好好的曰com视频观看
一水 发自 凹非寺量子位 | 公众号 QbitAI我并不以为Scaling Law已经完全竣事了
正当学生Ilya为Scaling Law“泼下冷水”时，他的先生、AI教父Geoffrey Hinton却毅然揭晓了上述截然相反的看法。
这一时势一出，我们不禁追念起了两件有趣的事。
一是Ilya险些从学生时代起就坚信Scaling Law，不但一捉住时机就向身边人安利，并且还把这套理念带进了OpenAI。
可以说，Ilya算是Scaling Law最初的拥趸者。
二是Hinton厥后在回首和Ilya的相处时，曾放纵夸赞Ilya“具有惊人的直觉”，包括在Scaling Law这件事上，Hinton曾坦言：
其时的我错了，而Ilya基本上是对的。好比Transformer确实是一种立异想法，但现实上起作用的照旧规模，数据的规模和盘算的规模。
可是现在，这对师徒的态度却来了个惊天大反转。
以是，这中心究竟爆发了什么？
Scaling Law不死派：Hinton、哈萨比斯
紧随学生Ilya，Hinton在接受《Business Insider》最新采访时揭晓了对Scaling Law问题的看法。
他的看法相当明确——
Scaling Laws依然有用，只不过目今正面临一些挑战（limit）
其中，最大的挑战无疑是数据缺失问题。
大部分高价值数据都锁在公司内部，免费互联网数据已基本耗尽。
而这个问题将由AI自行解决，即模子通过推理天生自己的训练数据。此处他还特意cue到了AlphaGo和AlphaZero：
这就像AlphaGo和AlphaZero在规模小得多的情形下，为了醒目围棋而天生数据一样。
关于这些早期程序，Hinton直言其时没人担心数据缺乏，由于它会自我对弈，并以今天生数据。
照此，语言模子也可以接纳同样的要领来解决Scaling Law面临的数据瓶颈。
而和Hinton同样支持Scaling Law的，尚有谷歌DeepMind CEO哈萨比斯。
哈萨比斯曾在不久之前的一场峰会上体现：
我们必需将目今系统的规；葡蚣，由于至少，它将是最终AGI系统的要害组成部分。甚至，它可能会成为整个AGI系统自己。
正如Hinton所言，哈萨比斯早就在AlphaGo和AlphaZero身上看到了让AI自主进化的无限威力。
当初训练AlphaGo时，DeepMind先让其学习人类棋谱掌握基础规则，随后让差别版本的程序通过数百万局自我对弈一直进化，最终击败了人类顶尖棋手。
而到了AlphaZero，DeepMind更进一步，彻底摒弃人类数据，仅通过“Zero”状态下的自我博弈，一天之内就让AI成为了“有史以来最厉害的国际象棋选手”。
这些都让哈萨比斯逐渐坚信——通过规；远焐萦胱晕医，AI最终能在种种使命上击败人类。
显而易见，这一判断恰恰与Hinton关于“数据瓶颈可以被模子自行突破”的看法形成了呼应。
不过值得注重的是，哈萨比斯作为一位商业首脑、一位实打实的工程手艺职员，他对Scaling Law的明确历来不止于“参数×数据×算力”的线性增添。
他提倡的是一种更系统、更广义的规；，即模子规模、训练范式、情形重漂后以致系统架构自己，都需要作为一个协同演进的整体被同步扩展。
这也是他为何重复强调构建“天下模子”、整合“搜索”与“妄想”能力的缘故原由。他始终以为：
若是一个系统只能被动地拟合静态数据漫衍，那么无论规模多大，最终都会撞上天花板；而一旦模子被允许进入“可交互的情形”，数据自己就会酿成一个可被无限扩展的变量。
一言以蔽之，二人都以为Scaling Law自己没有问题，要害是怎样突破当下遇到的瓶颈。
并且二人给出的解决思绪在实质上高度一致，即让AI自行解决。
然而在Ilya看来，继续扩展规模已经“不划算”了：
这几年各人险些都在喊“继续扩大！再扩大！”。但当规模已经这么大时，你真的会相信再扩大100倍就能彻底改变一切吗？
此言一出，外界纷纷以为Ilya这是在给Scaling Law“判死刑”。
事实，果真云云吗？
Scaling Law不敷用派：Ilya、LuCun
现实上，要想搞清Ilya当下在想什么，我们还得回到Scaling Law这个问题自己。
Scaling Law俗称“鼎力大举出事业”，其焦点头脑可归纳综合为——
随着模子参数规模、训练数据量和盘算资源的一连扩大，AI模子的性能会凭证可展望的纪律稳步提升。
这一纪律在已往的AI生长中获得了重复验证，从GPT-3到厥后的大模子浪潮，险些每一次性能跃升都陪同着规模的数目级增添。
然而，从去年最先，关于Scaling Law的风向就最先变了。
早先各人争的照旧归属权问题——
这个看法被OpenAI带火之后，一位Meta研究员找出了百度2017年揭晓的一篇论文，效果发明论文里早就谈到了Scaling Law问题，只是没有相关正式命名。
