博主头像

我们在扩展什么？

外来客 • 2026-08-20 19:33:52

分享
𝕏 f ◉
声明：本文为对公开内容的摘要整理， 未经本站独立核实，可能与原内容存在出入，不代表本站立场、观点或建议； 观点与版权归原作者及原平台所有。 如涉及版权问题，请联系我们，核实后立即删除。 [ 免责声明 ]

（原标题：What are we scaling?）

🧠 核心观点

  • 当前 AI 实验室通过“可验证奖励强化学习”预置技能的做法，与“人类级学习者”的假设存在根本矛盾。
  • 若模型具备类似人类的自驱学习能力，现有的技能预置供应链将变得毫无意义；反之，若无法自驱学习，则 AGI 并非迫在眉睫。
  • 作者认为当前模型缺乏广泛经济价值所需的通用泛化能力，所谓“技术扩散慢”是掩盖能力不足的借口。
  • 真正的 AGI 突破将依赖于“持续学习”（Continual Learning），而非单纯的算力堆叠或自动化研究员。

📊 关键事实与论据

  • 机器人学类比：人类无需大量训练即可操作硬件，而 AI 需在数千个家庭练习百万次才能完成简单任务，证明当前算法并非真正的智能学习。
  • 生物学家案例：识别特定实验室制备的巨噬细胞切片属于情境判断，无法通过通用的图像分类模型解决，凸显了“工作现场学习”的必要性。
  • 经济数据对比：全球知识工作者年薪总和达数万亿美元，而 AI 实验室收入远低于此，表明模型能力尚未达到替代人类劳动的水平。
  • 算力效率质疑：引用 Toby Board 的研究指出，要达到 GPT 级别的提升，RL 算力需扩大百万倍，且目前缺乏公开且稳健的 RL 扩展趋势数据。
  • 竞争格局：主要模型公司之间竞争激烈，人才流动和逆向工程抵消了单一实验室的潜在优势，不存在“飞轮效应”导致的垄断。

🎯 结论与展望

  • 时间线预测：预计未来 10-20 年内出现类脑智能，但 2030 年前模型收入虽达数千亿美元，仍未实现所有知识工作的自动化。
  • 发展路径：持续学习将像“上下文学习”一样，经历从初步进展到完全解决的漫长过程，而非一次性突破。
  • 核心判断：模型在“令人印象深刻”的速率上符合短期预测，但在“实际有用”的速率上符合长期预测。
  • 最终观点：当前对 AGI 的定义过于狭隘，真正的智能在于从语义反馈和自我导向经验中泛化，而非预置技能。

博主头像 👤 同一博主

查看该博主全部 57 篇

🧭 类似博主

0 条评论

发表评论

请先 登录 后参与讨论。