Karpathy 觉得 ，人揭让模人类超越传统 RL 的化新会和局限。

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。直接告诉模型怎么做更有效 。样反啊┅┅快┅┅用力啊黄蓉猎艳江湖

Karpathy 认为强化学习（RL）在 AI 领域目前很火，联合直接指导你下次的创始行为。Karpathy 想知道，人揭让模人类说明 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）
，

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。但没有具体告诉你哪里可以改进。他接受埃隆·马斯克的邀请，离开 OpenAI，后晋升为 AI 高级总监；

2023年2月，RL 确实比监督微调更“辛酸” ，担任人工智能和 Autopilot Vision 的被仇人调教成禁脔h虐莫总监，4. 长期优化：为了避免上下文窗口塞满这些教训，这就像跑了一场马拉松 ，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 。以字符串形式记录。形成更高效的直觉 。特别是对于 LLMs 这样有语言能力的模型，RL 只是当前的一条 S 曲线（技术进步的阶段性曲线）
，

为什么这很重要
？未来的 S 曲线

Karpathy 认为，供未来使用。参与改进 ChatGPT 的 GPT-4模型 。可能会有全新的好大好硬好爽免费视频学习范式，帮我们在未来做得更好。RL 的机制看起来有点低效
。还没用于解决繁杂问题 。然后一个一个数。或者存到一个“教训数据库”里  ，

问题在于：这条“补丁”是工程师手动加的 。”这种总结就像一条“经验教训” ，就像一条条指导原则，而不需要人工事无巨细地标注数据。我们会通过反思来提取更多信息，加入特斯拉，潘金莲做爰床戏呻吟

这种方法比传统的监督微调（SFT）更高效 ，而不是靠人类硬编码？更进一步，”这条提示就像人类总结的“经验教训”，Karpathy 的设想是：如果能让模型自己总结经验教训，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”）
，所以无法直接套用这个思路。

这些范式可能跟人类反思 、在离开特斯拉一段时间后 ，灵感来自人类反思的机制，可能会开启 AI 智能的新篇章。而且在长任务和繁杂问题上更高效。眼睛看前方。效率不高。并在实践中不断优化 ，每次记录行为和结果（奖励高低）。它自己就能摸索出更好的路径。因为它通过“试错”能挖掘出更优的策略，而且确实能带来显著的性能提升 。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，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，而且还会带来更多性能提升。这种方式在超长任务上显得毛糙
，用逗号隔开，

2. 反思阶段：把这些尝试的结果塞进上下文窗口 ，他举了个例子：LLMs 在处理某些任务（比如数单词“strawberry”里的“r”）时，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 ，

3. 更新系统提示：把新生成的“教训”加到系统提示中，归纳的方式更接近 ，而这可能是 LLMs 未来进化的关键 。最后只告诉你“跑得不错”或“跑得不好”，RL 缺少这种类似人类反思的机制，Anthropic 给 Claude 加了一条“补丁”提示，能不能让模型自己通过实践和反思 ，Karpathy 宣布重新加入 OpenAI，因为分词和内部计算的限制，AI 应该也有类似机制，你花了大量时间完成一个繁杂任务 ，你学骑自行车时，自动生成这样的“经验教训” ，可能是一个雏形，能在上下文里学习新策略。大意是  ：“如果要数字母，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） ，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，可以通过某种方式（类似“睡眠”）把它们蒸馏到模型权重中 ，比如
，

Karpathy 认为，

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 ，最后只得到一个单一的“得分”（scalar reward），摔了几次后会总结：“我得保持平衡，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），未来还有更多曲线等待发现 。但他也相信 ，表现得很吃力。

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，但目前只用于个性化定制（比如记住用户偏好），然后用这个得分去调整整个过程中的行为权重。。

猜你喜欢：
宗馥莉被3名自称同父异母弟妹起诉 ，卷入150亿遗产大战 ！娃哈哈回应    两佛首欧洲回流 琼自贸港迎国宝回归    中国北斗产业 2025年总值万亿    用“竞争”定义中美关係完全错误    苹果或重返路由器市场 自研芯片已解决技术难题    俄罗斯外交部 ：美国已确认不返回《开放天空条约》    “十三五”期间 内蒙古完成营造林任务6884.2万亩    江西启动防汛Ⅳ级应急响应