Dwarkesh 這個(gè)名字，可能很多人有點(diǎn)陌生。但關(guān)注 AI 的朋友，一定在最近一段時(shí)間里，看到過 Ilya Sutskever 跟 Andrej Karpathy 的播客采訪。 他們上的就是 Dwarkesh 的播客。

這兩人上播客的次數(shù)屈指可數(shù)，能采訪到這兩個(gè)人，大概能說明 Dwarkesh 在美國(guó) AI 圈的地位。

這篇文章基于他最新一期播客，匯總了一些他關(guān)于 AI 進(jìn)展的想法。

在這之前，他其實(shí)已經(jīng)在個(gè)人網(wǎng)站上更新過相關(guān)內(nèi)容，所以我在文章最后還從那里精選了幾個(gè)評(píng)論。

因?yàn)殛P(guān)于 AI 進(jìn)展，乃至 AGI 的時(shí)間線，都是非常主觀的話題，所以除了作者的看法，評(píng)論區(qū)的反饋也很有價(jià)值。

Dwarkesh 的一些核心判斷：

1. 以強(qiáng)化學(xué)習(xí)為核心的“中訓(xùn)練”，正在成為 LLM 的重點(diǎn)突破方向。前沿科技公司正通過所謂的“中訓(xùn)練”（mid-training）把大量具體技能預(yù)先塞進(jìn)模型里。

Dwarkesh 認(rèn)為這恰恰是 AGI 還很遠(yuǎn)的證據(jù)，因?yàn)槿绻�模型泛化能力很�?qiáng)，那就不需要單獨(dú)構(gòu)建那么多強(qiáng)化學(xué)習(xí)環(huán)境，教它操作瀏覽器或者 Excel。

2. 預(yù)置技能的想法是很奇怪的，人類勞動(dòng)力之所以有價(jià)值，恰恰是因?yàn)橛?xùn)練成本并不笨重。

可以根據(jù)需要，靈活掌握一些新的技能。每天你都要做上百件需要判斷力、情境感知、以及在工作中習(xí)得的技能和背景知識(shí)的事情。如果全部依賴預(yù)置技能，很可能的結(jié)果是我們連最簡(jiǎn)單的工作都無法完全自動(dòng)化。

3. AI 經(jīng)濟(jì)擴(kuò)散滯后，本質(zhì)是為能力不足找借口。企業(yè)招聘這個(gè)過程其實(shí)非常tricky，因?yàn)樯婕皩?duì)人的能力和品格等做估計(jì)。

而 AI 員工完全不存在這個(gè)問題，經(jīng)過驗(yàn)證的 AI 員工可以無損無限復(fù)制。

換句話說，企業(yè)有很強(qiáng)的動(dòng)機(jī)去雇傭 AI 勞動(dòng)力�，F(xiàn)在這事沒有發(fā)生，只能證明模型能力差得太遠(yuǎn)。

4. 回應(yīng)對(duì) AI 空頭的批評(píng)。過去發(fā)生過的事情是，經(jīng)常有人說 AI 現(xiàn)在這不行那不行，比如通用理解、少樣本能力、推理能力。

但隨著技術(shù)發(fā)展，這些問題 AI 都能解決了。但是空頭還是會(huì)提出新的標(biāo)準(zhǔn)，論證 AI 的能力不限。

作者認(rèn)為這種標(biāo)準(zhǔn)調(diào)整是有道理的，因?yàn)槲覀儗?duì)于 AGI 的理解在深化，智能和勞動(dòng)比我們?cè)��?jīng)的理解要復(fù)雜得多。

5. 預(yù)訓(xùn)練階段的 scaling law 非常清晰，只要算力數(shù)量級(jí)提升，損失函數(shù)就會(huì)穩(wěn)定下降。

但現(xiàn)在大家正在把這種在預(yù)訓(xùn)練上獲得的經(jīng)驗(yàn)，轉(zhuǎn)移到圍繞強(qiáng)化學(xué)習(xí)（RLVR）的中訓(xùn)練上。

這種技術(shù)樂觀并沒有依據(jù)，有人根據(jù) o 系列做了研究，結(jié)論是：要獲得類似 GPT 級(jí)別的提升，強(qiáng)化學(xué)習(xí)的總算力規(guī)�？赡苄枰�提升到一百萬倍。

