◆ The Learning Grove 林间拾穗

标签：agi

  • 模型在 AGI 基准 ARC-AGI-3 上拿到满分，出题人却说这不算数 yage.ai
    MIT的VISTA与英伟达的AVO在ARC-AGI-3公开测试中均获满分，但出题人指出这是针对已知题目的工程过拟合。文章分析表明，满分主要归功于外围脚手架而非模型自身，揭示了当前AI基准测试在衡量通用智能时的局限性。
  • 重构谷歌：皮查伊谈 AI 战略、组织架构与通向 AGI 的路径 Best Partners TV
    《The Verge》主编尼莱·帕特尔专访谷歌 CEO 桑达尔·皮查伊。对话深入探讨了谷歌的组织架构重组、AI 优先战略、Gemini 的整合、AI 搜索的未来个性化挑战、公众对 AI 的焦虑及能源/就业议题，并就通向 AGI 的路径及其重要性达成共识。
  • AI的终局尚未到来：亚历山大·王谈Meta AI的战略布局与愿景 Best Partners TV
    在入职Meta近一年后，数据标注巨头Scale AI创始人亚历山大·王首次公开访谈，披露了Meta超级智能实验室（MSL）的内部架构、Muse Spark的技术逻辑、对AI终局的判断，以及扎克伯格押注AI背后的战略深意。
  • Demis Hassabis：AGI 还缺什么，智能体到底行不行，下一个科学突破长什么样 | 宝玉的分享 baoyu.io
    本文基于 Demis Hassabis 的观点，探讨了 AGI 的进展与挑战，指出当前 AI 范式可能仍需持续学习、长程推理和记忆等方面的突破。Hassabis 强调了 AI 在科学发现（如 AlphaFold）中的潜力，并为深科技创业者提供了建议，包括将 AGI 时间线纳入商业计划，以及通用模型与专用 AI 工具结合的未来架构。
  • AGI还要多久？一个国际知名 AI KOL 的真实困惑 · 乔木博客 向阳乔木
    Dwarkesh Patel argues that continuous learning is the key bottleneck for AGI, not raw intelligence. Current LLMs fail to learn persistently like humans, hindering their ability to become true long-term employees. While reasoning capabilities are improving, the lack of adaptive learning prevents AI from automating many white-collar jobs. He predicts significant AI capabilities by 2028 and true continuous learning by 2032, emphasizing that solving continuous learning could lead to rapid AGI development.
  • OpenAI联创亲述：Sam Altman被开除的那个周五晚上 · 乔木博客 向阳乔木
    文章详细讲述了OpenAI联合创始人Greg Brockman亲述Sam Altman被解雇事件的始末，包括员工起义、Altman回归以及OpenAI的技术哲学（如预测下一个词、迭代部署）。文中探讨了计算资源作为新石油的重要性，并提出了个人AGI（代理而非工具）的愿景，强调“Agency”将成为未来核心技能。文章揭示了AGI治理的复杂性，并指出AGI时代已来临，人类需要做好准备。
  • OpenAI首席科学家解读AGI蓝图：Codex进化、数理驱动与未来人机交互 Best Partners TV
    OpenAI首席科学家Jakub Pachocki深入剖析了公司在AGI（通用人工智能）研发策略、时间表及技术进展。访谈重点包括Codex模型作为核心生产力的爆发式进化、数学与物理研究在AI发展中的北极星作用、强化学习在通用领域的拓展潜力、以及AI与人类协作的终极形态。Pachocki还分享了OpenAI的算力分配逻辑、AI安全的核心技术（如思维链监测），并展望了AI在科研、产业和社会治理领域的深远影响，预示着研究实习生级AI、全自动AI研究员及实体智能机器人将在未来几年内落地。
