摘要：硅谷AI圈最近有个挺有意思的事儿，巨头们都在往大模型里砸钱，OpenAI、GoogleDeepMind这些主儿，几十亿美元扔进去，就为了让模型规模再大一点，好像规模上去了，AI就能变成超级智能似的。

硅谷AI圈最近有个挺有意思的事儿，巨头们都在往大模型里砸钱，OpenAI、GoogleDeepMind这些主儿，几十亿美元扔进去，就为了让模型规模再大一点，好像规模上去了，AI就能变成超级智能似的。

但就在大家都盯着算力的时候，硅谷冒出个叫ThinkingMachinesLab的公司，想法跟巨头们完全不一样。

我刚开始听到“AI不用大模型也能成超级智能”这话，还觉得有点玄乎，但听这家公司的研究员拉斐尔・拉法洛夫掰扯完现有AI的毛病，好像又有点道理。

拉法洛夫在旧金山TEDAI大会上说，第一个超级智能得是“超人的学习者”，能自己适应环境、提理论、做实验，还能不断迭代。

这话直接跟巨头们的“规模至上”对着干了。

OpenAI、GoogleDeepMind这些巨头的思路，其实挺好理解的过去几年，大模型确实越做越强，GPT系列、DeepMind的AlphaFold，都是靠规模堆出来的。

2024年有份AI行业报告里说，OpenAI搞GPT-5的时候，算力投入比GPT-4还多3倍。

这种“越大越好”的想法，在AI圈里一度没人敢质疑，但ThinkingMachinesLab偏不这么想。

这家公司是前OpenAI首席技术官米拉・穆拉蒂联合搞的，去年刚拿到20亿种子轮融资，估值直接冲到120亿，这在AI初创公司里算是个奇迹了。

米拉・穆拉蒂的名头肯定帮了不少忙，毕竟她在OpenAI搞过GPT-3、GPT-4，业内没人不认识，资本愿意信她，也正常。

拉法洛夫最戳中我的一点，是他敢说现有AI的“坏话”。

他说现在最牛的AI编码助手，每天都跟“第一天上班”似的，昨天学的东西今天就忘，处理不确定代码的时候，总用try/except块凑数，跟用胶带补破洞似的，只顾着眼前能用，不管长远。

这话真没说错，我之前跟做编程的朋友聊，他也吐槽过AI助手“记不住事”，写个复杂代码还得反复提醒，不然就跑偏。

本来想，AI只要规模够大，总能慢慢解决“忘事”的问题吧？但后来发现，拉法洛夫说的不是规模的事，是学习方式的事。

他说“学习是聪明人会做的事情，训练是我们现在正在做的事情”，这话一下子点透了现在的AI只是在“训练”，不是在“学习”。

这家公司想搞的“元学习”，就是让AI“学习如何学习”。

简单说，就是不让AI只盯着单个问题解，而是让它像学生一样，从课本里一点点积累知识，慢慢学会自己迁移知识。

比如给AI一本研究生水平的教科书，让它逐章学，从基础题练起，跟我们上学时的节奏差不多。

拉法洛夫还举了拓扑学的例子，说数学家搞拓扑学，不是为了解决欧几里得几何的某个题，是觉得这门学问本身重要。

AI的学习也该这样，不能为了解题而解题，得积累真正有用的抽象概念。

这个思路挺反常规的，毕竟现在AI圈都在比谁的模型能解更难的题，没人想着让AI先“打好基础”。

更有意思的是，拉法洛夫说搞元学习不用新的模型架构，“现有核心架构已经到位，缺的是正确的数据和目标”。

这话跟行业里的普遍想法不一样，很多人觉得要突破AI瓶颈，必须搞出新架构。

但他觉得问题不在架构，在怎么用就像同样的电脑，有人用来打游戏，有人用来做科研，关键看怎么用，不是电脑本身不行。

虽然元学习的想法听着挺好，但这家公司的日子可不好过。

首先是人才问题，去年10月，联合创始人安德鲁・塔洛克突然离开，回了Meta。

之前《华尔街日报》就报道过，其他科技巨头正拿着高薪挖他们的人，AI圈的人才本来就少，初创公司想留住人太难了。

2024年第三季度有份AI人才报告，说头部公司给顶级研究员的薪资涨了40%，初创公司的人才流失率比前年高了15%。

这么看，ThinkingMachinesLab留不住人，也不是偶然。

毕竟巨头给的钱更多，平台更大，研究员难免会动心。

除了人才，产品落地也是个难题。

去年10月他们推出了个叫Tinker的产品，是个微调开源语言模型的API，说白了就是帮人调模型的工具。

但现在市面上做这个的不少，HuggingFace、AWS都有类似服务，Tinker想杀出重围，还得有点真本事。

拉法洛夫自己也承认，想实现元学习的目标，“得在内存、工程、数据、优化上搞出不少突破”，而且他没说啥时候能搞成AGI，不像有些公司，动不动就说“几年内实现AGI”。

这种不画饼的态度，反而让人觉得更靠谱毕竟AI这行，吹得越狠，越容易翻车。

还有个争议点，拉法洛夫觉得现在的大模型再怎么扩规模，也成不了真AGI。

他说“一两年后现在的编码助手会过时”，但过时不代表变成AGI。

这话戳中了很多人的疑问：大模型确实越来越强，但它们真的在“变智能”，还是只是“记题记得更多”？

我倒觉得，不管元学习最后成不成，这家公司的存在都是好事。

毕竟AI行业不能只走一条路，巨头们追规模，总得有人试试别的方向。

要是所有人都盯着同一条路，万一走不通，整个行业都得绕远路。

现在想想，拉法洛夫对超级智能的定义也挺有意思。

他说超级智能不是“上帝级的推理者”，不是能解所有数学题的机器，而是能自己探索、学习、获取信息的系统，能理解世界、用电脑、做研究、控机器人。

这种“动态”的智能，比“静态”的解题机器，更像我们说的“智能”。

当然，元学习这条路肯定不好走。

内存不够、数据不好找、工程难度大，每一个都是坎。

但要是真能成，AI可能就不是现在这样“记不住事”的助手了，说不定真能变成能自己思考、自己进步的系统。

最后再多说一句，AI行业从来不是“一家独大”的游戏。

巨头有巨头的玩法，初创公司有初创公司的新思路。

ThinkingMachinesLab敢挑战主流，不管最后结果如何，这种勇气都值得佩服。

毕竟，真正的突破，往往都是从“反常规”开始的。

来源：冷秋月一点号