6. 與人類分布的對(duì)比，會(huì)先讓我們高估 AI，然后再低估它。

由于知識(shí)工作中相當(dāng)大一部分價(jià)值來自最頂尖的那一小撮人，如果我們把 AI 模型的智能水平與“中位數(shù)人類”相比，就會(huì)系統(tǒng)性地高估它們能創(chuàng)造的價(jià)值。

但反過來說，一旦模型真正達(dá)到了頂級(jí)人類的水平，其影響力可能會(huì)是爆炸式的。

7. 持續(xù)學(xué)習(xí)（continual learning）會(huì)是 AGI 之后，模型能力提升的主要驅(qū)動(dòng)力。

他預(yù)估明年前沿團(tuán)隊(duì)就會(huì)發(fā)布一些持續(xù)學(xué)習(xí)的雛形功能，但要達(dá)到人類水平的持續(xù)學(xué)習(xí)，可能還需要 5 到 10 年。持續(xù)學(xué)習(xí)的解決不會(huì)是一蹴而就的，所以不會(huì)有模型因?yàn)樵谶@點(diǎn)上取得突破后就獲得失控式的領(lǐng)先優(yōu)勢(shì)。

以下為原文：

我們?cè)赟caling什么？

我一直很困惑：為什么有些人一方面認(rèn)為 AGI 的時(shí)間線很短，另一方面卻又對(duì)當(dāng)前在大語(yǔ)言模型之上大規(guī)模擴(kuò)展強(qiáng)化學(xué)習(xí)持極度樂觀態(tài)度。

如果我們真的已經(jīng)接近一種類人學(xué)習(xí)者，那么這種基于“可驗(yàn)證結(jié)果”的訓(xùn)練路徑，從根本上就是走不通的。

目前，各家正試圖通過所謂的“中訓(xùn)練”（mid-training）把大量具體技能預(yù)先塞進(jìn)模型里。

圍繞這一點(diǎn)，甚至已經(jīng)形成了一整條產(chǎn)業(yè)鏈：有公司專門構(gòu)建強(qiáng)化學(xué)習(xí)環(huán)境，教模型如何操作網(wǎng)頁(yè)瀏覽器，或者使用 Excel 來搭建財(cái)務(wù)模型。

要么，這些模型很快就能以自我驅(qū)動(dòng)的方式在工作中學(xué)習(xí)，那所有這些“預(yù)烘焙”技能就毫無意義；要么它們做不到，那就說明 AGI 并非近在咫尺。

人類并不需要經(jīng)歷一個(gè)特殊的訓(xùn)練階段，把未來可能用到的每一個(gè)軟件都提前練一遍。

Beren Millidge 在最近的一篇博客中對(duì)這一點(diǎn)提出了很有意思的看法：

當(dāng)我們看到前沿模型在各種基準(zhǔn)測(cè)試上取得進(jìn)步時(shí)，不應(yīng)該只想到算力規(guī)模的提升或巧妙的機(jī)器學(xué)習(xí)研究思路，還應(yīng)該意識(shí)到：背后是數(shù)十億美元的投入，用來支付博士、醫(yī)生以及其他專家，讓他們圍繞這些特定能力編寫問題、給出示例答案和推理過程。從某種意義上說，這就像是專家系統(tǒng)時(shí)代的一次大規(guī)模重演，只不過這一次不是讓專家把思維直接寫成代碼，而是讓他們提供大量被形式化、被追蹤的推理樣本，然后我們通過行為克隆把這些蒸餾進(jìn)模型里。這讓我對(duì) AI 時(shí)間線略微傾向于更長(zhǎng)，因?yàn)槿绱司薮蟮呐�力才能為前沿系統(tǒng)設(shè)計(jì)出高質(zhì)量的人類軌跡和環(huán)境，恰恰說明它們?nèi)匀蝗狈σ粋�(gè)真正 AGI 所必須具備的關(guān)鍵學(xué)習(xí)核心。

