Jason Wei：沉迷 RL 一年后悟出的「on-policy 人生观」
paigeinsf · x · 2026-10-20
前 Google/OpenAI 研究员 Jason Wei 分享，过去一年沉浸在强化学习研究中，无意间让他领悟到一条重要的人生道理。
核心类比是 RL 中的「on-policy」原则：与其模仿他人的成功轨迹（模仿学习），不如亲自行动、从环境给出的奖励中学习。模仿学习只在起步阶段有用——帮你把通过率从零提升到非零；但一旦能走出合理的轨迹，就应该只用模型自己的轨迹来训练，因为模型的优势与人类不同。他举的公认例子是：教语言模型解数学应用题，RL 比直接对人类思维链做监督微调更有效。
他把这一逻辑迁移到生活：借鉴别人的路径只能让人达到「及格线」，真正的高回报要靠走自己的路、从自身经历的反馈中学习。
「漫话AGI」频道最新
- 「你敢让 agent 替你做的最小动作是什么」引发信任梯度讨论 — NecessaryCheck3295 · 2026-10-20
- Carissa Véliz 金句：算法常是公司执行权力意志的「杀手」 — CarissaVeliz · 2026-10-20
- 英国政府顾问警告：再不加速恐沦为 AI「高价值客户」 — Polymarket · 2026-10-20
- 数学家称 AI 证明组合猜想却无处分享，如何处理成难题 — tak3sh8 · 2026-10-20
- 曝 Altman 向员工描绘超智能三种终局：一家独大或全球共治 — kimmonismus · 2026-10-20
- Moshi CEO：投资者的优势在头脑里，AI 只该干量化的脏活 — AI Engineer · 2026-10-20