学者质疑：新模型能解旧难题，但学习理论缺可预测猜想
brianryhuang · x · 2026-10-01
研究者 Dimitris Papail 提出一个尖锐观点：尽管新模型号称能回答理论界多年未解的问题，学习理论领域却始终没有提出一个真正有用的猜想。
他真正感兴趣的是「非证明型、带假设、有预测力」的理论，例如：给定某个真实数据集、真实算法、真实模型和现实的超参选择，我们能拟合训练标签。
他推测这批「100 个问题」的风格会与「理论界 N 年解不出的问题」相似，并打赌：如果其中任何一个接近他上面描述的风格，他愿意请客吃饭。他强调，这不是因为某个叫 Bel 之类的模型解不出来，而是因为上面这类问题从来不曾困扰理论家。他随后给出一个自己尝试但未能回答的问题。
「漫话AGI」频道最新
- 资深设计师谈 AI 焦虑：没人真正想明白，现在入局不算晚 — oykun · 2026-10-02
- LLM 会否有感知？哲学讨论引 AI 福利论文《Taking AI Welfare Seriously》 — austinc3301 · 2026-10-02
- Chalmers 等联署论文：AI 福利问题已不再是科幻 — austinc3301 · 2026-10-02
- 哲学家 Pearce「现象绑定」论证：为什么机器意识可能难以成真 — danfaggella · 2026-10-02
- 数学家 Kevin Buzzard:数学界正经历 AI 带来的'悲伤五阶段' — littmath · 2026-10-02
- AI 自测 DeepMind 意识评估框架：得分随理论选择在 0.10–0.72 间摆动 — izzycognita · 2026-10-02