這種張力在機(jī)器人領(lǐng)域表現(xiàn)得尤為明顯。從根本上說，機(jī)器人是一個(gè)算法問題，而不是硬件或數(shù)據(jù)問題。

人類只需要很少的訓(xùn)練，就能學(xué)會(huì)遠(yuǎn)程操控現(xiàn)有硬件去完成有用的工作。所以，如果我們真的擁有一種類人的學(xué)習(xí)者，機(jī)器人問題在很大程度上就已經(jīng)解決了。

但正因?yàn)槲覀儧]有這樣的學(xué)習(xí)者，才不得不跑到成千上萬戶家庭里，去學(xué)習(xí)如何端盤子、如何疊衣服。

我聽過一個(gè)來自“五年內(nèi)起飛”陣營(yíng)（極度技術(shù)樂觀派）的反駁觀點(diǎn)：我們之所以要搞這些笨拙的強(qiáng)化學(xué)習(xí)，是為了先造出一個(gè)超人類的 AI 研究員，然后讓一百萬個(gè)自動(dòng)化的 Ilya 去想辦法解決如何從經(jīng)驗(yàn)中進(jìn)行穩(wěn)健而高效的學(xué)習(xí)。

這讓我想起那個(gè)老笑話：我們每賣一單都在虧錢，但可以靠走量把錢賺回來。一個(gè)連兒童都具備的基本學(xué)習(xí)能力都沒有的自動(dòng)化研究員，卻要解決人類花了將近一個(gè)世紀(jì)都沒解決的 AGI 算法問題？我覺得這極其不可信。

此外，即便你認(rèn)為 RLVR 的規(guī)模化很快就能幫助我們自動(dòng)化 AI 研究，實(shí)驗(yàn)室的實(shí)際行動(dòng)卻表明它們并不相信這一點(diǎn)。

要自動(dòng)化 Ilya，并不需要提前把做 PowerPoint 的咨詢顧問技能塞進(jìn)模型里。而現(xiàn)在它們這么做，清楚地暗示了這樣一種看法：這些模型在泛化能力和在崗學(xué)習(xí)（on-the-job learning）方面仍然表現(xiàn)糟糕，因此才必須提前內(nèi)置那些他們希望在經(jīng)濟(jì)上有價(jià)值的技能。

RLVR：Reinforcement Learning with Verifiable Rewards，指帶可驗(yàn)證獎(jiǎng)勵(lì)的強(qiáng)化學(xué)習(xí)

另一種反駁是，即使模型能夠在工作中學(xué)會(huì)這些技能，把它們一次性在訓(xùn)練階段學(xué)好，總比為每個(gè)用戶或每家公司反復(fù)學(xué)習(xí)要高效得多。

確實(shí)，把對(duì)瀏覽器、終端等常用工具的熟練度預(yù)先內(nèi)置進(jìn)去是很合理的。AGI 的一個(gè)關(guān)鍵優(yōu)勢(shì)，本來就是不同實(shí)例之間可以共享知識(shí)。

但人們嚴(yán)重低估了大多數(shù)工作對(duì)公司特定、情境特定技能的依賴程度，而目前 AI 并不存在一種穩(wěn)健且高效的方法來習(xí)得這些技能。

人類勞動(dòng)力之所以有價(jià)值，恰恰是因?yàn)橛?xùn)練成本并不笨重

有一次我和一位 AI 研究員以及一位生物學(xué)家一起吃飯。那位生物學(xué)家說她認(rèn)為 AI 的時(shí)間線很長(zhǎng)。我們問她覺得 AI 會(huì)在哪些地方遇到困難。

她說她最近的工作加入了看切片的部分，判斷某個(gè)小點(diǎn)到底是真正的巨噬細(xì)胞，還是只是看起來像。AI 研究員則回應(yīng)說：圖像分類是深度學(xué)習(xí)的教科書級(jí)問題，這個(gè)很容易訓(xùn)練。

我覺得這段對(duì)話非常有意思，因?yàn)樗�揭示了我和那些期待未來幾年出現(xiàn)顛覆性經(jīng)濟(jì)影響的人之間的一個(gè)關(guān)鍵分歧。人類工作者之所以有價(jià)值，正是因?yàn)槲覀儾恍枰獮樗麄児ぷ鞯拿恳粋�(gè)小環(huán)節(jié)都搭建笨重的訓(xùn)練閉環(huán)。

