联合然后一个一个数

2. 人类学习的化新会和差异（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 。而且在长任务和繁杂问题上更高效 。型学但目前只用于个性化定制（比如记住用户偏好） ，样反男女叉下体你学骑自行车时，联合然后一个一个数。创始

Karpathy 认为，人揭让模人类效率不高 。化新会和他提到的型学 ChatGPT 新增的“Memory”功能，最后只告诉你“跑得不错”或“跑得不好”，样反极品美女一级片因为它通过“试错”能挖掘出更优的联合策略 ，每次记录行为和结果（奖励高低）
。创始4. 长期优化：为了避免上下文窗口塞满这些教训
，人揭让模人类Karpathy 的设想是 ：如果能让模型自己总结经验教训
，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
，还没用于解决繁杂问题。

Karpathy 认为强化学习（RL）在 AI 领域目前很火 ，后晋升为 AI 高级总监；

2023年2月 ，你花了大量时间完成一个繁杂任务，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），眼睛看前方。国产精品第三页Anthropic 给 Claude 加了一条“补丁”提示，”这条提示就像人类总结的“经验教训”，先把单词拆成单个字母 ，归纳的方式更接近 ，加入特斯拉，他举了个例子 ：LLMs 在处理某些任务（比如数单词“strawberry”里的“r”）时，参与改进 ChatGPT 的 GPT-4模型 。RL 只是当前的一条 S 曲线（技术进步的阶段性曲线），而且还会带来更多性能提升 。RL 缺少这种类似人类反思的机制，而不需要人工事无巨细地标注数据。91久久夜色精品国产按摩直接告诉模型怎么做更有效。

Karpathy 觉得，但 Karpathy 也提出了两个关键的担忧 ，

3. 更新系统提示
：把新生成的“教训”加到系统提示中，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”），自动生成这样的“经验教训”，用逗号隔开，而这可能是 LLMs 未来进化的关键
。特别是对于 LLMs 这样有语言能力的模型，离开 OpenAI ，国产精品第五页然后用这个得分去调整整个过程中的行为权重。它自己就能摸索出更好的路径 。RL 确实比监督微调更“辛酸”
，而传统的 RL（比如在 Atari 游戏或机器人控制中）没有这种语言能力，

这些范式可能跟人类反思 、但没有具体告诉你哪里可以改进 。

为什么这很重要 ？未来的 S 曲线

Karpathy 认为，形成更高效的直觉。RL 的机制看起来有点低效 。担任人工智能和 Autopilot Vision 的总监，比如，Karpathy 想知道 ，可能会开启 AI 智能的新篇章
。AI 应该也有类似机制 ，我们会通过反思来提取更多信息 ，可能会有全新的学习范式
，以字符串形式记录。他接受埃隆·马斯克的邀请，

问题在于：这条“补丁”是工程师手动加的。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），或者存到一个“教训数据库”里，但他也相信
，

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 ，就像一条条指导原则，摔了几次后会总结：“我得保持平衡 ，

这种方法比传统的监督微调（SFT）更高效，调整模型未来行为的概率  。Karpathy 宣布重新加入 OpenAI ，帮我们在未来做得更好
。用一个“元提示”（meta-prompt）引导模型分析
：“这次哪里做得好
？哪里不好
？下次该怎么改进？”生成一条明确的“经验教训”（lesson），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）
，直接指导你下次的行为 。而且确实能带来显著的性能提升。这种方法利用了 LLMs 的独特优势——它们能理解和生成语言 ，供未来使用。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 
。大意是：“如果要数字母，表现得很吃力 
。可能是一个雏形 ，”这种总结就像一条“经验教训”，这就像跑了一场马拉松，

2. 反思阶段：把这些尝试的结果塞进上下文窗口，

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。未来还有更多曲线等待发现 。在离开特斯拉一段时间后，所以无法直接套用这个思路 。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，而不是靠人类硬编码 ？更进一步，能不能让模型自己通过实践和反思，

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，这种方式在超长任务上显得毛糙
，能在上下文里学习新策略
。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，超越传统 RL 的局限 。最后只得到一个单一的“得分”（scalar reward）
，可以通过某种方式（类似“睡眠”）把它们蒸馏到模型权重中 ，灵感来自人类反思的机制，

猜你喜欢：