  • AI正加速起飞：OpenAI总裁Greg Brockman的深度访谈 Best Partners TV
    本次访谈聚焦OpenAI总裁Greg Brockman对人工智能（AI）的洞察。他认为AGI已完成70%-80%，并强调OpenAI的统一GPT架构战略，将图像、语音等多模态能力整合。Sora项目暂缓，转向一款颠覆性超级应用，以应对算力限制和知识工作AI的爆发。新模型Spud预示着AI能力的飞跃，自动化AI研究员将加速AI自我进化。Brockman也谈及AI安全、就业影响、数据中心投资逻辑，并建议个人深入理解AI、培养主体操控感，明确自身目标，拥抱AI驱动的未来。
  • OpenAI 总裁 Greg Brockman：AI 自我改进、Super App 豪赌、通往 AGI 之路、算力扩张 | 宝玉的分享 baoyu.io
    本文深度剖析 OpenAI 总裁 Greg Brockman 对 AI 自我改进、Sora 砍线原因、Super App 愿景（整合 ChatGPT、Codex）、AGI 路线及算力扩张的解读。文章审视了 OpenAI 面临的产品竞争、表达困境与规模风险，探讨了技术选择、市场博弈及 AGI 的定义与进展，揭示了其在巨额融资背后的战略考量。
  • 吴恩达：AGI的现实与未来——拨开AI行业的迷雾 Best Partners TV
    吴恩达深入剖析2026年AI行业现状，质疑AGI定义，提出Turing-AGI Test，探讨Agentic AI、Scaling Laws及持续学习瓶颈。他警告过度炒作将引发泡沫，并强调AI增强而非替代人类，呼吁教育改革与开源发展。
  • “AI的未来与人类的责任：本吉奥谈风险、AGI与生存之道” Best Partners TV
    “约书亚·本吉奥分享了他从学者到行动主义者的转变，探讨了AI失控的两大风险源：模仿人类本能和策略规划能力。他将AGI视为能力谱，强调AI自主研发是关键临界点。 Bengio分析了AI对就业和教育的影响，指出情感连接类职业的重要性，并提出应对建议。他呼吁人类积极引导AI发展，确保技术服务于人类福祉。”
  • Greg Brockman（OpenAI 联合创始人）把“那场宫斗”讲完整了：董事会、请愿书、马斯克与控制权 | 宝玉的分享 baoyu.io
    本文详细记录了 OpenAI 联合创始人 Greg Brockman 的深度访谈，聚焦内部权力斗争、员工团结及为 AI 使命付出的牺牲。Brockman 探讨了 AI 规模化挑战、算力稀缺性及未来地位，介绍了 GPT 模型飞跃及“Agent-first”理念。他还回顾了 OpenAI 早期、与马斯克的谈判，并反思了智能本质与冲突管理。文章揭示了 AI 发展与社会适应间的议题，强调了韧性与自我赋权。
  • 哈萨比斯与DeepMind崛起：在科学理想与失控的AI竞赛之间 硅谷101播客
    本期访谈深入探讨了DeepMind创始人德米斯·哈萨比斯的传奇经历，从国际象棋神童到诺贝尔奖得主。对话解析了DeepMind在谷歌体系内的博弈、与OpenAI的竞争，以及哈萨比斯如何利用AI破解科学难题。同时探讨了在AGI浪潮下，这位“AI之脑”如何在科学探索与技术失控的矛盾中寻找平衡。
  • 世界模型：AGI的关键拼图与AI的未来图景 Best Partners TV
    本文深入探讨了DeepMind资深研究员达尼贾尔·哈夫纳关于世界模型的观点，阐述了其作为实现通用人工智能（AGI）的关键技术。文章详细介绍了DeepMind在世界模型领域的三条主要研究路线（Genie, Veo, Dreamer），并分析了Dreamer系列模型在在线与离线学习上的突破。同时，探讨了AGI实现的关键因素（计算资源、目标函数、数据、算法细节），AI模型的多模态融合趋势，以及长上下文理解、超越人类推理等核心能力缺口。此外，还讨论了上下文学习的局限性、神经科学的启发、视频模型Scaling Laws的巨大潜力，以及世界模型在机器人领域的颠覆性影响和对大模型幻觉问题的解释。
