AIToBox WeeklyNews

20260629期：AI在工作中学习将是下一个重大突破[The next big breakthrough will be AIs learning on the job]

Mon, 29 Jun 2026 10:00:00 +0800

🌟 本期头条 (Headline)

AI在工作中学习将是下一个重大突破[The next big breakthrough will be AIs learning on the job] - dwarkesh.com

深度解读

当前AI实验室正押注于一种名为“强化学习验证（RLVR）”的范式：通过在数以百万计的可验证任务和多样化环境中训练AI，使其掌握通用的问题解决能力。这种愿景认为，通过大规模算力投入，AI可以克服数据效率低和持续学习缺失等根本性缺陷。文章的核心观点在于，未来的AGI可能不需要传统的权重更新式“持续学习”，而是通过无限扩展的上下文窗口（Context Window），将“在职培训”直接转化为“上下文内学习”。如果AI能将数月的职业经验塞进上下文，它便能像人类员工一样，在任务中不断迭代并最终胜任复杂工作。

然而，文章也敏锐地指出了这一路径的“天花板”：可验证性（Verifiability）与可磨练性（Grindability）。目前的AI进步高度依赖于可重复、可并行化的模拟环境（如代码编写），但现实世界中的许多任务（如政治博弈、商业决策）是不可重置、非平稳且稀疏的。这些领域无法通过简单的“数据中心模拟”来完成数千次并行训练。如果AI无法在缺乏反馈的真实世界中通过少量交互实现高效学习，那么仅靠实验室内的RLVR训练，可能无法真正跨越从“白领任务执行者”到“开创性决策者”的鸿沟。作者通过对Dario Amodei观点的引用，暗示了短视界训练可能无法自然外推至长视界表现。这引发了一个深层的行业反思：当算力投入达到万亿级别时，我们究竟是在构建一个全能的智能体，还是仅仅在堆砌一个在特定沙盒内表现优异的“特化模型”？这不仅是技术路线的博弈，更是对AGI本质定义的一次深刻拷问。

核心摘录 (Core Highlights)

EN: The people optimistic about this vision would say that anything we might consider a fundamental deficits with the current learning paradigm—for example, data inefficiency and lack of continual learning—can be steamrolled by just scaling training more, just as all the supposed “fundamental” research problems in natural language processing collapsed against the flood of compute thrown into LLMs.

ZH: 对这一愿景持乐观态度的人会说，我们认为当前学习范式中存在的任何根本性缺陷——例如数据效率低下和缺乏持续学习——都可以通过进一步扩大训练规模来碾压，正如自然语言处理中所有所谓的“根本性”研究问题，在投入大语言模型的算力洪流面前都迎刃而解了一样。

EN: If AIs are to develop all the skills that humans have, and even skills that no humans have, then they need to be able to learn from information revealed in unstructured, unverifiable, and ambiguous ways from scarce amounts of real world interaction.

ZH: 如果AI要发展出人类所拥有的全部技能，甚至人类尚未掌握的技能，那么它们就需要能够从极少量的现实世界交互中，通过非结构化、不可验证且模糊的方式获取信息并进行学习。

AI资讯

1. 货物崇拜[Cargo Culture]

2. 即将到来的循环[The Coming Loop]

3. 将Moebius 0.2B图像修复模型移植到浏览器运行[Porting the Moebius 0.2B image inpainting model to run in the browser with Claude Code]

4. Windows Runtime 活动的取消是异步的[Cancellation of Windows Runtime activities is asynchronous]

5. 没有人能逃脱永久下层阶级[No-One Escapes the Permanent Underclass]

6. 关于角色混淆的思考[Thoughts on Role Confusion]

7. AI 推理显然是盈利的[AI inference is obviously profitable]

8. 生成式 AI 失去魔力之月[The month Generative AI lost its mojo]

9. OpenAI 发布 GPT-5.6 系列模型但受限于政府监管[OpenAI Announces, But Is Blocked From Releasing, New GPT-5.6 Models]

10. 生成式 AI 的“泡沫消退”[The Generative AI Fizzle™]

11. 提示词注入即角色混淆[Prompt Injection as Role Confusion]

12. 中国正在追赶[China catches up]

13. 所有中国 AI 模型都将面临非法化风险[All Chinese Models Will Be Illegal in 3... 2... 1...]

