ARC Prize 技术路线:深度学习不够,需结合程序合成攻克 ARC-AGI
teortaxesTex · x · 2026-09-26
ARC Prize 团队(Mike Knoop 与 François Chollet)在 2024 年 10 月的演讲与文章中系统阐述了攻克 ARC-AGI 的技术路径,核心论点是:仅靠深度学习不足以破解 ARC,需要结合程序合成(Program Synthesis)。
要点:
- 算力历史与预测:自 1940 年以来计算性价比每十年下降约两个数量级;按此曲线推算训练一个 10^26 FLOP 模型的成本——2013 年约 400 亿美元、2023 年约 4 亿美元(与 GPT-4 量级相符)、2033 年或降至约 400 万美元。
- 深度学习的成功与局限:GPU 普及让深度学习在图像识别、围棋、蛋白质折叠、语言等领域取得突破,LLM 甚至在部分任务上达到人类水平,但 ARC 这类衡量流动性智力(fluid intelligence)的新颖抽象推理任务上表现不佳。
- 提出的技术路线:将深度学习与程序合成结合,让系统能对新颖任务进行显式的搜索与组合,而非纯模式匹配。
- 作者走访十余所美国顶尖高校后于 10 月 24 日做了线上分享。
注:此文发布于 o3 刷新 ARC-AGI 成绩之前,其"前沿 AI 打不破 ARC"的判断随后被证伪,如今主要作为技术争论的历史材料。
所属事件:o3 破 ARC 后网友翻出 ARC Prize 旧文引热议(3 条相关)→
「研究」频道最新
- ProxyPose 入选 NeurIPS:单像素追踪 6-DoF 姿态 — CSProfKGD · 2026-09-26
- AxonDAO 推出 AxonOS：浏览器里的 GPU 原生科研桌面 — melnykowycz · 2026-09-26
- Goodfire 开新研究系列：神经网络用形状思考，理解神经几何可精准调试模型 — CatAstro_Piyush · 2026-09-26
- NeurIPS 接收 MilliVid：长时程视频生成不靠检索启发式 — CSProfKGD · 2026-09-26
- Claude Code 一句建议毁掉论文评估，作者自曝撤稿内幕 — CSProfKGD · 2026-09-26
- 语音论文《Preferences of a Voice-First Nation》将登陆 INTERSPEECH 口头报告 — prajdabre · 2026-09-26