  • AI时代：效率、公平与权力重构的未来图景 夸克说
    本期节目探讨了AI时代社会发展的两种极端预测：共产主义的物质极大丰富与贫富差距加剧的悲观前景。通过批判刘慈欣小说《赡养人类》中的“中产者”概念，指出其滑坡谬误，并强调现代文明在追求效率的同时，更注重公平与社会福利。节目深入分析了AI对就业的颠覆性影响，认为全民基本收入（UBI）将成为民主国家的必然选择。同时，警示在非民主国家，AI国有化可能导致终极独裁者的出现，带来极端的人道危机。最终，节目呼吁在技术进步中平衡效率与公平，并思考人类在生存压力解除后的生命意义。
  • 翁嘉译：从清华到OpenAI，RL Infra与AGI之路 WhynotTV
    本期访谈嘉宾翁嘉译分享了他在清华、CMU的求学经历，以及在OpenAI参与ChatGPT、GPT-4o等核心模型研发的经验。他强调打破信息差，热衷开源项目如“天授”和“退学Online”，并将工程能力置于学术研究之上。翁嘉译深度剖析了OpenAI的团队文化、组织架构和技术挑战，讨论了强化学习、后训练基础设施的重要性，以及对AGI、确定论和未来AI发展的独到见解。
  • 中国AI能否领跑全球：大模型、AGI范式与Agent战略深度解析 Best Partners TV
    本次AGI Next峰会汇聚中国顶尖AI专家，深入探讨大模型分化路径（To C/To B、垂直整合/分层）、AGI新范式（自主学习、主动性）、Agent战略（生产力、具身智能）及中国AI的全球竞争力。专家们分析了算力、市场成熟度、研究文化等挑战，并展望了应用创新与软硬结合的机遇，为中国AI的未来发展描绘蓝图。
  • DeepMind创始人谢恩·莱格：AGI的锯齿状边界与2028年终极预测 Best Partners TV
    本文深度解析了Google DeepMind联合创始人谢恩·莱格（Shane Legg）关于通用人工智能（AGI）的核心观点。文章从AGI的“最小化定义”出发，阐述了当前AI能力不均衡的“锯齿状边界”现象，并引入心理学“系统1与系统2”理论，解释了从静态工具向动态Agent进化的技术路径。莱格重申了其关于2028年实现AGI的预测，并探讨了基于“思维链”监控的安全对齐策略，以及AGI作为“思维工业革命”将带来的社会丰饶与结构性挑战。
  • 【人工智能】GPT-6明年Q1发布？| OpenAI战略大转向 | AI Agent | 算力战争 | AI硬件 | AGI终局 | 红色警报已拉响 Best Partners TV
    本次访谈深入探讨了OpenAI的战略重心转移至企业市场，GPT-5.2等新模型的显著能力跃升，以及对AI Agent、硬件、算力需求、AGI定义和未来就业的展望。Sam Altman强调了AI在科学发现和企业服务中的巨大潜力，并阐述了OpenAI在技术前沿、产品生态和市场地位上的自信。
  • AI 进化困境：从强化学习到类人智能的漫长征途 Dwarkesh Patel
    该文深入探讨了当前AI发展中的核心困境：为何在AGI（通用人工智能）接近之时，大规模强化学习（RL）的投入依然备受争议？作者通过对比人类与AI的学习机制，指出当前模型在泛化能力和即时学习上的短板，并质疑了预训练特定技能的长期有效性。文章强调，真正的AI飞跃将源于类人智能的共享学习与持续进化能力，而非简单的模型规模堆叠。作者预测，AGI的实现将是一个渐进过程，核心驱动力在于突破性的持续学习范式，而非短期内的模型技术突破。
  • Yann LeCun 批判硅谷AI路径：世界模型是未来，AGI是胡扯 Best Partners TV
    图灵奖得主Yann LeCun批判当前硅谷主流AI发展路径，认为扩大大语言模型规模是死胡同，AGI概念站不住脚。他离开Meta创办AMI公司，押注以认知与感知优先的世界模型技术路线。LeCun强调AI应具备理解和预测世界的能力，而非仅记忆和复述，并指出安全应与发展同步，目标驱动架构是关键。他预测，达到狗水平智能需5-10年，人类水平智能则更久。
  • Evo-Memory：AI的进化记忆与自我学习新篇章 Best Partners TV
