自动课程学习（Auto-curriculum learning）
鉴于预采样任务池的广度和多样性，智能体很难用均匀采样进行有效地学习：大多数随机采样的任务可能会太难（或太容易），无法对智能体的学习进度有所帮助。
相反，研究人员使用自动化的方法在智能体能力的前沿选择相对「有趣 」（interesting）的任务，类似于人类认知发展中的「近侧发展区间」（zone of proximal development）。
具体方法为对现有技术中的no-op filtering和prioritised level replay（PLR）进行扩展，能够极大提升智能体的性能和采样效率，最终成为了一个新兴的课程，能够随着时间的推移选择越来越复杂的任务。