一直学习，何时改变人生？
升学、在职教育与证照课程，需要分别看投入、执行和不同年龄的结果。
01 / 先看结果，再解释原因
中国组24岁：学习伴随早期资产代价
综合学习相对默认人生，952 对的净资产差中位为 -20,647 元；不能只看退休结果而跳过早期投入。
中国组中后期：综合策略出现优势
40岁月均收入配对差中位为 3,803 元；65岁净资产差中位为 +812,945 元（820 对，胜率 66.2%）。这些年龄的样本并非完全相同。
只开证照课程：并不复制综合学习结果
65岁相对默认人生，807 对的净资产差中位为 -135,642 元。综合策略还改变升学选择、专注方向和在职教育，不能把它的结果归功于证照课程一个开关。
这是游戏引擎中的策略路径比较，不能作为现实投资、教育或人生决策建议。同种子固定出生起点，但策略会改变后续随机数消耗和整条人生；观察到的差异包含这种路径变化。
02 / 绝对金额与分布
人民币采用游戏内部金额 × 3.5 的中国购买力等价值，非外汇换算，也不是现实收入预测。月均收入为年收入 ÷ 12，非税后工资。净资产含现金、投资、自住房、出租房和企业权益，可为负。
上表各臂使用自身存活样本，分母可能不同，不应直接视作相同人的效果；下面给出配对差及“所有策略均存活”校验。
净资产：P10 — 中位数 — P90
横轴为带符号 log10(1+金额)，保留负值；不是等距人民币轴。
净资产中位数随年龄变化
各年龄幸存者不同；曲线不是同一人的增长轨迹。使用带符号对数轴。
配对差：策略臂 − 对照臂
胜率为配对净资产差大于0的比例，相等也计入分母。差值中位数不等于两个中位数相减。均值区间为探索性正态近似，重尾、多重比较和选择偏差未被消除。
所有策略均有快照：固定共同样本
这能减少臂间存活构成差异，但仍条件于所有策略均存活，不代表所有出生者。疾病、死亡及收入为零的快照不会被人为过滤。
收入位置、学历与身心状态
使用各臂自己的年龄快照样本。收入位置为游戏 pct × 100，非现实收入排名；学历0–5为类别编码，不能当作线性年数。幸福、健康为游戏内部评分。
同种子扰动参考 N2
出生后丢弃一个随机数会移动后续随机路径；N2不是策略专属误差，不能从策略差中扣除。它与本次策略对照的幸存样本也可能不同。
03 / 开关打开后，究竟发生了什么
综合学习 max 在相关抉择中偏向继续学习，主动选择 study/learn/mind 专注，18岁后开启证照课程，并尝试同等学力、夜间大学和在职研究所。course 只强制证照课程开关；drift 保留默认自动人生，本次独立采集，未用噪声基线替换。
学习也有条件：课程自动行为每两年检查一次，需满足年龄、职业和资金门槛；缺钱会跳过。60岁关闭证照课程，在职研究所限制70岁以下。综合策略并没有额外主动调用开放大学购买动作，因此不能把它称作“保证一生持续读书”。
下表终身发生次数来自 counts.shop_*，人数来自至少一次事件；次数不是学历提升次数，也不是毕业人数。开关生效率低于20%的提示只适用于干预臂；默认人生没有要求学习开关有效。学历编码：0未上学、1小学、2初中、3高中、4大学、5研究生。
学习年龄段：可核验的事件证据
证照课程条目来自年度主要收支记账，可能被合并进“其他”，所以分年龄次数是可见下限。policyActs:ged/nightuni/nightgrad 是主动操作记录，与记账不能相加；未列出的年龄段表示该来源零条可见记录。终身完整次数以上表 counts 为准。开放大学未被主动调用，观察到的终身次数为0。无法从压缩账本确定所有普通升学的逐年成本。
全体出生样本的寿命分布
04 / 回到具体人生
固定展示中国组，各策略相对基准的40岁净资产配对差第10、50、90百分位附近案例，展示不利、典型与有利路径。按差值排序、种子打破平局，非人工挑选成功故事。以下案例不随顶部筛选改变。
05 / 口径、边界与复算
- 同一国家、同一 seed 配对；脚本核验各臂出生状态完全一致，原始快照与摘要一致，任务 ID 唯一且与计划集合相等。
- 每国每策略1,000局。年龄快照缺失者不补零；只比较双方有快照的人，并公开分母。全样本策略分配、共同幸存者和执行证据子组分开列出。
- 执行证据只使用截至观察年龄的记录，不使用未来是否成功。按执行筛选会引入选择偏差，不能声称净因果收益。
- 收益差不等于投资回报率；资产还受劳动收入、家庭、住房、健康和路径分岔影响。收益率需要资金进出和本金时间序列，本报告没有据此编造年化回报或最大回撤。
- 中国与其他国家金额均按同一游戏标尺换算；当地中位收入倍数是另一种相对指标，不能称为财富中位数倍数。
完成采集：2026-10-24T13:41:08.979Z。摘要 SHA-256：0dcda5aa1928a2fa614d1b089ee920a5bea8b2de0b049f46e37575475f54caf0
复算：把 analyze_policy_reports.py 放回项目 scripts/，在保留原始 experiments 和 N_noise 的项目根目录运行 python3 scripts/analyze_policy_reports.py P3_study，再运行 python3 scripts/build_policy_reports.py P3_study。源数据体积较大，网页只内嵌聚合和所选案例。