术语slug: bitter-lesson

苦涩教训

Bitter Lesson

指通用方法结合算力最终胜过人工设计特定规则的现象

收录情报动态

共 4 篇 · 第 1/1 页
Sam Altman (@sama)T1·基座大模型
78 分
OpenAI 研究员称大模型神经元大多可解释,机械可解释性有望快速突破

OpenAI 前研究员 Nick Cammarata 指出,借助现代智能体工具,万亿参数级大模型的绝大多数神经元已变得清晰可读,推翻了早期“神经网络是任意纠缠结”的悲观观点。他认为随着自动化科学家能力的提升,机械可解释性问题可能在近期得到解决,这被视为该领域的一个“苦涩教训”:简单方法在极大尺度下依然有效。Sam Altman 对此表示高度认可。

One Useful Thing (Ethan Mollick)T2·智能体与协同
68 分
作者反思:智能体协作无需复杂管理,算力碾压规则

资深 AI 观察者承认此前对多智能体系统的预判失误,认为“苦涩教训”再次应验。文章指出,通过暴力计算和更强大的模型能力,智能体群体可自发涌现出高效协作,无需人类构建复杂的组织规则或提示链。这一观点挑战了当前流行的“像经理一样管理 AI”的范式,强调底层模型能力的提升才是解决协作问题的关键。

Import AI (Jack Clark)T1·基座大模型
78 分
Epoch 发布 MirrorCode:AI 14 小时完成人类数周编程任务

Epoch 与 METR 联合发布新基准 MirrorCode,专门评估 AI 在长周期、复杂编程任务中的表现。测试显示,Claude Opus 4.7 仅用 14 小时和 251 美元成本便完成了预计需人类耗时 2-17 周的软件重构任务,且模型能力正以每年约 30% 的速度快速提升。该结果印证了“苦涩教训”在机器人及自主代理领域的适用性,即通用智能体通过黑盒交互即可习得并复现复杂工业能力。