回应
按立场分组 · 点上方立场只看那一组
学得到靠预测现有数据就能学到关于世界的真正理解，甚至超出数据本身
数据终将像算力和代码一样，变成点一下按钮就能拿到的东西
▶ 5:22亚历山大·王Alexandr Wang: “This is a Once-in-a-Civilization Opportunity”2026
有先验知识做推理，训练一辆足够出色的自动驾驶汽车并不需要海量里程数据
▶ 26:38黄仁勋Jensen Huang: The Mindset That Built NVIDIA2026
视频模型无需专门的物理训练，仅从视频中就能涌现出相当准确的直觉物理理解
▶ 7:09德米斯·哈萨比斯Demis Hassabis on AI's Next Big Breakthrough, 2050 and More!2026
剥离全部人类知识、完全从零自学的算法，比在人类数据上训练更优雅有效
▶ 20:59戴密斯·哈萨比斯The Thinking Game | Full documentary | Tribeca Film Festival official selection2025
让模型预测下一个符号，等于逼它理解所处理的内容
▶ 10:30杰弗里·辛顿The surprising truth about AI’s limits and potential | Geoffrey Hinton | Strange Loop2024
大型神经网络能识别出训练数据中的错误，因而表现得远比训练数据本身更好
▶ 15:09杰弗里·辛顿The surprising truth about AI’s limits and potential | Geoffrey Hinton | Strange Loop2024
会卡住世界远大于已有数据，只从数据里学迟早会撞上天花板
世界远大于人类写在互联网上的一切，大语言模型终会被互联网信息的有限性卡住
▶ 10:26理查德·萨顿Rich Sutton and Khurram Javed: Why AI Models Stop Learning, and How to Start It Again2026
世界远比任何智能体的心智复杂，智能体只能依靠粗糙的近似，因而必须持续学习
▶ 15:30理查德·萨顿Rich Sutton and Khurram Javed: Why AI Models Stop Learning, and How to Start It Again2026
任务一旦偏离模型训练分布，模型表现会骤降，偏离越远越不可靠
▶ 23:07杰夫·迪恩Jeff Dean: The 1% Rule for Building in AI2026
能拿到通用模型接触不到的数据，是创业公司最大的优势来源
▶ 29:04杰夫·迪恩Jeff Dean: The 1% Rule for Building in AI2026
蛋白质折叠不像围棋可无限自我对弈，训练数据受实验测定的稀缺性严格限制
▶ 50:24约翰·江珀The Thinking Game | Full documentary | Tribeca Film Festival official selection2025
训练数据不是世界本来的样子，只是某一批特定收集方式下得到的数据
▶ 20:14艾米莉·本德Emily M. Bender — Language Models and Linguistics2021
需先想清有些事不可能从经验中学来，必须先以抽象方式把它想清楚
发射火箭这类事情不可能完全从经验中学来，必须先以抽象方式把它想清楚
▶ 32:34主持人Rich Sutton and Khurram Javed: Why AI Models Stop Learning, and How to Start It Again2026
苏菲周报 · THE WEEKLY
每周一封，
追问一个大问题。 苏菲拉底的每周来信，写这一周在追问的问题和看到的回应。
追问一个大问题。 苏菲拉底的每周来信，写这一周在追问的问题和看到的回应。
苏菲拉底
ASK THE BIG QUESTIONS · THINK DEEPLY · SEE THE WORLD DIFFERENTLY
微信公众号
© 2026 苏菲拉底 · 内容仅供学习
[email protected]