針對(duì)某個(gè)實(shí)驗(yàn)室特定的切片制備方式，單獨(dú)訓(xùn)練一個(gè)模型來識(shí)別巨噬細(xì)胞，然后再為下一個(gè)實(shí)驗(yàn)室、下一個(gè)微任務(wù)重復(fù)一遍，這在整體上是得不償失的。真正需要的是一種 AI，能夠像人類一樣，從語(yǔ)義反饋或自我驅(qū)動(dòng)的經(jīng)驗(yàn)中學(xué)習(xí)，并且實(shí)現(xiàn)泛化。

每天，你都要做上百件需要判斷力、情境感知，以及在工作中習(xí)得的技能和背景知識(shí)的事情。這些任務(wù)不僅在不同人之間不同，甚至同一個(gè)人前后兩天做的事情都不一樣。

僅靠預(yù)先內(nèi)置一組固定技能，連一份工作都無法完全自動(dòng)化，更不用說所有工作了。

事實(shí)上，我認(rèn)為人們嚴(yán)重低估了真正 AGI 的沖擊力，因?yàn)樗麄冎皇前熏F(xiàn)在這一套無限延展。他們沒有意識(shí)到，真正的 AGI 意味著服務(wù)器上運(yùn)行著數(shù)十億個(gè)類人智能體，能夠復(fù)制、融合彼此的全部學(xué)習(xí)成果。

說清楚一點(diǎn)，我確實(shí)預(yù)計(jì)這種意義上的 AGI 會(huì)在未來一二十年內(nèi)出現(xiàn)。這實(shí)在是太瘋狂了。

所謂經(jīng)濟(jì)擴(kuò)散滯后，其實(shí)是在為能力不足找借口

有時(shí)候人們會(huì)說，AI 之所以還沒有在企業(yè)中廣泛部署、在編程之外創(chuàng)造大量?jī)r(jià)值，是因?yàn)榧夹g(shù)擴(kuò)散本來就需要很長(zhǎng)時(shí)間。

我認(rèn)為這是一種自我安慰，是在掩蓋一個(gè)事實(shí)：這些模型根本就缺乏創(chuàng)造廣泛經(jīng)濟(jì)價(jià)值所必需的能力。

Steven Byrnes 就這一點(diǎn)以及許多相關(guān)問題寫過一篇非常出色的文章：

新技術(shù)需要很長(zhǎng)時(shí)間才能融入經(jīng)濟(jì)體系？那你不妨問問自己：那些高技能、有經(jīng)驗(yàn)、有創(chuàng)業(yè)精神的移民，為什么能夠立刻融入經(jīng)濟(jì)體系？想清楚這個(gè)問題之后你就會(huì)發(fā)現(xiàn)，AGI 也能做到同樣的事情。

如果這些模型真的相當(dāng)于“服務(wù)器上的人類”，它們的擴(kuò)散速度會(huì)快得驚人。事實(shí)上，它們比普通人類員工更容易整合和入職，可以在幾分鐘內(nèi)讀完你的 Slack 和 Drive，并立刻提煉出你其他 AI 員工掌握的全部技能。

而且，招聘本身就很像一個(gè)檸檬市場(chǎng)，很難判斷誰(shuí)是好員工，招錯(cuò)人的成本也非常高。但當(dāng)你只是啟動(dòng)另一個(gè)已經(jīng)驗(yàn)證過的 AGI 實(shí)例時(shí)，這種問題根本不存在。

檸檬市場(chǎng)是指在信息不對(duì)稱條件下，消費(fèi)者難以辨別商品質(zhì)量而傾向壓低支付價(jià)格，結(jié)果優(yōu)質(zhì)商品退出、市場(chǎng)逐步被劣質(zhì)商品主導(dǎo)的現(xiàn)象。

因此，我預(yù)計(jì)把 AI 勞動(dòng)力引入企業(yè)會(huì)比招聘人類容易得多。而企業(yè)一直在不斷招人。

如果能力真的達(dá)到了 AGI 水平，人們完全愿意每年花費(fèi)數(shù)萬億美元購(gòu)買 token，因?yàn)橹�識(shí)工作者每年的總薪酬本身就高達(dá)數(shù)十萬億美元。

