AGI

代表论点

• 大量核心人类技能（创业、诉讼、交易、政治操作）根本无法构建可磨模拟器，这意味着 RLVR 范式的覆盖范围有根本性边界——在这些领域，模型必须从稀缺、非结构化、模糊的真实世界交互中学习高置信

  Dwarkesh Patel ·《What does the next training paradigm look like?》

  ▶ 4:47 查看出处

  作者列举：从零创业、打赢官司、交易日盈利、赢得选举——这些都需要真实世界交互，外环验证需数月甚至数年，且无法通过扰动行为并行重放来隔离因果。作者将此定性为 RL 已知的「无重置、非稳态环境」问题。

  主题：AGI

• 三层递进的训练范式路线图：预训练创造基础智能 → RLVR 创造能广泛部署的智能体 → 广泛部署为持续学习创造条件——AI 改进将逐渐从「发布前训练」转向「部署后经验积累」高置信

  Dwarkesh Patel ·《What does the next training paradigm look like?》

  ▶ 17:24 查看出处

  作者为 2027-2028 描绘的路线图：RLVR 训练出基础智能体 → 投入真实世界工作 → 上下文窗口扩展到整周协作 → 周末评价反馈 → 蒸馏回权重 → 能力扩展到相邻领域 → 下一轮循环。每一层训练范式（预训练→RLVR→持续学习）都是下一层的前提条件。

  主题：AGI

• 终局图景：AI 改进的主要引擎从实验室训练转向全球部署网络效应——每个用户的每次交互都在让所有人的 AI 变得更聪明，形成前所未有的集体学习飞轮高置信

  Dwarkesh Patel ·《What does the next training paradigm look like?》

  ▶ 19:09 查看出处

  每次交互让 AI 更聪明，不仅因为学习了你的历史会话，还因为学习了全球所有用户交互。作者用「可怕、令人兴奋」来形容这一前景，暗示其社会影响的双面性。

  主题：AGI

• 当前范式存在系统性浪费——推理算力占比巨大却无法反哺训练，而最宝贵的学习信号恰恰在部署中暴露；持续学习（将部署经验压缩回权重）是必须攻克的技术挑战高置信

  Dwarkesh Patel ·《What does the next training paradigm look like?》

  ▶ 7:50 查看出处

  30-50% 算力用于推理但不对模型改进产生贡献；模型在部署中接触到组织特异性隐性知识却无法利用；类比「天才研究生从未被允许实习」。同时指出上下文内学习的快速权重（KV cache）扩展性极差，且并非人类学习方式。

  主题：AGI

• RLVR（可验证奖励的强化学习）是各大实验室通向 AGI 的核心赌注，但其适用性有一个被低估的结构性前提：领域不仅需要可验证，还必须「可磨」——能构建确定性、可重放、可并行 rollout 的模拟器高置信

  Dwarkesh Patel ·《What does the next training paradigm look like?》

  ▶ 2:59 查看出处

  作者通过「计算机使用进展缓慢」这一可观察异常现象切入：该领域可验证性很强（订单是否送达、场地是否预订），但进展远落后于编程和数学。原因在于编程可在容器化环境中并行运行数千个相同起点的 rollout，而计算机使用无法在亚马逊等真实网站上重放（会被封杀）。结论：仅可验证不够，还需要可磨（grindable）——可构建确定性、可重置的模拟器。

  主题：AGI

• OPSD（在策略自蒸馏）是当前最具潜力的持续学习技术——将稀缺真实世界经验中的所有信号挤压为微小而精准的权重更新，兼具 RL 的稀疏优势和监督学习的信号密度中置信

  Dwarkesh Patel ·《What does the next training paradigm look like?》

  ▶ 12:56 查看出处

  OPSD 鼓励基座模型匹配积累了完整会话上下文的「老兵模型」的预测分布，逐 token 提供密集监督信号。优势：(1) 不需外环可验证奖励；(2) 保留 RL 的稀疏更新特性——只修改对结果绝对必要的部分，不覆盖其他知识。对比 SFT 的缺陷：SFT 要求预测所有 token 等同于背诵全天对话。

  主题：AGI

分歧与反方线索

• 终局图景：AI 改进的主要引擎从实验室训练转向全球部署网络效应——每个用户的每次交互都在让所有人的 AI 变得更聪明，形成前所未有的集体学习飞轮

  Dwarkesh Patel ·《What does the next training paradigm look like?》 · ▶ 19:09

  • 反方：跨用户学习引发严重的隐私和竞争问题——企业可能抵制
  • 反方：模型可能从用户交互中学到不良行为或偏见并放大
• OPSD（在策略自蒸馏）是当前最具潜力的持续学习技术——将稀缺真实世界经验中的所有信号挤压为微小而精准的权重更新，兼具 RL 的稀疏优势和监督学习的信号密度

  Dwarkesh Patel ·《What does the next training paradigm look like?》 · ▶ 12:56

  • 反方：OPSD 仍处于早期讨论阶段，尚未在大规模部署中得到验证
  • 反方：老兵模型的能力上限约束了蒸馏效果——如果上下文内学习本身有限，蒸馏也无法突破
• RLVR 泛化能力可能并非无限——Dario Amodei 的言论暗示，短上下文 RL 训练未必泛化到长上下文表现，更遑论从受限环境泛化到开放世界

  Dwarkesh Patel ·《What does the next training paradigm look like?》 · ▶ 6:55

  • 反方：上下文长度泛化和任务分布泛化可能是不同机制，类比不一定成立
  • 反方：足够的规模化可能突破这些限制——Amodei 本人可能也相信规模化能解决
• 「梦想」（Dreaming / Test-Time Training）——AI 自建模拟环境进行排练——若成功，将成为继预训练、RL、推理时计算后的第四扩展轴，极大缓解真实世界数据稀缺问题

  Dwarkesh Patel ·《What does the next training paradigm look like?》 · ▶ 15:32

  • 反方：为复杂现实世界构建有用模拟器本身可能就是 AGI-complete 的问题
  • 反方：模拟与现实之间的分布偏移可能严重限制迁移效果

来源报告

• What does the next training paradigm look like?

  Dwarkesh Patel

  RLVR 规模化是当前通往 AGI 的核心赌注，但「可验证」不等于「可训练」——计算机使用的迟缓揭示了「可磨性」（能并行重放）才是真正前提，而大量人类技能根本不具备此条件。下一范式必须解决持续学习：OPSD 能将稀缺的部署经验蒸馏为精准权重更新，「梦想」则让 AI 自建模拟器排练技能。终局中，AI 进步的主要引擎将从实验室训练转向全球用户的每一次交互——形成令人兴奋又可怕的集体学习飞轮。

常见问题