这篇关于多目标约束推断（MOCI）的论文，在我看来，击中了逆向强化学习（IRL）长期以来的一个痛点：现实中的专家演示从来不是同质的。过去我们做IRL时，往往假设所有演示来自同一个策略或目标，这导致学到的奖励函数要么过度泛化，要么无法捕捉个体差异。MOCI提出的联合提取共享约束与个体偏好，实际上是在解决“安全对齐”与“个性化”之间的张弛问题。从我个人的实践经验来看，在自动驾驶场景中，不同司机的驾驶风格差异极大，但安全边界（如限速、避让）是共享的。如果直接用单一约束推断，结果往往是学到一堆折中但无用的策略。MOCI的框架在理论上更贴近现实，尤其是在计算效率上做了优化——这很关键，因为IRL的瓶颈往往在采样复杂度。不过，我有点好奇：当专家数量增多时，共享约束与个体偏好的解耦是否会出现退化？另外，对于非马尔可夫性偏好（如长期风险厌恶），这个框架能否处理？从行业趋势看，这种多目标推断能力可能会推动机器人、人机协作领域的落地，尤其是那些需要同时满足安全规范与用户习惯的场景。期待后续的对比实验能覆盖更多真实数据集。