實(shí)驗(yàn)室當(dāng)前收入差了四個(gè)數(shù)量級(jí)，原因只有一個(gè)：模型距離人類知識(shí)工作者的能力還差得太遠(yuǎn)。

調(diào)整目標(biāo)標(biāo)準(zhǔn)是合理的

AI 多頭經(jīng)常批評(píng) AI 空頭不斷調(diào)整目標(biāo)標(biāo)準(zhǔn)。這種批評(píng)在很多時(shí)候是成立的。過去十年，AI 確實(shí)取得了巨大的進(jìn)展，人們很容易忽視這一點(diǎn)。

但在某種程度上，調(diào)整目標(biāo)標(biāo)準(zhǔn)是合理的。如果你在 2020 年給我看 Gemini 3，我一定會(huì)確信它能夠自動(dòng)化一半的知識(shí)工作。

我們不斷攻克那些曾被認(rèn)為是通往 AGI 的關(guān)鍵瓶頸，比如通用理解、少樣本學(xué)習(xí)、推理能力，但我們依然沒有 AGI。如果把 AGI 定義為能夠自動(dòng)化 95% 的知識(shí)工作崗位，那理性的反應(yīng)是什么？

一個(gè)完全合理的結(jié)論是：原來智能和勞動(dòng)比我以前理解的要復(fù)雜得多。盡管我們已經(jīng)非常接近，甚至在很多方面已經(jīng)超過了我過去對(duì) AGI 的定義，但模型公司并沒有賺到數(shù)萬億美元這一事實(shí)，清楚地說明了我之前對(duì) AGI 的定義過于狹隘。

我預(yù)計(jì)這種情況在未來還會(huì)不斷發(fā)生。我預(yù)計(jì)到 2030 年，前沿實(shí)驗(yàn)室會(huì)在我一直關(guān)注的持續(xù)學(xué)習(xí)問題上取得顯著進(jìn)展，模型的年收入將達(dá)到數(shù)千億美元，但它們?nèi)匀粺o法自動(dòng)化全部知識(shí)工作。

到那時(shí)我可能會(huì)說：我們?nèi)〉昧撕艽筮M(jìn)步，但還沒到 AGI。要實(shí)現(xiàn)萬億美元級(jí)別的收入，我們還需要 X、Y、Z 這些東西。

模型在“看起來很厲害”這件事上的進(jìn)步速度，符合短時(shí)間線派的預(yù)測(cè)；但在“真正變得有用”這件事上的進(jìn)展速度，卻更符合長(zhǎng)時(shí)間線派的判斷。

預(yù)訓(xùn)練規(guī)�；�的經(jīng)驗(yàn)不一定使用于強(qiáng)化學(xué)習(xí)

在預(yù)訓(xùn)練階段，我們看到的是一種極其干凈、普適的趨勢(shì)：隨著算力跨越多個(gè)數(shù)量級(jí)，損失函數(shù)穩(wěn)定下降，盡管這是一個(gè)冪律關(guān)系，是指數(shù)增長(zhǎng)的反面（albeit on a power law, which is as weak as exponential growth is strong）。

人們正試圖把這種幾乎像物理定律一樣可預(yù)測(cè)的預(yù)訓(xùn)練規(guī)�；�經(jīng)驗(yàn)看法，轉(zhuǎn)移到 RLVR 上，用來支撐對(duì)后者的樂觀預(yù)測(cè)。

但事實(shí)上，RLVR 并不存在任何擬合良好的公開趨勢(shì)。當(dāng)一些勇敢的研究者試圖從零星的公開數(shù)據(jù)中拼湊結(jié)論時(shí)，得到的結(jié)果往往相當(dāng)悲觀。

比如 Toby Ord 寫過一篇文章，巧妙地把不同 o 系列基準(zhǔn)圖表聯(lián)系起來，得出的結(jié)論是：要獲得類似 GPT 級(jí)別的提升，強(qiáng)化學(xué)習(xí)的總算力規(guī)�？赡苄枰�提升到一百萬倍。

