超級智能（Superintelligence）是處于 AGI 之上、甚至通用能力超過人類的更高維 AI 發(fā)展方向。

扎克伯格不惜以一億美金年薪挖角 OpenAI 等競爭對手的動作背后，便暴露了 Meta 等頭部玩家追求“超級智能”的巨大野心。

那么，超級智能將如何實現(xiàn)？現(xiàn)有大語言模型（LLM）的研究路徑是否正確？Scaling Laws 能夠在這一過程中繼續(xù)奏效？

早在 2023 年，OpenAI 首席執(zhí)行官 Sam Altman 便表示，構(gòu)建 AGI 是一個科學問題，而構(gòu)建超級智能卻是一個工程問題。這似乎暗示了他們知道構(gòu)建超級智能的可行路徑。

然而，在 Meta AI 研究員 Jack Morris 看來，Altman 提到超級智能的“工程問題”，在于“構(gòu)建大量適用于不同任務的 RL 環(huán)境，并訓練 LLM 同時處理所有這些任務”。他認為，這一由 OpenAI 等公司當前大力推進的路徑——基于 LLM 的 RL——根本無法構(gòu)建超級智能。

“我謙卑的預測是：LLM 將繼續(xù)在訓練分布內(nèi)的任務上變得更好。隨著我們收集更多類型的任務并進行訓練，這將產(chǎn)生在廣泛任務上越來越有用的 LLM。但它不會成為一個單一的超級智能模型。”

Morris 在一篇題為“Superintelligence, from First Principles”的博客中，探討了構(gòu)建超級智能的 3 種可能方式：完全由監(jiān)督學習（SL）、來自人類驗證者的強化學習（RL）、來自自動驗證器的 RL。

此外，他還認為，將非文本數(shù)據(jù)整合到模型中并不能帶來模型整體性能的提升，“由實際人類撰寫的文本攜帶某種內(nèi)在價值，而我們周圍世界純粹的感官輸入永遠無法具備這種價值。”

學術(shù)頭條在不改變原文大意的情況下，對整體內(nèi)容做了精編，如下：

原文鏈接：

https://blog.jxmo.io/p/superintelligence-from-first-principles

許多人都在討論如何利用當前技術(shù)實現(xiàn)AGI（通用人工智能）或ASI（超級人工智能）。Meta最近宣布，他們正在建立一個秘密的“超級智能”實驗室，投入了數(shù)十億美元的資金。OpenAI、Anthropic和Google DeepMind都以不同方式表達了構(gòu)建超級智能機器的目標。

Sam Altman特別表示，超級智能僅僅是一個工程問題：

這暗示著OpenAI的研究人員知道如何構(gòu)建超級智能，只需要投入時間和精力來建立所需的系統(tǒng)就行了。

作為一名AI研究員，我并不清楚如何構(gòu)建超級智能——我甚至不確定這是否可能。因此，在這篇文章中，我希望深入探討一些細節(jié)，并推測是否有人能夠從第一性原理出發(fā)來嘗試構(gòu)建超級智能。

我們假設(shè)實現(xiàn)這一技術(shù)的基本構(gòu)建模塊已經(jīng)確定：即采用神經(jīng)網(wǎng)絡(luò)作為基礎(chǔ)架構(gòu)，并通過反向傳播算法以及某種形式的機器學習方法對其進行訓練。

我認為架構(gòu)（神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)）并不是最關(guān)鍵的因素。因此，我們將略過有關(guān)架構(gòu)的細節(jié)，并做出一個大膽的假設(shè)：超級智能將采用Transformers構(gòu)建，這是目前在大型數(shù)據(jù)集上訓練這類系統(tǒng)的最流行架構(gòu)。

那么，我們已經(jīng)知道很多：超級智能將是一個Transformers神經(jīng)網(wǎng)絡(luò)，它將通過某種機器學習目標函數(shù)和基于梯度的反向傳播進行訓練。這里仍然有兩個主要的開放性問題。我們使用哪種學習算法，以及使用什么數(shù)據(jù)？

讓我們從數(shù)據(jù)開始。

數(shù)據(jù)：必須是文本

導致ChatGPT誕生的許多重大突破，很大程度上源于對互聯(lián)網(wǎng)上龐大的人類知識寶庫的學習。盡管它的大部分復雜性都被現(xiàn)代工程巧妙地隱藏了起來，但讓我們花點時間試圖弄清楚這一切。