    本文深入解析Google DeepMind的重磅论文《Evo-Memory》，探讨当前AI在记忆与经验复用上的短板。文章介绍了Evo-Memory基准测试和ReMem框架，该框架通过引入‘反思性记忆’和‘记忆优化’机制，使AI能够像人类一样在实战中不断学习和进化，为通往AGI的道路提供了新的工程范式和实验证据。
  • 强化学习：通往通用人工智能（AGI）之路的关键挑战与未来方向 硅谷101
    本次小组讨论深入探讨了强化学习（RL）在推动人工智能发展中的核心作用，特别是其在大型语言模型（LLM）训练中的应用。讨论涵盖了可验证奖励强化学习（RVR）的潜力与局限、人类反馈与可验证奖励的结合、探索算法的重要性、以及分层强化学习和抽象思维在解决复杂任务中的关键作用。专家们还展望了RL在生成新知识和实现通用人工智能（AGI）方面的可能性，并探讨了未来几年RL领域最值得期待的进展，如抽象化和多维度奖励机制。
  • AGI之路：大语言模型的潜力、局限与社会经济影响 a16z
    本播客讨论了人工智能（AI）的未来发展，特别是通用人工智能（AGI）的实现路径、大语言模型（LLM）的当前能力与局限。Adam D'Angelo持乐观态度，认为LLM进展迅速，有望在未来几年内实现远程工作者级别的自动化。Amjad Masad则更为谨慎，强调LLM的“功能性AGI”特性，并指出其对专家数据和人工干预的依赖。对话深入探讨了AI对GDP增长、就业市场、社会文化以及地缘政治的潜在影响，并展望了AI Agent、多模态交互和基础研究的未来。
  • 德米斯·哈萨比斯：AI需真创造力，AGI五年内可期 Best Partners TV
    DeepMind CEO德米斯·哈萨比斯最新专访揭示：AGI五年内有望实现，需1-2个根本性突破；打造“机器人安卓”平台；强调AI需真正创造力，而非仅是技术堆叠。
  • xAI Colossus 2：马斯克的千兆瓦级AI数据中心豪赌与挑战 Best Partners TV
    本文深入分析xAI的Colossus 2项目，探讨其打造全球首个千兆瓦级AI数据中心的策略、面临的能源、资金、人才流失及技术路线争议，以及对AI行业的影响。
  • Sam Altman谈Sora、能源与构建AI帝国 a16z
    Sam Altman在本播客中探讨OpenAI的四重业务模式、Sora对AGI的意义、AI科学家的前景、能源挑战与核能未来，以及AI发展中的文化与商业化思考。
  • 深度解读Sutton访谈：AI学习范式的演进与挑战 Dwarkesh Patel
    本文深入解析了对Richard Sutton“Bitter Lesson”的理解，强调AI应最有效地利用算力。作者反思了当前LLM训练模式的低效和局限，特别是对人类数据的过度依赖，并提出了模仿学习与强化学习（RL）的互补性，以及持续学习对实现AGI的重要性。文章还探讨了LLM能否真正构建世界模型，并展望了未来AI架构的演进方向，认为Sutton的批判指出了模型关键的不足之处。
  • 图灵奖得主理查德·萨顿痛批ChatGPT：AI路线之争与智能的未来 北美王路飞
    图灵奖得主理查德·萨顿对大语言模型提出尖锐批评，认为其是“没有目标的模仿者”，缺乏真正的世界模型，预言其将达扩展极限。他倡导强化学习，强调智能源于经验而非教导，认为Alpha Zero的进化是通向通用人工智能的正确路径，并探讨了AI继承的深远哲学意义。
  • Richard Sutton on Why Large Language Models Are a Dead End for AGI
    A detailed breakdown of Richard Sutton's argument that LLMs are fundamentally flawed for achieving AGI, and his proposed alternative centered on experiential learning, world models, and the lessons from animal intelligence.
