，下游实体行业拿着高薪挖不到能干活的人，供需错配到这个程度，也是少见。

当所有人都盯着风口上的通用RL大模型时，你敢不敢转身，去抢那些没人注意的落地坑位？