Ilya 針對他訪談的內容發推做了澄清和補充： > 訪談裡有個點我沒說清楚，補充一下： > 繼續按現在的方法scale——堆算力、堆數據、堆訓練環境——肯定還會帶來改進。不會停滯，會繼續變好。 > 但是，總會缺點什麼重要的東西。 這是在糾正一個可能的誤解。訪談裡他說了很多「回到研究時代」「當前方法會撞牆」的話，容易讓人以為他在唱衰 scaling law，覺得繼續堆算力、堆數據、堆 RL 訓練會失效。 他說不是這個意思，當前路徑會持續帶來改進，不會停滯。模型會繼續變強，benchmark 會繼續漲，產品會繼續迭代，公司會繼續賺錢。 注意後面的“但是” 有些東西你怎麼scale都得不到。 這就像你在練短跑。繼續訓練，成績還會提高，從12秒提到11秒5，再到11秒，甚至10秒9。這是真實的進步。但如果你的目標是學會飛，那不管你跑多快都沒用，那需要完全不同的能力。 缺的是什麼? 結合訪談內容,這個"重要的缺失"指的應該是: 1. 真正的泛化能力 不是在海量數據訓練後能做很多任務，而是能從很少的經驗中快速學到新東西，並且學到的東西在新場景下也穩定可靠。 2. 高效學習 人類學開車10小時，學編程幾個月就能工作。這種效率，不是靠預訓練海量數據能獲得的。 訪談裡那個“兩個學生”的類比很說明問題。刷一萬小時題的學生確實能繼續提高競賽成績，從前10%到前1%到冠軍，這是真實進步。但他永遠成不了那個只練100小時就顯示出"悟性"的學生。