下一个重大突破将是AI在工作中学习
各大AI实验室正在丢弃最有价值的数据——让AI在工作中学习的经验。真正的突破可能不是来自更多的训练数据或更大的模型，而是来自AI在现实任务中边做边学的能力。这种"在岗学习"范式有望解锁AI的真正潜力。
背景速读
- 文章的核心观点是：AI实验室正在浪费最有价值的数据——AI在实际工作场景中产生的交互数据。作者认为，当前主流做法（用人类编写的静态数据集训练模型）正在接近天花板，而真正的突破将来自AI"在工作中学习"（on-the-job learning），即AI系统在执行真实任务时收集反馈并持续改进。
- "范式转换"（paradigm shift）是科技讨论中的常用概念，指行业底层逻辑的根本改变。作者认为下一个AI范式不是更大的模型或更多的静态数据，而是让AI像人类一样在工作中边做边学。
- Dwarkesh Patel 是一位关注AI、科技与经济的独立写作者和播客主持人，其通讯在硅谷和AI圈有一定影响力。他的文章常讨论前沿AI趋势，本文延续了他对"scaling laws（规模定律）是否已触及瓶颈"这一辩论的参与。
- 文章提到的"最有价值的数据"特指AI系统部署后产生的反馈数据（如代码补全是否被接受、对话是否被用户纠正），这些数据目前大多被丢弃，而作者认为它们正是推动下一代AI突破的关键。
- 这一论点与当前AI行业的两大趋势相关：一是"scaling laws"（认为模型能力随计算量和数据量增长而提升）是否已进入收益递减阶段；二是"agentic AI"（能自主执行任务的AI系统）正在成为行业新热点。