摘要
硅谷著名科技播客主持人 Dwarkesh Patel 最近抛出了一个问题：AI 的下一代训练范式会是什么？ Dwarkesh Patel 是硅谷近几年快速走红的科技播客主持人和写作者，年仅 25 岁，却已经凭借 Dwarkesh Podcast 进入 AI 讨论的核心圈层。他的采访对象包括 Ilya Sutskever、Andrej Karpathy、Dario Amodei、Demis Hassabis、Mark Zuckerberg 等一众 AI 与科技大牛。TIME 曾将他列入 2024 年 TIME100 AI，称他的播客已经成为许多 AI 从业者的重要收听内容。 在最新一期的播客中，他把当下前沿 AI 实验室正在押注的路线总结为一个关键词：RLVR，也就是 Reinforcement Learning with Verifiable Rewards，可验证奖励强化学习。 简单说，就是让模型在大量可以自动判断对错的任务中反复试错，训练出规划、纠错、迭代和长期执行能力。今天代码、数学等领域的快速进展，很大程度上就来自这种思路。 但 Dwarkesh 真正想追问的是：如果下一代 AI 只靠这种「可验证任务训练」，够不够？ 他的答案是：可能不够。 因为一个任务光「可验证」还不够，它还必须「可刷」。 这里的关键概念是grindability，可磨性。放在 AI 训练语境里，是「可反复刷题性」或者「可大规模 rollout 的能力」。 代码任务就是典型的可刷任务。你可以准备一个软件仓库、一个待修复 bug、一个测试用例，然后把同一个环境复制成几千份，让几千个 agent 同时尝试。谁通过测试，谁就得分。这个过程可以并行、可复现、可重置，特别适合 RLVR。 数学题也是类似的。答案对不对可以验证，训练环境也容易复制。 但 Dwarkesh 问了一个很有意思的问题：为什么 AI 在「使用电脑」这件事上，进展反而比代码和数学慢？ 表面上看，电脑使用也是可验证的。比如东西有没有下单成功、活动场地有没有订好、税表有没有提交，这些结果都可以判断。但问题在于，它很难被大规模复制和回放。你不能让一千个 agent 同时去 Amazon 上反复跑同一个结账流程，因为真实网站会识别 bot、封禁账户、改变状态。