  • Richard Sutton：强化学习之父为何认为大型语言模型是死胡同 Dwarkesh Patel
    强化学习（RL）的奠基人之一**Richard Sutton**对当前大型语言模型（LLM）主导的AI范式提出了深刻质疑。他认为LLM缺乏**世界模型**和明确目标，仅通过模仿人类行为学习，而非从真实经验中获取知识。Sutton强调RL作为基础AI的重要性，倡导基于经验的**持续学习**和通用原则。他探讨了“苦涩的教训”在LLM上的应用，并展望了**数字智能**时代AI的演进、知识共享的挑战以及**AI接替**人类的必然性，呼吁以积极心态面对这一宇宙级转变。
  • AI泡沫破灭：聊聊GPT-5的失望与行业的未来 北美王路飞
    探讨AI泡沫破灭的现状，聚焦于GPT-5相较于前代版本令人失望的表现和日益严重的“幻觉”问题。对话深入分析了AI研发的巨额成本、通用人工智能（AGI）的夸大宣传与现实的差距，并展望了行业未来可能转向专用AI模型的发展趋势。
  • DeepMind Genie 3与世界模型：AI理解世界是通往AGI的必经之路 Best Partners TV
    本文探讨DeepMind Genie 3与世界模型，对比其与大语言模型的异同，强调AI理解世界对实现通用人工智能（AGI）的关键作用，并展望全能模型的未来。
  • Anthropic联合创始人Ben Mann：AGI预测、AI安全及人类的未来
    很喜欢Anthropic的team,而不是Sam Altman给人画大饼的宣传。Anthropic联合创始人Ben Mann讨论了通往通用人工智能（AGI）的加速进展（预测为2028年），他为何离开OpenAI共同创立Anthropic并专注于安全，以及人工智能对就业的社会影响。他强调了对齐研究和构建可信赖AI的重要性。
  • 乔治·丘奇谈生物科技的指数级增长、AI融合与未来挑战 Dwarkesh Patel
    本访谈中，**乔治·丘奇**教授深入探讨了生物科技的指数级发展，从基因组计划到**CRISPR**，以及逆转衰老和去灭绝等前沿领域。他预测到2050年，生物技术有望实现寿命“逃逸速度”。访谈还涵盖了基因疗法、合成生物学、生物防御的伦理与风险，以及AI与生物学融合对新材料和药物开发的深远影响。**丘奇**教授强调了遗传咨询的被低估价值，并对**AGI**的安全性表达了谨慎态度，认为科学AI比语言AI更有前景。
  • RL+LLM能否实现AGI？——Sholto Douglas与Trenton Bricken访谈 Dwarkesh Patel
    本期播客中，Anthropic的Sholto Douglas和Trenton Bricken深入探讨了强化学习（RL）在大型语言模型（LLM）中的最新进展及其对通用人工智能（AGI）的潜在影响。他们讨论了可验证奖励在提升模型性能方面的关键作用，特别是在软件工程和数学领域。嘉宾们还分享了对AI智能体在白领工作自动化、模型对齐挑战以及可解释性研究的看法，并对未来几年AI技术的发展路径和对社会经济的深远影响进行了预测。
  • 自动化公司将是什么样子？ Dwarkesh Patel
    本视频探讨了人工智能（AI）驱动的自动化公司与传统人类公司的根本区别。核心观点是AI的数字特性使其能够无限复制，将资本转化为计算能力，进而转化为劳动力，这颠覆了传统的商业模式。文章通过对比人类CEO的局限性与设想中的AI“Mega Steve”的能力，阐述了AI公司在知识传播、学习速度和创新能力上的巨大优势。此外，还讨论了AI公司在演化能力上的飞跃，类比了原核生物与真核生物的复杂性差异，并指出计算能力将成为未来稀缺资源，最终可能导致一家自动化公司主导整个经济体，但市场反馈仍是关键的制衡因素。
  • AGI尚需30年：AI发展、经济增长与未来展望 Dwarkesh Patel
    本播客中，Tamay Besiroglu和Ege Erdil（Mechanize公司创始人）挑战了“智能爆炸”的观点，认为AI发展如同工业革命，需要广泛的互补性创新。他们预测全面远程工作自动化需等到2045年左右，远超硅谷主流预期。讨论深入探讨了计算规模、现实任务的复杂性、莫拉维克悖论以及AI驱动的爆炸性经济增长潜力，强调广泛技术和经济升级而非“纯软件奇点”的重要性。此外，他们还触及了AI企业、中央计划和未来预测的挑战，并分享了对AI研究的独特见解和职业发展建议。