目前最好的系統(tǒng)都依賴于從互聯(lián)網(wǎng)的文本數(shù)據(jù)中學習。截至本文撰寫時（2025年6月），我認為將非文本數(shù)據(jù)整合到模型中并未帶來整體性能的提升。這包括圖像、視頻、音頻以及機器人技術(shù)的超感官數(shù)據(jù)——我們尚不清楚如何利用這些模態(tài)來提升ChatGPT的智能水平。

為什么會這樣呢？這可能只是一個科學或工程挑戰(zhàn)，我們可能沒有采用正確的方法；但也有可能文本本身具有某種特殊性。畢竟，互聯(lián)網(wǎng)上的每一段文本（在LLM出現(xiàn)之前）都是人類思維過程的反映。從某種意義上說，人類撰寫的文本經(jīng)過預處理，具有非常高的信息含量。

相比之下，圖像只是我們周圍世界未經(jīng)人類干預的原始視角。確實有可能，由實際人類撰寫的文本攜帶某種內(nèi)在價值，而我們周圍世界純粹的感官輸入永遠無法具備這種價值。

因此，在有人證明情況相反之前，讓我們假設(shè)只有文本數(shù)據(jù)才是重要的。

那么，我們有多少文本數(shù)據(jù)呢？

下一個問題是，這個數(shù)據(jù)集可能有多大。

許多人已經(jīng)討論過，如果文本數(shù)據(jù)用完了，我們應該如何應對。這種情況被稱為“數(shù)據(jù)墻”或“token危機”，人們已經(jīng)探討了如果我們真的用完了數(shù)據(jù)該怎么辦，以及如何擴展我們的模型。

而這種情況似乎真的正在發(fā)生。許多大型人工智能實驗室的工程師已經(jīng)花費了無數(shù)小時，從網(wǎng)絡(luò)的各個角落刮取每一個有用的文本片段，甚至轉(zhuǎn)錄了數(shù)百萬小時的YouTube視頻，并購買了大量新聞故事來進行訓練。

幸運的是，這里可能還有另一個數(shù)據(jù)源可用（可驗證的環(huán)境！），但我們稍后再討論這個。

學習算法

在上文中，我們發(fā)現(xiàn)了一個重要的原則：通向超級智能的最佳路徑在于文本數(shù)據(jù)。換句話說，AGI很可能就是LLM，或根本不存在。其他一些有前景的領(lǐng)域包括從視頻和機器人技術(shù)中學習，但這些領(lǐng)域似乎都遠未達到在2030年前產(chǎn)生獨立智能系統(tǒng)的水平。它們也需要大量數(shù)據(jù)；從文本中學習自然非常高效。

現(xiàn)在我們必須面對最重要的問題。超級智能的學習算法是什么？

在機器學習領(lǐng)域，從大型數(shù)據(jù)集中學習的基本方法（經(jīng)過驗證）有兩種。一種是SL，即訓練模型以增加某些示例數(shù)據(jù)的概率。另一種是RL，涉及從模型中生成數(shù)據(jù)，并因其采取“良好”行動（由用戶定義的“良好”標準）而給予獎勵。

既然我們了解了這一分類，就清楚任何潛在的超級智能系統(tǒng)都必須通過SL或RL（或兩者結(jié)合）進行訓練。

圖｜楊立昆（Yann LeCun）曾表示他知道通向智能的秘訣。事實上，智能就像一塊蛋糕，而RL只是上面的一小顆櫻桃。

讓我們分別探討這兩種方案。

1.假設(shè)1：超級智能來自SL

還記得2023年嗎？那正是人們開始對scaling laws感到興奮的時候；GPT-4發(fā)布后，人們擔心如果模型繼續(xù)規(guī)模化，可能會變得危險。

圖｜大約在2023年，很多人開始擔心，LLM通過簡單的監(jiān)督學習擴展后，很快會演化為超級智能。

有一段時間，人們普遍認為大量的SL，特別是以“next-token prediction”的形式，可能導致超級智能AI的出現(xiàn)。值得注意的是，Ilya Sutskeve曾發(fā)表過一場演講，指出next-token prediction本質(zhì)上是在學習壓縮“（信息）宇宙”，因為要做好這一點需要模擬所有可能的程序（或者類似的東西）。

