来源：DeepTech深科技
运营/排版：何晨龙
当前，大模型主要通过预训练和后训练获得能力，上线后参数通常不再更新，只能借助上下文、知识库或重新训练适应变化。如何让 AI 在部署后持续学习，正成为行业需要突破的基础问题。
8 月 18 日，红杉资本旗下播客《Training Data》发布了一期围绕 AI 持续学习的对谈，受访者为强化学习奠基人、2024 年图灵奖得主 Rich Sutton。此外，参与访谈的嘉宾还有 Sutton 的前学生、Oak Lab 联合创始人 Khurram Javed，对谈由红杉资本合伙人 Sonya Huang 和 Alfred Lin 主持。
访谈从 Sutton 2019 年发表的《苦涩的教训》谈起，延伸至合成数据、世界模型和持续学习，并讨论智能体如何从真实经验中形成抽象概念。Sutton 认为，部署后便停止改变的模型，还称不上完整的智能系统。大模型虽是重要突破，却主要解决了语言能力，只覆盖智能的一部分。
基于这一判断，Sutton 正将持续学习推进为一条完整的技术路线。就在上个月，，并提出以经验学习、时间抽象和规划为核心的 OaK 架构，希望智能体能从连续经历中实时学习，不断更新认知并改进决策。
“止步不前”的智能
在今天，大模型看起来无所不知，却有一个容易被忽略的特点：它们的大部分能力都在上线前形成，经过预训练和后训练后，模型参数便基本固定。此后即使每天接触大量用户和新信息，也不会像人一样把这些经历转化为新的长期能力。
图｜访谈现场（来源：YouTube）
Sutton 认为，这种静态范式混淆了知识与学习的边界。尽管模型可以记住一段对话，也可以借助外部知识库回答最新问题，但这些都不等于真正的学习。
Oak Lab 要实现持续学习
图｜Oak Lab首页（来源：公司官网）
这也正是 Oak Lab 的核心使命。这家成立于 2026 年 7 月的初创公司，目标是在五到十年内打造出万亿参数规模、运行功耗仅 20 瓦的持续学习心智模型。
参考资料：
1.https://www.youtube.com/watch?v=xH7U7w9Qzlo
2.https://oaklab.ai/mission
热门跟贴