但仅仅到了年底，关于“Scaling Law见顶”的声音最先越来越多了。
也是在这个时间，已经脱离OpenAI的Ilya，在NeurIPS现场正式宣告了“预训练即将终结”。
我们所熟知的预训练即将终结。
他以为，数据是AI的化石燃料，随着全球数据的限制，未来人工智能将面临数据瓶颈。
虽然目今我们仍然可以使用现有数据举行有用训练，但这一增添趋势终将放缓，预训练的时代也会逐步竣事。
而未来属于超等智能，好比智能体、推理、明确和自我意识。
随着Ilya的讲话， 关于Scaling Law的讨论被彻底引爆。
中心老店主OpenAI还跳出来附议了一波，只不过其时是为了宣传他们的o系列推理模子——
o1焦点成员Noam Brown体现，o1代表的是一种全新的，以推理盘算为代表的Scaling。
就是说，“预逊т然终结，但Scaling Law还没死”。
再到厥后，吵吵嚷嚷间，人们等来了Ilya开办的新公司，也是在这一阶段，Ilya最先试着回覆——我们在Scaling什么？下一步做什么？
他在公司宣布建设后的采访中体现：
已往十年深度学习的重大突破，是一个关于标准假设的特定公式。但它会改变……随着它的改变，系统的能力将会增强，清静问题将变得最为紧迫，这就是我们需要解决的问题。
从这里也能看出来，他最先逐渐强调一个看法——Scaling Law变了
而这，也和他最新引起争议的“Scaling Law无用论”相契合。他在问出“你真的会相信再扩大100倍就能彻底改变一切吗”后体现：
会有转变，但我不以为仅靠更大规模就能带来根天性的转折。我们正重新回到研究时代，只不过这一次，我们手里多的是巨型盘算机。
在他看来，现在主流的“预训练+Scaling”蹊径已经显着遇到瓶颈。与其盲目扩大规模，不如把注重力放回到“研究范式自己”的重构上。（即所谓重新回到“科研时代”）
厥后他还特意诠释道，不是说继续扩展规模不会带来转变，只是有些主要的工具仍然会缺失。
至于缺失的是什么，只管网友们狂轰乱炸了一番，但神秘的Ilya又“隐身”了。
既然等不到他的回覆，那我们只能从一些采访中扒一扒蛛丝马迹了。
其中，我们就看到了这样一个要害词——情绪。Ilya无意间提过这样一件事：
我遇到过一个例子，有一小我私家脑部受损，可能是中风或意外事故，导致他损失了情绪处置惩罚能力。以是他不再能感受到任何情绪。他仍然舌粲莲花，也能解一些简朴的谜题，考试效果也一切正常。但他感受不到任何情绪。他不会感应伤心，不会感应恼怒，也不会感应兴奋。不知何以，他变得极其不善于做任何决议。他甚至要花几个小时才华决议穿哪双袜子。他在财务方面也会做出很是糟糕的决议。这说明我们与生俱来的情绪在使我们成为及格的行动主体方面饰演着怎样的角色？说到你提到的预训练，若是你能充分验展预训练的优势，或许也能抵达同样的效果。但这似乎……嗯，预训练是否真的能抵达这种效果还很难说
Anyway，在Ilya看来，Scaling Law或许有用，但真的是否够用绝对大打问号
而另一个和Ilya同样对Scaling Law持嫌疑态度的是Yann LeCun。
LeCun在今年4月的一场采访中体现：
你不可简朴地假设更多的数据和盘算能力就意味着更智能的人工智能
并且众所周知，LeCun一直以为大语言模子无法实现AGI，为此他还另行建设公司创业天下模子。
至此，外貌上看，硅谷大佬们针对Scaling Law问题似乎形成了态度鲜明的两派。
但这时Noam Brown又站出来了（前面提到的o1焦点成员），他体现：
现在的社交媒体往往会把AI辩说简化成两种夸张的刻板印象：
（A）嫌疑派，以为大语言模子没戏，AI纯属炒作。（B）狂热派，以为万事已经俱备，ASI（超等人工智能）指日可待。
但若是去看看顶尖研究职员现实上说了什么，就会发明他们的看法有着惊人的共识：
（1）目今的范式即便没有进一步的研究突破，也可能足以带来重大的经济和社会影响；（2）要实现AGI或ASI，或许还需要更多的研究突破（好比常提到的一连学习和样本效率）（3）没人以为ASI是天方夜谭，永远不会实现，不同主要在于那些“突破”会是什么，以及它们来得会有多快。
这一总结也获得了LeCun的认同：
因此，此时回过头看Hinton和Ilya的不同，其实质或许并不在于要不要Scaling，而在于——
我们究竟在Scaling什么？
[1]https://www.businessinsider.com/ai-Scaling-debate-geoffrey-hinton-ilya-sutskever-alexandr-wang-lecun-2025-12[2]https://x.com/ilyasut/status/1994424504370581726[3]https://x.com/ylecun/status/1994533846885523852
