一句话定义：MuZero 是 DeepMind 提出的一种强化学习算法，它的特别之处在于——训练时连游戏规则都不告诉它，它只看画面，自己学出一个抽象的"内部世界模型"，然后在这个模型里推演、规划、做决策。
它是怎么做到的
先看它的前辈 AlphaZero。AlphaZero 下棋很强，但前提是它手里有一本完整的规则书：给定当前局面和一步棋，它能精确算出下一步局面是什么。有了这个"完美模拟器"，它就能靠AI 词典：蒙特卡洛树搜索">蒙特卡洛树搜索（MCTS）往前推演，把棋路算得极深。
MuZero 把规则书拿掉了。它只看到屏幕上的画面和最后的胜负，规则完全未知。它是怎么补上这块的？
它训练了三个部分：
- 表示网络：把看到的画面压缩成一个内部状态（隐空间里的向量），就像把一整张棋盘浓缩成几个关键特征。
- 动力学网络：给定内部状态和要做的动作，预测下一时刻的内部状态，同时预测这一步能拿到多少即时奖励。
- 预测网络：从内部状态出发，估计当前的局面好坏（价值）和该走哪一步（策略）。
训练时，MuZero 就在这个"脑补出来的世界"里做 MCTS 搜索，用搜索的结果反过来训练这三个网络。循环往复，内部模型越来越贴近真实世界对决策有用的那部分。
打个比方：AlphaZero 像拿着规则书和棋谱的棋手，可以精确推演；MuZero 像一个只看过大量对局录像的人，自己在脑子里画了一张粗糙但够用的棋盘，在上面试走、算分，然后落子。它画的棋盘可能跟真实棋盘长得完全不一样，但"在这上面推演出来的胜负"跟真实世界是对得上的。
关键洞察：不重建世界，只重建"决策所需"
这是 MuZero 最值得记住的一点。传统基于模型的强化学习（model-based RL）通常要先学会预测下一帧画面，重建误差很小时才敢规划。但预测像素非常贵，而且很多细节对下棋输赢毫无影响。
MuZero 只要求模型预测三样东西：即时奖励、价值、策略。它明确放弃了重建观测本身。这类模型后来被称为"价值等价"（value-equivalent）模型——只要在决策相关的量上等价，内部表示长什么样无所谓。
和相邻概念的区别
| 概念 | 是否需要环境规则 | 是否重建观测 | 规划方式 |
|---|---|---|---|
| 无模型强化学习 | 不需要 | 不涉及 | 直接学策略/价值，不显式推演 |
| AlphaZero | 需要完美模拟器 | 不涉及 | 在真实规则上做 MCTS |
| 传统基于模型的 RL | 不需要 | 通常要预测下一帧 | 先学环境再规划 |
| MuZero | 不需要 | 不重建，只学隐空间动力学 | 在学到的隐空间里做 MCTS |
对从业者和普通人的意义
对从业者，MuZero 提供了一条通用配方：当环境模拟器拿不到、或者太贵的时候，先学一个"够用就好"的抽象模型，把规划放进隐空间做。 这个思路已经被迁移到机器人控制、推荐、调度、视频压缩等规则难以精确刻画的问题上。具体能做到什么程度，以官方页面和论文为准。
对普通人，它传递的直觉其实很日常：做决策不一定要理解世界的全部细节，只要抓住"跟这个决策有关的那部分"就够了。老司机不需要懂发动机原理，也能预判前车会不会变道。MuZero 把这个直觉变成了可训练的算法。