與人類分布的對(duì)比，會(huì)先讓我們高估 AI，然后再低估它

不同人類能夠創(chuàng)造的價(jià)值差異巨大，尤其是在存在 O-ring 理論描述的白領(lǐng)工作中。

一個(gè)“村里的傻子”對(duì)知識(shí)工作幾乎沒有價(jià)值，而頂級(jí) AI 研究員對(duì)馬克·扎克伯格來說可能價(jià)值數(shù)十億美元。

O-ring理論：在由多個(gè)關(guān)鍵環(huán)節(jié)構(gòu)成的高價(jià)值工作中，整體產(chǎn)出是“乘法關(guān)系”，任何一個(gè)環(huán)節(jié)出錯(cuò)都會(huì)讓全部?jī)r(jià)值大幅歸零，因此頂級(jí)能力的價(jià)值會(huì)被極端放大。

但在任何一個(gè)時(shí)間截面上，AI 模型的能力基本是齊平的。人類存在巨大差異，而模型沒有。

由于知識(shí)工作中相當(dāng)大一部分價(jià)值來自最頂尖的那一小撮人，如果我們把 AI 模型的智能水平與“中位數(shù)人類”相比，就會(huì)系統(tǒng)性地高估它們能創(chuàng)造的價(jià)值。但反過來說，一旦模型真正達(dá)到了頂級(jí)人類的水平，其影響力可能會(huì)是爆炸式的。

廣泛部署帶來的智能爆炸

人們花了大量時(shí)間討論純軟件奇點(diǎn)、軟硬件結(jié)合的奇點(diǎn)，以及各種變體。

但這些設(shè)想都忽視了我認(rèn)為 AGI 之后能力繼續(xù)提升的主要驅(qū)動(dòng)力：持續(xù)學(xué)習(xí)。再想想人類是如何在任何領(lǐng)域變得更強(qiáng)的，主要來源就是相關(guān)領(lǐng)域的經(jīng)驗(yàn)。

在一次交流中，Beren Millidge 提出了一個(gè)很有意思的設(shè)想：未來可能是持續(xù)學(xué)習(xí)的智能體走出去做具體工作、創(chuàng)造價(jià)值，然后把所有學(xué)習(xí)成果帶回一個(gè)蜂群心智模型，由它對(duì)所有智能體進(jìn)行某種批量蒸餾。

這些智能體本身可以高度專門化，包含 Karpathy 所說的“認(rèn)知核心”，再加上與其具體工作相關(guān)的知識(shí)和技能。

持續(xù)學(xué)習(xí)的“解決”不會(huì)是一蹴而就的成就，而更像是上下文學(xué)習(xí)的解決過程。

GPT-3 展示了上下文學(xué)習(xí)的巨大潛力。但我們并沒有在 GPT-3 出現(xiàn)時(shí)就“解決”上下文學(xué)習(xí)，從理解能力到上下文長(zhǎng)度，仍然有大量改進(jìn)空間。

我預(yù)計(jì)持續(xù)學(xué)習(xí)也會(huì)經(jīng)歷類似的演進(jìn)過程。

實(shí)驗(yàn)室很可能在明年發(fā)布一些他們稱之為持續(xù)學(xué)習(xí)的功能，這確實(shí)算是向持續(xù)學(xué)習(xí)邁進(jìn)了一步，但要達(dá)到人類水平的持續(xù)學(xué)習(xí)，可能還需要 5 到 10 年的進(jìn)一步發(fā)展。

這也是為什么我不認(rèn)為第一個(gè)在持續(xù)學(xué)習(xí)上取得突破的模型會(huì)立刻獲得失控式的領(lǐng)先優(yōu)勢(shì)。

從部署中學(xué)習(xí)（learning-from-deployment）的收益也很可能存在邊際遞減。前一千個(gè)咨詢型智能體會(huì)從部署中學(xué)到很多，接下來的一千個(gè)就少一些。至于第一百萬個(gè)實(shí)例，真的還有可能看到前面 999999 個(gè)都沒看到的重要東西嗎？

