Google 论文称 AI 工程严谨性过强，科学严谨性不足
rohanpaul_ai · x · 2026-07-21
这条帖子在解读一篇 Google 论文，核心观点是：AI 的问题不是“工程严谨性太少或太多”，而是工程严谨性很强，科学与哲学层面的严谨性还跟不上。
论文把“严谨性”拆成三层：
- 概念严谨性：“智能”“理解”这类词，到底指一个单一能力，还是一组能力。
- 知识严谨性：结论在新条件下是否仍可靠。
- 性能严谨性：系统在真实世界里是否稳定可用。
帖子还提到，这个框架被用来讨论智能、可复现性、预测、解释、基准测试和已部署系统。即便没有完整理论，基准、后训练、工具、监控和安全检查也能显著提升系统表现，这也解释了为什么能力进步很快，但对失败的预测却越来越难。
「研究」频道最新
- JockeyBench：用日本赛马评测 LLM Agent 的重复事件预测能力 — Zhongwei Xie · 2026-10-27
- 斯坦福 PaperFormalizer：把论文自动转成 Lean 验证版本 — StanfordUniversity · 2026-10-27
- Cohere 论文：零种子数据生成数据集，质量与多样性双提升 — idanbeck · 2026-10-27
- TRL 异步 GRPO 训练器默认启用 score centering + masked importance sampling — _lewtun · 2026-10-27
- AutoResearch agent 生成怪异训练曲线,团队深挖失败模式反成研究素材 — ZimingLiu11 · 2026-10-27
- EMNLP 2026 两篇论文：小模型实体追踪超人类、类人短暂记忆研究 — GretaTuckute · 2026-10-27