我認為他的論點大致如下：

準確的next-token prediction需要對任何人在任何情境下會寫的內(nèi)容進行建模

你對一個人的建模越準確，就越能接近這個人的智能

由于互聯(lián)網(wǎng)包含許多人撰寫的文本，因此在大型文本預訓練數(shù)據(jù)集上進行訓練，就需要準確建模許多人的智能

準確建模許多人的智能就是超級智能

（1）“氛圍”論：我們能否通過模擬人類實現(xiàn)超級智能？

我個人認為，這種邏輯存在一些缺陷，首先，我們似乎已經(jīng)創(chuàng)建了在next-token prediction方面遠超人類水平的系統(tǒng)，但這些系統(tǒng)仍無法展現(xiàn)人類級別的通用智能。某種程度上，我們構(gòu)建的系統(tǒng)雖然學會了我們要求它們學習的內(nèi)容（next-token prediction），卻仍無法完成我們期望它們完成的任務（如不憑空杜撰地回答問題、完美遵循指令等）。

這可能僅僅是機器學習的失敗。我們一直在訓練一個模型，以預測每種情況下的人類平均結(jié)果。這種學習目標鼓勵模型避免給任何一種可能的結(jié)果賦予過低的概率。這種范式常常導致所謂的“模式崩潰”（mode collapse），即模型在預測平均結(jié)果方面非常出色，卻未能學習分布的尾部。

這些問題可能在規(guī)模擴展后消失。擁有數(shù)十億參數(shù)的模型，如Llama，會產(chǎn)生幻覺，但僅有10^9個參數(shù)。當我們訓練擁有10^19個參數(shù)的模型時會發(fā)生什么？或許這足以讓單個LLM獨立給全球80億人類建模，并為每個人提供獨立的數(shù)據(jù)驅(qū)動預測。

（2）Infra論：我們無法擴展模型和數(shù)據(jù)

但事實證明，這已無關(guān)緊要，因為我們可能永遠無法擴展到10^19個參數(shù)（的規(guī)模）。這一假設(shè)基本上源于2022年左右的深度學習學派，他們受語言模型scaling laws的巨大成功驅(qū)動，認為持續(xù)擴展模型和數(shù)據(jù)規(guī)模將實現(xiàn)完美智能。

現(xiàn)在是2025年。這一理論論點仍未被挑戰(zhàn)，scaling laws也一直有效。但事實證明，當規(guī)模超過一定閾值后，擴展模型變得非常困難（而早在2022年，我們已經(jīng)非常接近能夠有效處理的極限）。企業(yè)已經(jīng)遠遠超出了我們用單臺機器能夠做到的范圍——所有最新模型都是在由數(shù)百臺機器組成的巨型網(wǎng)絡(luò)上訓練的。

繼續(xù)將模型規(guī)模擴展到萬億級參數(shù)，正引發(fā)硬件短缺和電力短缺。更大的模型將消耗如此多的電力，以至于無法集中部署于單一地點；企業(yè)正在研究如何將模型訓練分布到多個遙遠的數(shù)據(jù)中心，甚至收購、修復廢棄核電站來訓練下一代更大規(guī)模的AI模型。我們正處于一個瘋狂的時代。

除了模型規(guī)模，我們可能還面臨數(shù)據(jù)不足的問題。沒有人知道每個模型在訓練過程中使用了多少互聯(lián)網(wǎng)數(shù)據(jù)，但可以肯定的是，數(shù)量相當龐大。過去幾年，大型人工智能實驗室投入了巨大的工程努力，從互聯(lián)網(wǎng)文本數(shù)據(jù)中榨取最后一點價值：例如，OpenAI似乎已經(jīng)轉(zhuǎn)錄了整個YouTube，而像Reddit這樣的高質(zhì)量信息網(wǎng)站也被反復抓取。

將模型規(guī)模擴展到超過1000億參數(shù)似乎很困難，同樣，將數(shù)據(jù)規(guī)模擴大到20T tokens以上也很困難。這些因素似乎表明，在未來三到四年內(nèi)，SL的規(guī)模很難再擴展10倍以上——因此，對超級智能的探索可能不得不從其他地方尋找突破口。

2.假設(shè)2：通過結(jié)合SL與RL實現(xiàn)超級智能

也許你認同上述觀點之一：要么我們在很長一段時間內(nèi)都無法將預訓練規(guī)模再提升幾個數(shù)量級，要么即使我們做到了，在預測人類token方面表現(xiàn)得非常出色，也無法構(gòu)建比人類更聰明的系統(tǒng)。