  • AI 2027：月度AI进展预测与智能爆炸探讨 Dwarkesh Patel
    本播客讨论了“AI 2027”情景预测，这是一个关于AI进展、通用人工智能（AGI）和超级智能月度预测。斯科特·亚历山大和丹尼尔·科科塔伊洛阐述了他们的模型，包括智能爆炸动态、AI对齐挑战、地缘政治影响（中美竞赛）以及高级AI对社会的影响。他们还探讨了透明度的重要性和博客的未来。
  • AI智能的本质：从Arc基准到‘暴力破解’的思考 Dwarkesh Patel
    本次讨论探讨了AI模型若能解决Arc基准测试（达到人类80%水平）是否标志着AGI的到来。发言者质疑了基准测试的有效性，认为其可能被规模化数据“作弊”或“暴力破解”。文章深入剖析了智能的本质，将其比作路径寻找算法，并挑战了AI“记忆”与人类“推理”的二元划分，认为两者可能处于同一连续光谱上，且人类学习过程本身也包含大量算法记忆。
  • 大型AI模型为何难解简单谜题？——ARC基准与通用智能的挑战 Dwarkesh Patel
    本期播客深入探讨了大型语言模型（LLMs）在解决复杂问题上的局限性，特别是其在**ARC基准测试**（Abstraction and Reasoning Corpus）中的表现。**François Chollet**（Keras创建者）与**Mike Knoop**（Zapier联合创始人）共同发起了百万美元的**ARC挑战赛**，旨在推动AI研究超越单纯的记忆和模式匹配，实现真正的通用智能（AGI）。讨论强调了LLMs依赖“记忆”而非“即时适应新颖性”的根本区别，并提出了结合深度学习与离散程序合成的混合系统作为通向AGI的潜在路径。
  • AI的未来：国家安全与政府主导的必然性 Dwarkesh Patel
    演讲者 Leopold Aschenbrenner 预测，随着人工智能（AI）技术的飞速发展，特别是通用人工智能（AGI）和人工智能超级智能（ASI）的出现，其最终将不可避免地被国家安全部门掌控，而非仅仅由私营企业主导。他认为，ASI的巨大力量将重塑世界秩序，引发地缘政治竞争，并可能威胁到自由民主。因此，政府的介入和控制将是稳定局势、应对潜在风险的关键，这与核武器的管控历史类似。
  • 2027年通用人工智能、中美超智能竞赛与历史的回归 Dwarkesh Patel
    本次播客探讨了人工智能的快速发展，预测通用人工智能（AGI）将在2027-2028年实现，其驱动力是万亿美元级别的计算集群。讨论深入分析了AGI带来的深远地缘政治影响，特别是中美之间激烈的AI霸权竞争、潜在的智能爆炸以及AI技术扩散和被威权政权滥用的风险。对话还触及了构建大规模AI基础设施的挑战以及提升国家安全意识的必要性。
  • OpenAI 联合创始人 John Schulman 谈 AI 推理、RLHF 与 2027 年 AGI 计划 Dwarkesh Patel
    本次访谈中，OpenAI 联合创始人 **John Schulman** 深入探讨了AI模型的预训练与后训练、大型语言模型未来的能力（如复杂编程项目），以及泛化和样本效率的重要性。他分享了 **ChatGPT** 的诞生历程、**RLHF** 在模型对齐中的关键作用，并讨论了先进AI带来的社会影响，包括开发者间的协调、保持“人类在环”的挑战，以及对AI发展速度和人机协作未来的展望。
  • Mark Zuckerberg 谈 Llama 3、百亿模型、奥古斯都与千兆瓦数据中心 Dwarkesh Patel
    Mark Zuckerberg 在播客中探讨了 Meta AI 的最新进展，包括 Llama 3 模型的发布及其在 Meta AI 助手中的应用。他分享了 Meta 在 AI 基础设施上的巨额投资，以及对未来 AI 发展、AGI 路径、开放源代码策略的看法。Zuckerberg 还讨论了 AI 带来的社会影响，包括潜在风险与缓解措施，并将其与互联网和计算的诞生相提并论，强调了 AI 作为基础性技术的变革潜力。