从 Bellman 到 GRPO：一张时间线讲清 RL「policy」一词七十年源流

一篇学习笔记用时间线梳理强化学习「policy」一词的七十年源流：1954 年 Bellman 在 RAND 的动态规划中首次正式定义为「决策序列称为 policy」，1960 年 Howard 将其写入 policy iteration 算法名。