此外，我有一種主觀判斷：競(jìng)爭(zhēng)仍將保持激烈。過去那些被寄予厚望的飛輪機(jī)制，幾乎都沒能削弱模型公司之間的競(jìng)爭(zhēng)。

幾乎每個(gè)月，頭部三家都會(huì)在領(lǐng)獎(jiǎng)臺(tái)上輪換位置，其他競(jìng)爭(zhēng)者也并沒有落后太遠(yuǎn)。似乎存在某種力量，一直在消解任何一家實(shí)驗(yàn)室可能獲得的失控式優(yōu)勢(shì)。

精選評(píng)論

Will Michaels：似乎人類能夠快速學(xué)習(xí)的原因之一是，人類可能產(chǎn)生的誤解空間受到嚴(yán)格限制，并且在很大程度上是可預(yù)測(cè)的。例如，在學(xué)習(xí)微積分時(shí)，大多數(shù)容易出錯(cuò)或產(chǎn)生混淆的點(diǎn)都非常常見，因此在教授他人時(shí)可以直接指出。

而 AI 所犯的錯(cuò)誤既不可預(yù)測(cè)（同一個(gè) AI 在不同情況下會(huì)犯不同的錯(cuò)誤），又不直觀（我們無法準(zhǔn)確判斷 AI 什么時(shí)候可靠，什么時(shí)候不可靠）。

這就導(dǎo)致要?jiǎng)?chuàng)建一個(gè)能夠既識(shí)別所有可能錯(cuò)誤，又對(duì)其進(jìn)行正確懲罰的學(xué)習(xí)環(huán)境，變得異常困難。

這當(dāng)然和你關(guān)于持續(xù)學(xué)習(xí)的更廣泛觀點(diǎn)相關(guān)。如果我們能夠設(shè)計(jì)出一種模型架構(gòu)，使 AI 的失敗方式變得可預(yù)測(cè)，那么這似乎將是邁向持續(xù)學(xué)習(xí)的一大步。

Argos：文章寫得不錯(cuò)，但我覺得你可能有些過于自信。我感覺你引用的那些報(bào)告對(duì)你所作出的強(qiáng)烈論斷支持力度很弱，而且也可以有其他解讀。

OpenAI 在其強(qiáng)化學(xué)習(xí)訓(xùn)練流程中使用了大量高度專業(yè)化的技能，這表明強(qiáng)化學(xué)習(xí)訓(xùn)練并不真正具備泛化能力。

實(shí)際上，被引用的文章只是說 OpenAI 雇了一些華爾街人士來生成數(shù)據(jù)。我覺得更可能的情況是，OpenAI 想利用這些數(shù)據(jù)在短期內(nèi)為高付費(fèi)客戶提供專業(yè)化模型，而不是作為他們通向 AGI 的通用方法。相反的證據(jù)可能是 OpenAI 從經(jīng)濟(jì)的更多不同領(lǐng)域獲取類似數(shù)據(jù)。

AI 還沒有被廣泛部署，這表明我們還沒有達(dá)到 AGI。

確實(shí)如此，但那些更合理、預(yù)期短時(shí)間內(nèi)會(huì)出現(xiàn) AGI 的人并沒有說我們已經(jīng)達(dá)到了 AGI。如果你有一些表現(xiàn)不錯(cuò)但不夠可靠、無法完全匹配人類能力的智能體，那么擴(kuò)散緩慢是一個(gè)合理的論據(jù)。據(jù)許多觀點(diǎn)來看，Claude Code 非常有用，但如果讓它作為自主員工，它就毫無用處。

注意，Claude Code（CC）釋放了模型的價(jià)值：使用 Claude 的聊天界面來編程會(huì)大幅減少價(jià)值增益，而且使 CC 達(dá)到目前水平也需要大量工程努力。如果 CC 和其他編程智能體不存在，你就會(huì)錯(cuò)誤地認(rèn)為最前沿的模型在編程上用處沒那么大。目前很可能，模型在許多其他具有經(jīng)濟(jì)價(jià)值的任務(wù)上的價(jià)值增益，也正受制于有人投入大量資源來搭建這種“支撐體系”。

