改变AI认知的一篇文章
我敢说这是今年最值得每个人读的AI blog，让我彻底震撼！

OpenAI researcher 姚顺雨的blog，这里有个趣事，贵清有两个yaoshunyu，一个在Anthropic、一个在OpenAI。
文章非常好，像是某个大佬深夜写的真心话，可惜最近一直比较忙，没时间细写。网上也有不少写的了，我们就写一个普通人能看懂的版本吧。

不再刷榜！大模型的下一个10年：真正创造有用的产品、产生实际价值，催生万亿级别的公司！

1、上半场总结：卷模型、创新算法、刷benchmark

• 历史书中AI发展的里程碑事件，deepblue、AlphaGo、GPT-4和o系列，背后都是算法上的突破：搜索、深度强化学习（deep RL）、scaling和reasoning。
  
• 上半场的游戏规则很简单：
  
  • 谁搞出来的新方法、新模型能在benchmark上刷出新高分，谁就厉害。
    
  • benchmark主要是跑分用的，出不了啥风头。文章举了个例子，ImageNet那么重要的benchmark，引用量还不到AlexNet的三分之一。（不过在科研中还是经常有人看不起 benchmark 的工作，认为只有工作量没有创新性...
    
  • 创建更困难的基准测试，然后继续循环
    
• 也很合理，从零搞出反向传播、CNN、Transformer，需要多强的洞察力、工程能力？相比之下，定义个测试任务好像就简单多了，很多时候就是把人已经在干的事儿（比如翻译、认图、下棋）搬过来，变成AI的考题，技术含量感觉没那么高。
  
  2、转折点：炼丹术突破了，强化学习（RL）终于能打了！可以泛化了
  强化学习有三个关键组件：算法、环境（environment）和先验知识（priors）。之前做RL的人，主要关注算法，对环境和先验知识的关注比较少。但是在 deep RL时代，很明显环境也非常重要：算法性能往往高度依赖于开发和测试环境。
  海量语言预训练(Language Pre-training)：OpenAI最初的计划是先构建通用环境（gym），想把互联网、电脑操作都变成RL环境，然后用牛逼算法去解，数字AGI就成了。听着挺美，但没完全搞定，尤其是在复杂任务（比如上网、操作电脑）上，泛化还是很差。直到GPT-2/3出来，大家才意识到，想把这个RL炼丹完成，缺的是强大的先验知识（通过与RL完全无关的方式获得）！靠预训练把互联网上的常识、语言知识塞给模型，然后再微调（SFT/RL），才能搞出WebGPT、ChatGPT这种能打的模型。
  后来就开始进行Scale阶段了，数据和算力越来越大，这个大家都懂。
  推理与行动（Reasoning and Acting）：这是姚顺雨特别强调的一点，也是我们看懂模型目前阶段的关键。
  要理解一个故事：他当年用GPT-2搞文本游戏，发现模型虽然能学，但需要海量步骤，而且换个游戏就不行了。他的“顿悟”是：人不仅会执行具体动作（开箱子、用剑砍怪），还会思考（这地儿危险，我得找个武器，武器可能在锁着的箱子里，箱子在柜子里………）。这种“思考”或“reasoning”，虽然不直接改变外部世界，但它是一个极其重要的“动作”，能利用预训练模型里的先验知识来泛化。虽然理论上给增加无限的“思考”选项会让决策变得困难，但实际上，因为预训练模型“见过”各种情况下的思考模式，这种“思考”反而能帮助模型更好地选择真正有效的动作。作者的原话大概意思是：“语言通过在agent中进行reasoning来实现泛化”。
  有了强大的语言先验知识 + 把reasoning也当作一种action加入环境 + 足够的规模——作者有点讽刺地说，反倒是RL算法本身，可能成了最不重要的部分。哈哈哈哈，这也是我们一直说的那句：RL，大道至简。
  这跟以前RL研究的重心完全反过来了，真是三十年河东，三十年河西。
  
  3、下半场：别光卷模型了，开始卷“问题定义”和“评估”吧
  这段其实也很简单，我们也一直提了好久了，大家都刷榜，是因为对模型能力缺乏有效的评估手段。
  我们一直的观点是，evaluation是大模型最重要的一部分（可能没有之一），正如那句老话："if you can't measure it,you can't improve it"。
  姚顺雨大神也说了，下半场靠新方法/模型刷分的游戏就快玩不下去了，为啥？
  
• 一来，这套“秘方”越来越标准化、工业化了。上述范式能很好的scale和泛化时，你针对特定任务的新方法可能改进5%，而下一个o系列模型在不明确针对这个任务的情况下改进30%。
  
• 二来，就算你搞出更难的benchmark，用不了多久也会被这套“秘方”给平推了。
  那下半场该做什么呢？姚顺雨觉得我们应该从根本上重新思考评估。这意味着不仅是创建新的、更难的基准测试，而是要开始问“我们到底应该让AI干什么？怎么衡量才算真正的进步？”
  这要求思维方式的转变，得更像个产品经理了（算法研究员和产品经理殊途同归了？:P）
  他举了个例子，AI在各种考试（SAT、IMO、IOI）和游戏（棋类）上都超神了，但感觉现实世界好像没因此发生翻天覆地的变化，很多普通人完全没关注 AI 的发展而且也没受到影响？因为我们的评估方式跟真实世界脱节了。
  因此下半场的真正范式是：
  
• 我们开发新的评估设置或任务，追求现实世界的效用
  
• 我们用现有算法来解决这些新问题（努力提高效用而不是刷榜）