最近这次对话里，Ilya Sutskever 直接把行业节奏改写了。他的判断很简单却很扎心：AI 从“规模化时代”，重新回到“研究时代”。光靠加数据、堆参数、烧算力，已经不够说明一切了，真正的难点又回到了一个老问题：怎么让模型在真实世界里可靠泛化。
第一个冲击，是评测和实战的割裂。今天的大模型在各种 benchmark 上成绩惊人，但一到真实场景就开始“高分低能”：写代码能拿竞赛金牌，修 bug 却在两个错误之间来回反复。Ilya 的解释是，人类研究者在用 RL 把模型往“考高分”方向推，训练组合被评测牵着走，结果演变成一场由人主导的 reward hacking。
第二个关键点，是预训练的天花板。预训练的好处，是不需要精心挑数据，“能抓到的全喂进去”，规模一上去效果就会跟着提升。但人类不是这么学的：十五岁的青少年，见过的样本远少于大模型，却很少犯那种“常识性错误”。情感、价值函数、决策方式，被进化压得很深，学习效率和鲁棒性完全是另一套机制。
第三层转折，是他对“超级智能形态”的想象。与其把 AGI 想成一个一次性训练完毕的“满级大号”，不如把它看成一个超强学习者：像一个超级版的 15 岁学生，被大规模部署到各行各业，在真实任务里持续学习，然后把不同岗位的经验汇总起来。无需科幻式的自我改写，只通过“在岗学习+知识合并”，就能逼近功能上的超级智能。
对创业者来说，这次访谈给出的信号很清晰：接下来几年，真正有价值的突破不再是“谁的模型更大”，而是谁能在三个方向上走得更深：一是提升样本效率和真实环境下的泛化，二是把安全和对齐当成工程问题而不是公关口号，三是敢于在持续学习、在线更新、真实反馈闭环上做艰难的产品设计。
与其再幻想“再大 100 倍会不会自动通关”，不如现在就问自己：你的系统，在真实用户和真实数据面前，能不能学得更快、更稳、更负责任？
#AI #研究时代 #IlyaSutskeve r #SSI #对齐 #泛化 #持续学习 #创业者指南
第一个冲击，是评测和实战的割裂。今天的大模型在各种 benchmark 上成绩惊人，但一到真实场景就开始“高分低能”：写代码能拿竞赛金牌，修 bug 却在两个错误之间来回反复。Ilya 的解释是，人类研究者在用 RL 把模型往“考高分”方向推，训练组合被评测牵着走，结果演变成一场由人主导的 reward hacking。
第二个关键点，是预训练的天花板。预训练的好处，是不需要精心挑数据，“能抓到的全喂进去”，规模一上去效果就会跟着提升。但人类不是这么学的：十五岁的青少年，见过的样本远少于大模型，却很少犯那种“常识性错误”。情感、价值函数、决策方式，被进化压得很深，学习效率和鲁棒性完全是另一套机制。
第三层转折，是他对“超级智能形态”的想象。与其把 AGI 想成一个一次性训练完毕的“满级大号”，不如把它看成一个超强学习者：像一个超级版的 15 岁学生，被大规模部署到各行各业，在真实任务里持续学习，然后把不同岗位的经验汇总起来。无需科幻式的自我改写，只通过“在岗学习+知识合并”，就能逼近功能上的超级智能。
对创业者来说，这次访谈给出的信号很清晰：接下来几年，真正有价值的突破不再是“谁的模型更大”，而是谁能在三个方向上走得更深：一是提升样本效率和真实环境下的泛化，二是把安全和对齐当成工程问题而不是公关口号，三是敢于在持续学习、在线更新、真实反馈闭环上做艰难的产品设计。
与其再幻想“再大 100 倍会不会自动通关”，不如现在就问自己：你的系统，在真实用户和真实数据面前，能不能学得更快、更稳、更负责任？
#AI #研究时代 #IlyaSutskeve r #SSI #对齐 #泛化 #持续学习 #创业者指南