還有另一種方法。RL領(lǐng)域提供了一整套方法，可通過反饋而非僅依賴演示進行學習。

為什么我們需要SL？

RL是非常難的。你可能會好奇，為什么我們不能全程使用RL。從實際角度來看，RL有許多缺點。簡而言之，SL比RL穩(wěn)定且高效得多。一個易于理解的原因是，由于RL通過讓模型生成動作并對其進行評分來工作，一個隨機初始化的模型基本上是糟糕的，所有動作都毫無用處，它必須偶然做好一些事才能獲得任何形式的獎勵。這就是所謂的冷啟動問題，而這只是RL眾多問題中的一個。基于人類數(shù)據(jù)的SL被證明是解決冷啟動問題的有效方法。

讓我們重新梳理RL的范式：模型嘗試各種操作，然后我們告知模型這些操作的表現(xiàn)好壞。這可通過兩種方式實現(xiàn)：要么由人類評估者告知模型表現(xiàn)優(yōu)劣（這大致是典型RLHF的工作原理），要么由自動化系統(tǒng)完成此任務。

3.假設(shè)2A：來自人類驗證者的RL

在此第一種范式下，我們?yōu)槟Ｐ吞峁┗谌祟惖莫剟睢Ｎ覀兿ＭＰ途邆涑壷悄埽虼讼Ｍ麑ζ渖筛咏壷悄埽ㄓ扇祟愒u判）的文本進行獎勵。

實際上，這類數(shù)據(jù)的收集成本極高。典型的RLHF設(shè)置中，需要訓練一個獎勵模型來模擬人類反饋信號。獎勵模型是必要的，因為它們使我們能夠提供遠超實際人類反饋量的反饋。換言之，它們是計算上的輔助工具。我們將把獎勵模型視為工程細節(jié)，暫且忽略它們。

因此，設(shè)想這樣一個世界：我們擁有無限數(shù)量的人類來為LLM標注數(shù)據(jù)，并提供任意獎勵，其中高獎勵意味著模型的輸出更接近超級智能。

圖｜“一千只猴子在一千臺打字機前工作。很快，它們將寫出人類歷史上最偉大的小說。”——伯恩斯先生，《辛普森一家》

忽略所有程序復雜性。假設(shè)這種方法能夠?qū)崿F(xiàn)大規(guī)模應用（盡管目前可能無法實現(xiàn)，但未來或許可行）。這會有效嗎？一個僅通過人類獎勵信號學習的機器，能否沿著智能階梯不斷進步，并最終超越人類？

換個方式問：我們能否“驗證”超級智能的存在，即便我們自己不能生成它？記住，人類從定義上來說不是超級智能。但當我們看到超級智能時，能否識別出它？我們能否以足夠可靠的方式識別，從而為LLM提供有用的梯度信號，使其可以收集大量此類反饋自我提升至超級智能？

有人會指出“生成自然會比驗證更難”。你看一部好電影時就知道它好，但這并不意味著你可以自己去制作一部。這種二分法在機器學習中經(jīng)常出現(xiàn)。區(qū)分貓的照片和狗的照片在計算上要比生成完整的貓容易得多。

同樣地，如果人類能夠驗證超級智能，那么可能可以通過RLHF來訓練一個超級智能模型。以具體例子來說，你可以讓一個LLM撰寫大量小說，根據(jù)人類對“好小說”的定義對其進行獎勵，然后多次重復這個過程，直到你得到一個能夠撰寫小說的超級智能機器。

你是否注意到這種邏輯中存在任何問題？

4.假設(shè)2B：來自自動驗證器的RL

最近，人們對使用類似方法訓練更好的語言模型感到興奮。

當我們讓計算機評估RL算法的階段性性能時，可以使用模型或自動驗證器。對于自動驗證器，可以參考國際象棋或編程場景。我們可以編寫規(guī)則來檢查計算機是否贏得了國際象棋比賽，并在將死對手時給予獎勵。在編程中，我們可以運行單元測試，對編寫符合某些規(guī)格的代碼的計算機給予獎勵。

使用驗證器會更加實用——它將使我們能夠完全去除人類的參與（盡管人類曾用于編寫整個互聯(lián)網(wǎng)）。使用驗證器實現(xiàn)超級智能的方案大致如下：

使用SL在大量互聯(lián)網(wǎng)文本上預訓練一個LLM；

將其接入一個能夠為優(yōu)質(zhì)LLM輸出提供獎勵的驗證系統(tǒng)；

運行很長時間；

實現(xiàn)超級智能。

這個思路靠譜嗎？它真的可行嗎？

眾所周知，DeepMind的AlphaGo通過RL與SL的結(jié)合實現(xiàn)了“圍棋霸主地位”（即擊敗所有人類選手，甚至那些訓練了數(shù)十年的高手）。AlphaGo的第二個版本AlphaGo Zero通過連續(xù)40天與自己對弈來學習。

