炒股就看金麒麟分析师研报，权威，专业，及时，全面，助您挖掘潜力主题机会！
新智元报道
编辑：桃子
【新智元导读】强化学习，或许并不能通往AGI终点。Karpathy最新发文提出另一种Scaling范式，像人类一样反思回顾，通过复盘学习取得突破，更多的S形进步曲线等待发现。
Grok 4能站在大模型之巅，全是Scaling强化学习立了大功。
如今，AI大神Karpathy站出来急泼一盆冷水：
RL只是把最终成败的单一数值回传，效率随任务时长急剧下降。
而且，RL与人类“反思-提炼-再应用”迭代机制存在巨大差异。
RL短期有效
真正突破在于“复盘学习”
强化学习的本质是，某次行动表现良好（糟糕），就略微提升（降低）未来类似行动的概率。
这种方法通过验证函数，比显示监督取得了更大的杠杆效应，无疑是其强大之处。
然而， 在Karpathy看来，从长远角度来讲，强化学习或许并不是最优策略。
长时程任务，RL局限显现
首先，一旦任务交互时间增加到几分钟乃至几小时，RL就遇到了挑战。
想象一下，一个数小时交互的任务，最终却只得到一个单一的标量奖励，来调整整个过程的梯度。
这样的反馈，能否足以支撑高效学习？
RL机制与人类差异显著
其次，对于大多数智能任务而言，这感觉并不像人类的进步机制。
简言之，RL的机制与人类智能提升方式，存在着显著的差异。
人类会通过一个复盘/反思阶段，从每一次推演中能提取到多得多的监督信息，比如“哪里做得好？哪里不太行？下次该试试什么？”等等。
从这个阶段得到的教训感觉是明确的，就像一个新字符串，可以直接添加到未来的系统提示词里，也可以选择性地在之后被“蒸馏”成权重/直觉，有点像睡眠的作用。
在英语里，我们说通过这个过程，某件事会成为人的“第二天性”，而我们目前正缺少这样的学习范式。
这里，Karpathy提到了ChatGPT“记忆”功能，或许就是这种机制概念的一个雏形，尽管它目前只用于个性化，而非解决问题。
值得注意的是，在Atari游戏这类RL场景中也不存在类似的机制，因为那些领域里没有大语言模型，也没有上下文学习。
算法新设想：回顾-反思范式
为此，Karpathy提出了一个算法框架——
给定一个任务，先跑几次推演，然后把所有推演过程（包括每次的奖励）都塞进一个上下文，再用一个元提示词来复盘/反思哪些地方做得好或不好，从而提炼出一个字符串形式的“教训”，并将其添加到系统提示词中（或者更通用地，更新当前的教训数据库）。
不过，他表示，这里面有很多细节要填充，有很多地方可以调整，具体怎么做并不简单。
举个栗子，大模型计数问题。
我们知道，由于分词（tokenization）的原因，大模型不太容易识别单个字母，也不太容易在残差流里计数。
所以，众所周知，模型很难识别出“strawberry”里的“r”字母。
Claude的系统提示词里就加入了一个“快速修复”patch——添加了一段话，大意是：“如果用户让你数字母，你得先用逗号把字母隔开，每隔一个就给一个显式计数器加一，照这样做完任务”。
这段话就是“教训”，它明确地指导模型如何完成计数任务。
但问题在于，这种教训要如何从智能体的实践中自发产生，而不是由工程师硬编码进去？它该如何被泛化？
以及，这些教训如何随着时间推移被蒸馏，从而避免让上下文窗口无限膨胀？
最后，他总结道，RL会带来更多收益，如果应用得当，它的杠杆效应巨大。
并且，深受“惨痛教训”（bitter lesson）理论的启发，RL优于监督微调（SFT）。
但它并不是完整的答案，尤其是随着推演的流程越来越长。
在这之后，还有更多的S型增长曲线等待发现，这些曲线可能专属于大语言模型，在游戏/机器人这类环境中没有先例，而这，正是我觉得激动人心的地方。
OpenAI研究科学家Noam Brown对此深表赞同，“确实，未来仍有许多研究工作有待完成”。
AI初创公司联创Yuchen Jin提出了一个有趣的观点，全新训练范式——课程学习，是一个自监督记忆+检索+反思的反馈循环，无需任何外部奖励信号。
一位网友很有见地称，强化学习实际上是暴力试错的一种方法，并非是明智的策略。
放弃无效RL研究
最近，关于强化学习的讨论，成为了AI圈的一大热点。
除了Karpathy本人下场，上周前OpenAI研究员Kevin Lu发长文称，Transformer只是配角，放弃无效RL研究！
他直言，真正推动AI规模跃迁的技术是互联网，而非Transformer，这也是你应该停止RL研究，转投产品开发的原因。
众所周知数据才是AI最重要的要素，但研究者们却往往选择回避这个领域...
究竟什么才是规模化地做数据？
互联网提供了天然的数据宝库：海量且多样化的数据源、自然形成的学习路径、反映人类真实需求的能力维度，以及可经济高效规模化部署的技术特性——
它成为下一个token预测的完美搭档，构成了AI爆发的原始汤池。
没有Transformer，我们本可以用CNN或状态空间模型达到GPT-4.5的水平。
但自GPT-4之后，基础模型再未出现突破性进展。
专用推理模型在垂直领域表现优异，却远不及2023年3月GPT-4带来的震撼级跨越（距今已两年多...）。
RL确实成就斐然，但Kevin Lu对此深切担忧，研究者会重蹈2015-2020年间RL研究的覆辙——沉迷于无关紧要的学术游戏。
如果说互联网是监督预训练的时代搭档，那么什么才能成为强化学习的“共生体”，催生出GPT-1到GPT-4量级的飞跃？
Kevin Lu认为答案在于：研究-产品协同设计。
参考资料：
https://x.com/karpathy/status/1944435412489171119
（转自：网易科技）