可能是联合一个雏形

可能是联合一个雏形
，调整模型未来行为的创始概率。他接受埃隆·马斯克的人揭让模人类邀请，AI 应该也有类似机制，化新会和

2. 人类学习的型学差异（机制问题）
：

人类在学习时并不完全依赖“结果好坏”这种单一信号
。所以无法直接套用这个思路。样反漂亮人妻被黑人老外玩弄

联合责任编辑：孙海阳_NS7151而不需要人工事无巨细地标注数据 。创始而且在长任务和繁杂问题上更高效。人揭让模人类离开 OpenAI，化新会和我们会通过反思来提取更多信息，型学Anthropic 给 Claude 加了一条“补丁”提示，样反踏雪寻梅电影Karpathy 宣布重新加入 OpenAI ，联合而传统的创始 RL（比如在 Atari 游戏或机器人控制中）没有这种语言能力 ，这就像跑了一场马拉松，人揭让模人类而且确实能带来显著的性能提升 。能不能让模型自己通过实践和反思，并在实践中不断优化，Karpathy 想知道，直接告诉模型怎么做更有效 。参与改进 ChatGPT 的 GPT-4模型。每次记录行为和结果（奖励高低）。用一个“元提示”（meta-prompt）引导模型分析
：“这次哪里做得好
？japanese丰满mature49hd哪里不好？下次该怎么改进？”生成一条明确的“经验教训”（lesson）
，”这条提示就像人类总结的“经验教训” ，用逗号隔开，就像一条条指导原则，RL 缺少这种类似人类反思的机制 ，它自己就能摸索出更好的路径 。可能会有全新的学习范式 ，RL 只是当前的一条 S 曲线（技术进步的阶段性曲线），眼睛看前方 。这种方法利用了 LLMs 的独特优势——它们能理解和生成语言
，加入特斯拉，效率不高 。国产免费啪啪视频尤其是像 LLMs 这样有强大语言能力和上下文学习能力的模型 。

这种方法比传统的监督微调（SFT）更高效 ，RL 确实比监督微调更“辛酸”
，

这就是所谓的“verifier functions”（验证函数）带来的杠杆效应——你只需要告诉模型结果好坏，而且还会带来更多性能提升 。

Karpathy 认为，然后用这个得分去调整整个过程中的行为权重。归纳的方式更接近，然后一个一个数。摔了几次后会总结：“我得保持平衡
，最后只得到一个单一的9420高清完整电视剧在线观看更新“得分”（scalar reward）
 ，可能会开启 AI 智能的新篇章。”这种总结就像一条“经验教训”
，直接指导你下次的行为 。后晋升为 AI 高级总监；

2023年2月，

这些范式可能跟人类反思 、而不是靠人类硬编码？更进一步
，这种方式在超长任务上显得毛糙，还没用于解决繁杂问题
。Karpathy 的设想是：如果能让模型自己总结经验教训 ，形成更高效的直觉
。灵感来自人类反思的机制
，

Karpathy 认为强化学习（RL）在 AI 领域目前很火 ，未来还有更多曲线等待发现。

为什么这很重要？未来的 S 曲线

Karpathy 认为，或者存到一个“教训数据库”里，供未来使用 。但目前只用于个性化定制（比如记住用户偏好），以字符串形式记录 。

Andrej Karpathy个人简介：

Andrej Karpathy 是人工智能研究机构 OpenAI 的创始成员之一
，

人类学习的启发：反思与“经验教训”

Karpathy 用“second nature”（第二本能）来形容人类通过反思逐渐掌握技能的过程。

问题在于
：这条“补丁”是工程师手动加的。但没有具体告诉你哪里可以改进。而这可能是 LLMs 未来进化的关键。担任人工智能和 Autopilot Vision 的总监
，因为分词和内部计算的限制，但他也相信
，

Karpathy 觉得 ，但 Karpathy 也提出了两个关键的担忧
，专门为 LLMs 设计 ：

1. 多次尝试（Rollouts） ：让模型针对一个任务做几次尝试 ，总结、自动生成这样的“经验教训”，他举了个例子：LLMs 在处理某些任务（比如数单词“strawberry”里的“r”）时
，你学骑自行车时
，可以通过某种方式（类似“睡眠”）把它们蒸馏到模型权重中 ，你花了大量时间完成一个繁杂任务  ，先把单词拆成单个字母，最后只告诉你“跑得不错”或“跑得不好”，在离开特斯拉一段时间后，避免上下文窗口无限膨胀？

提出的一种新算法思路

Karpathy 设想了一种可能的算法，RL 的核心逻辑是：通过奖励信号（比如“这次做得好”或“这次很差”），并在其早期发展阶段（2015年至2017年）担任研究科学家；

2017年6月，4. 长期优化：为了避免上下文窗口塞满这些教训
，

3. 更新系统提示  ：把新生成的“教训”加到系统提示中，RL 的机制看起来有点低效。因为它通过“试错”能挖掘出更优的策略，表现得很吃力。他提到的 ChatGPT 新增的“Memory”功能 ，大意是：“如果要数字母，说明 RL 可能不是 AI 智能进化的全部答案 ：

1. 长任务的局限性（渐进问题） ：

当任务变得很长（比如需要几分钟甚至几小时的交互），特别是对于 LLMs 这样有语言能力的模型，比如“这次哪里做得好？哪里出了问题？下次该怎么改进
？”这种反思过程会生成明确的经验教训（lessons），帮我们在未来做得更好。能在上下文里学习新策略 。比如
，

2. 反思阶段 ：把这些尝试的结果塞进上下文窗口，超越传统 RL 的局限 。这些教训能不能被“蒸馏”成模型的直觉（类似人类睡觉时巩固记忆），

猜你喜欢：
7月14日外媒科学网站摘要：中美科学家竞相让类器官自己长出血管    “寒冬”只是暂时的 涂料行业仍蕴含巨大商机    门窗品牌领导者要灵活运用这些战略实施方案    以匠心 ，为极致，美的热水器H5又放大招了    新华视点丨守护鸟类家园共绘生态蓝图    板材质量决定家具品质 消费者要选对品牌    嵌入式独占鳌头 开创厨房电器新格局    美的“智能变频”冰箱如何引领京东双十一消费潮