Daniel Kokotajlo：精彩的文章！一些想法：（1）在 《AI 2027》 的設(shè)想中，持續(xù)學(xué)習(xí)會(huì)逐漸被解決。在 2027 年初之前，它只是對(duì)現(xiàn)有范式的增量改進(jìn)——例如找到讓模型更頻繁更新的方法，比如每月、每周更新，而不是每幾個(gè)月更新。然后在 2027 年中期，由于研發(fā)自動(dòng)化帶來的加速效應(yīng)，它們會(huì)變得更加系統(tǒng)可靠、實(shí)現(xiàn)范式迭代并且更像人類。

我仍然預(yù)計(jì)類似的事情會(huì)發(fā)生，盡管我認(rèn)為可能需要更長(zhǎng)時(shí)間。你在上文中說過“這些愚蠢、不具備持續(xù)學(xué)習(xí)能力的 LLM 智能體怎么可能學(xué)會(huì)持續(xù)學(xué)習(xí)呢？”我認(rèn)為答案很簡(jiǎn)單：它們只需要顯著加速通常的 AI 研發(fā)過程。舉個(gè)例子，如果你覺得以當(dāng)前算法進(jìn)展的速度，持續(xù)學(xué)習(xí)還需要 10-20 年，那么如果你也覺得 Claude Opus 7.7 基本上能夠自動(dòng)完成所有編碼工作，并且還可以很好地分析實(shí)驗(yàn)結(jié)果、提出消融建議等，那么合理的結(jié)論是：幾年后，原本剩下的 5-15 年時(shí)間可能會(huì)被壓縮到剩下的 1-3 年。

（2）現(xiàn)有范式確實(shí)似乎需要比人類更多的 RLVR 訓(xùn)練數(shù)據(jù)才能在某項(xiàng)任務(wù)上表現(xiàn)良好。確實(shí)如此。然而一旦足夠強(qiáng)大，上下文學(xué)習(xí)（in-context learning）也可能基本上成為一種持續(xù)學(xué)習(xí)形式？也許，通過足夠多樣化的 RL 環(huán)境，你可以實(shí)現(xiàn)類似預(yù)訓(xùn)練在常識(shí)理解上達(dá)成的效果，但用于智能體的自主能力。你可以獲得通用型智能體，它們可以被直接投放到新環(huán)境中，并在執(zhí)行過程中自行摸索，同時(shí)在它們的草稿板/鏈?zhǔn)剿季S（CoT）記憶庫(kù)文件系統(tǒng)中做筆記。

也可以考慮集體而非單個(gè) LLM 智能體，就像“公司中的公司”（由智能體集體構(gòu)成的集體）。未來，這個(gè)集體可能會(huì)自主管理一個(gè)龐大的包含數(shù)據(jù)收集、問題識(shí)別、RLVR 環(huán)境生成等各方面的處理流程，這個(gè)流程本身就像是集體的持續(xù)學(xué)習(xí)機(jī)制。例如，集體可能自主決定學(xué)習(xí)某項(xiàng)技能 XYZ 很重要（可能是因?yàn)榉治鲕壽E、與客戶交流并了解有限的 XYZ 技能如何阻礙它們的工作），然后它們可以調(diào)動(dòng)相當(dāng)于數(shù)千名工程師的勞動(dòng)力來搭建相關(guān)環(huán)境、進(jìn)行訓(xùn)練、更新模型等。

集體仍然可能需要例如比人類多 1000 倍的數(shù)據(jù)才能在某項(xiàng)任務(wù)上表現(xiàn)良好，但因?yàn)樗鼡碛袛?shù)萬份復(fù)制在外收集數(shù)據(jù)，并且智能地管理數(shù)據(jù)收集過程，它總體上能夠比人類更快速地學(xué)習(xí)新技能和完成工作。（至少對(duì)于那些可以通過這種方式解決的技能和工作而言。但是其他的，比如贏得一場(chǎng)戰(zhàn)爭(zhēng)的技能，它無法通過這種方式學(xué)習(xí)，因?yàn)樗�不能�?1000 個(gè)副本投入到 1000 場(chǎng)不同的戰(zhàn)爭(zhēng)中去。）

       原文標(biāo)題 : Dwarkesh最新播客：AI 進(jìn)展年終總結(jié)