圖｜2016年，AlphaGo以四勝一負的成績擊敗了當時的人類圍棋冠軍李世石。最初的AlphaGo是通過SL進行訓練的。接下來的AlphaGo版本通過RL進行學習：通過自我對戰(zhàn)數(shù)百萬局進行學習。

需要注意的是，圍棋具有許多現(xiàn)實世界任務所不具備的重要特性，圍棋具有固有的可驗證性。我們可以將圍棋對局輸入到基于規(guī)則的計算機程序中，并獲得一個信號，指示我是否獲勝。從長遠來看，你可以根據(jù)某一步棋對游戲以勝利結(jié)束的概率的影響，判斷這一步棋是否“好”。這基本上就是RL的工作原理。

借助這種可驗證性，AlphaGo 實現(xiàn)了AI實驗室長期以來追求的一個重要目標：AlphaGo 在思考時間更長時表現(xiàn)更佳。語言模型默認無法做到這一點。

但這正是OpenAI去年秋季宣布的突破性成果。他們利用可驗證獎勵強化學習（RLVR）訓練了o1模型，該模型與AlphaGo一樣，能夠通過更長時間的思考產(chǎn)生更優(yōu)的輸出：

圖｜在o1博客文章中，OpenAI介紹了一系列“推理模型”，這些模型通過RLVR進行學習

觀察上方的美麗圖表（注意對數(shù)x軸！），我們可以看到o1的確隨著思考時間的增加而表現(xiàn)更好。但請注意標題：這是在AIME數(shù)據(jù)集上的結(jié)果——AIME是一組極為困難、答案為整數(shù)的數(shù)學題。換言之，這不是開放式任務，而是可驗證的任務，因為我們可以檢查LLM是否生成正確答案，并據(jù)此獎勵模型。

事實證明，當前的LLM在預訓練后能夠很好地處理任意任務，它們可以對AIME問題做出合理的猜測，而我們可以利用RL來訓練它們，使其隨著時間的推移做出越來越好的猜測。（最酷的部分，我們在此不做展開，是它們在這一過程中會生成越來越多的“思考token”，從而為我們提供如上文o1博客文章中所示的測試時計算圖。）

5.RLVR是通向超級智能的路徑？

顯然，OpenAI、谷歌和其他AI實驗室對這種基于LLM的RL非常興奮，并認為這可能為他們帶來超級智能。我認為，這種范式正是Altman在文章最前面模糊推文中提到的內(nèi)容。超級智能的“工程問題”在于構(gòu)建大量適用于不同任務的RL環(huán)境，并訓練LLM同時處理所有這些任務。

讓我們來分析一下這種樂觀的設(shè)想。我們已知的可驗證任務包括編程（可以通過運行代碼來驗證其正確性）以及數(shù)學（不是證明，而是有數(shù)值解的問題）。如果我們能夠收集世界上所有可驗證的事物，并同時對它們進行訓練（或分別訓練，然后進行模型合并）——這真的會產(chǎn)生通用超級智能嗎？

這里存在幾個邏輯跳躍。最重要的是，我們并不清楚RL在可驗證任務上的遷移能力是否能夠有效擴展到其他領(lǐng)域。訓練模型解決數(shù)學問題是否能夠自然地教會它如何預訂機票？或者，在可驗證環(huán)境中訓練模型提升編程能力，是否能使其成為更優(yōu)秀的軟件工程師？

假設(shè)這種情況確實成立，且RL能夠完美遷移到各種任務上。這將產(chǎn)生巨大影響。人工智能公司將展開軍備競賽，爭奪訓練LLM的最豐富、實用且工程設(shè)計精良的任務集。很可能，有多家公司以這種方式推出“超級智能LLM”。

但這種結(jié)果在我看來似乎不太可能。我猜如果RL確實能夠極好地遷移到其他領(lǐng)域，那我們現(xiàn)在應該已經(jīng)知道了。我謙卑的預測是：LLM將繼續(xù)在訓練分布內(nèi)的任務上變得更好。隨著我們收集更多類型的任務并進行訓練，這將產(chǎn)生在廣泛任務上越來越有用的LLM。但它不會成為一個單一的超級智能模型。

整理：小羊 編審：學術(shù)君

原標題：《OpenAI路線遭質(zhì)疑！Meta研究員：根本無法構(gòu)建超級智能》

閱讀原文