Oak Lab 发布宣言:让学习无处不在,算法须高效且能从原始经验学习
MartinKlissarov · x · 2026-11-19
新研究机构 Oak Lab 发文《Making Learning Abundant》,主张学习是在大型多变世界中实现目标的唯一可扩展方式,当前 AI 学习存在两大低效:
- 算力门槛:学习复杂任务的算法过于昂贵,只有少数机构负担得起,系统只学这些机构认为有价值的任务。
- 依赖人类数据:现行范式把学习外包给人类——先教人做任务、采集多场景数据、再用监督学习蒸馏进模型;即便系统从自身经验学习,也多在不完美仿真中优化(过度优化仿真会损害真实世界表现),而构建仿真本身昂贵且需反复迭代。
后果是新任务学习成本高:只有编码等高价值任务值得教,低频或短期价值的任务无人投入。Oak Lab 的目标是构建足够高效、可全天候从原始经验中持续学习的算法,并已开源其研究方向(见其网站)。
「漫话AGI」频道最新
- Jeff Ladish:别再用托尔金为冲刺 ASI 背书,他会强烈反对 — JeffLadish · 2026-11-19
- Peter Diamandis:AI 省下的时间不必都还给工作 — PeterDiamandis · 2026-11-19
- AI 圈论战:欧洲人「天生不敢贪」,注定与 AGI 无缘? — teortaxesTex · 2026-11-19
- AI 圈激辩黑暗森林:超级智能为何可能先发制人打击同类 — jessi_cata · 2026-11-19
- OpenAI 与圣母大学法学院合办 AI 伦理对话,12 月 4 日举行 — wjscheirer · 2026-11-19
- NYT 深度报道:Anthropic IPO 前内部组织裂痕扩大 — kylekabasares · 2026-11-19