在人工智能领域，一种关于“智力浪费”的观点正引起科技界的深思。硅谷知名思想者Dwarkesh Patel在近期发布的一篇深度分析中，提出了一个引人深思的比喻：目前的AI模型就像一位极其聪明的“天才研究生”，实验室为其提供了海量的课堂案例研究，却始终不让他真正参与现实世界的实习。
这种状态引发了行业对于AI发展范式的广泛讨论。当今顶尖的AI模型在部署后的日常推理中，大约有30%到50%的算力消耗，实际上并未转化为模型能力的本质进化。对于开发者而言，当前的AI训练范式正在面临新的瓶颈，通往通用智能（AGI）的关键，正逐渐从单纯的规模扩展转向对“持续学习”能力的探索。
人们常会产生一种困惑：为何AI在编程、数学竞赛等领域表现优异，但在处理如“网购结账”等看似简单的计算机应用任务时，进展却显得相对缓慢？
业内分析指出，问题的核心在于领域是否具备高度的“可磨练性”。
在编程或数学领域，开发者可以定义一个包含特定功能的软件仓库容器，并让上千个AI智能体并行尝试解决问题，这种确定性的环境允许快速纠错与重放。
相比之下，计算机使用等应用场景面临着不同的挑战，例如频繁的操作尝试可能导致账户被封禁，这种环境难以通过简单的规模化克隆来实现。
更深层的挑战在于，人类许多高价值的职业技能具有极高的特异性和稀疏性，例如如何经营一家企业、如何赢得一场复杂的诉讼或选举。这些任务无法仅靠数据中心的模拟来重现，其反馈周期往往长达数月乃至数年，且难以将关键决策与最终结果进行精确分离。
人类学习的本质，在于将观察到的正确直觉和全局知识融入自身的认知结构，也就是“权重”之中。目前，AI领域对于如何实现这一过程仍处于探索阶段。
实现这一过程的关键在于“样本效率”。由于AI在岗位上获得的相关数据相对稀少，如何从这些少量数据中有效学习，成为深度学习范式的核心挑战。架构层面的创新，如稀疏注意力机制或KV缓存压缩，正在被大量研究，但瓶颈可能更多在于损失函数的优化——即如何将一次特定会话中学到的信息转化为模型本身的改进。
针对样本效率问题，目前业界提出了一些值得关注的技术路径，旨在将模型的学习过程从简单的对话推向深度的能力固化。
训练信号更密集：相比于传统的强化学习，自蒸馏可以在模型间的每个token差异上进行训练，从而更高效地提取工作能力相关的知识。
这一方法的核心逻辑在于精准更新：它并不要求模型复述全部过程，而是只针对那些对结果有实质影响的关键环节进行参数改动，从而在吸收新知识的同时，有效保留已有的基础技能。
另一种更具前瞻性的设想被称为“模拟梦想”（Dreaming）。如果AI能够构建高质量的现实模拟器，它就可以在模拟环境中排练新技能或测试不同策略。这种方式虽然目前实现难度极高，但在理论上，它为AI提供了一个全新的扩展维度：即消耗推理时的算力，为特定用户生成高度定制的模拟训练环境。
展望未来几年，AI的进步轨迹可能发生根本性改变。当AI模型在经历了足够的强化学习训练后，能够初步胜任复杂的开放式任务，它们将被广泛部署于真实的经济活动中。
这一过程的理想状态是：当AI与人类协作完成一项任务后，基于人类的评估结果，基础模型能够自动将期间习得的宝贵经验进行总结与蒸馏。通过这种方式，AI的技能边界将不再局限于预训练阶段所涵盖的领域，而是通过在各种工作场景中的“在岗学习”不断扩展。
到那时，模型的发展逻辑将发生逆转：主要的进步将不再仅仅源于发布前的大规模预训练，而是来自于它们在广泛部署后，与全球用户互动、解决无数真实问题的过程中所积累的所有在岗经验。
对于AI而言，每次互动都是一次获取知识的契机，模型能够从其处理的特定任务、做出的修正以及用户反馈中提取并内化经验。这标志着一种由全局用户共同推动的进化范式，虽然其带来的挑战巨大，但也预示着通用智能在真实世界中落地的可能性。
这种持续学习的能力，将使得AI不仅仅是预定义的工具，而是一个能够通过不断参与经济协作、解决具体问题来完善自我的系统。对于这一技术转型，各界也在持续关注其在效率与泛化能力方面的实证表现。
对于这种“在应用中不断迭代”的智能进化方式，您是如何看待的？您认为AI通过这种方式在职场中的深度融入，将如何改变我们未来的工作形态？欢迎在评论区留下您的观点。
热门跟贴