14. 白宫允许百余家美国机构访问 Anthropic 的 Mythos 模型，但 Fable 模型仍处于关闭状态[White House Grants Access to Anthropic’s Mythos Model to 100+ U.S. Institutions; Fable Still Shut Down]

15. 引用 OpenAI [Quoting OpenAI]

16. 越狱并非盗窃[Jailbreaking isn't theft]

17. 停用包管理器[Sunsetting a Package Manager]

18. 引用迪恩·W·鲍尔[Quoting Dean W. Ball]

19. 泡沫笔记第一卷[Notes From The Bubble, Volume 1]

20. 引用汤姆·麦克赖特[Quoting Tom MacWright]

21. 眨眼证明你是人类[Blink if you’re human]

22. AI 与法律责任[AI and Liability]

23. Windows 98 于 1998 年 6 月 25 日正式发布[Windows 98 shipped June 25, 1998]

24. 事故报告：CVE-2026-LGTM[Incident Report: CVE-2026-LGTM]

25. 纪念那位为文字添加红绿波浪线的人[In memory of the man who put red and green squiggles under words]

26. 临界状态[Liminality]

AI服务

27. Microspeak 详解：Escrow 不就是换个名字的发布候选版（Release Candidate）吗？[Microspeak elaborated: Isn’t escrow just a release candidate by another name?]

28. Grok 是一款生成式色情应用[Grok Is a Generative Porno App]

29. 我们将如何打赢针对大型 AI 公司的平台战争[How we’ll fight the platform war against Big AI]

往期推荐

20260621期：Exclusive: OpenAI Losses Increased Nearly 8X in 2025, With Spending Hitting $34 Billion

Sun, 21 Jun 2026 10:00:00 +0800

🌟 本期头条 (Headline)

Exclusive: OpenAI Losses Increased Nearly 8X in 2025, With Spending Hitting $34 Billion - wheresyoured.at

深度解读

本期头条披露的OpenAI 2025年财务数据，无异于在狂热的AI资本市场投下了一枚深水炸弹。数据显示，OpenAI的年度亏损额从2024年的50.9亿美元激增至2025年的385.3亿美元，亏损规模扩大近8倍。这一数字不仅远超市场预期，更将AI行业的“烧钱”竞赛推向了前所未有的高度。从财务结构看，OpenAI的研发支出高达191.8亿美元，而支付给微软的各类费用总计达172亿美元，这揭示了一个残酷的现实：OpenAI目前本质上是微软云基础设施的“超级租户”，其收入增长虽然显著，但远不足以覆盖庞大的算力折旧与模型训练成本。

此次亏损的激增，部分源于公司从非营利组织向营利性实体的转型，导致了巨额的股权与可转换权益调整。然而，剔除这些会计层面的账面波动，其核心运营亏损依然高达209.2亿美元。这一数据引发了行业对AI商业模式可持续性的深度质疑：当算力成本与研发投入呈指数级增长，而营收增速却难以同步匹配时，OpenAI是否正陷入一场“规模不经济”的陷阱？

对于整个科技行业而言，这份财报标志着AI泡沫化风险的加剧。OpenAI作为行业领头羊，其财务状况是整个大模型生态的晴雨表。如果连拥有顶级融资能力的OpenAI都面临如此惊人的现金消耗，那么其他处于追赶地位的AI初创公司将面临更严峻的融资寒冬。未来，投资者将不再仅仅关注模型参数的迭代，而是会更苛刻地审视AI企业的单位经济效益（Unit Economics）。这场由算力驱动的“军备竞赛”，正在从技术比拼转向资本耐力测试，而OpenAI能否在现金流耗尽前实现盈利，将决定这一轮AI浪潮的最终走向。

核心摘录 (Core Highlights)

EN: OpenAI’s financial statements tell the story of a company with incredible losses. Revenue: $3.7 billion Cost of Revenue: $2.65 billion Research and Development: $7.81 billion Sales and Marketing: $1.11 billion General and Administrative: $907 Million Total Costs and Expenses: $12.48 billion Loss from Operations: $8.78 billion.

ZH: OpenAI的财务报表讲述了一家亏损惊人的公司。营收为37亿美元，营收成本为26.5亿美元，研发费用为78.1亿美元，销售与营销费用为11.1亿美元，一般及行政费用为9.07亿美元。总成本与费用为124.8亿美元，运营亏损为87.8亿美元。

EN: The financial condition of OpenAI is deeply concerning. $38.53 billion in losses are astronomical, and far higher than most believed it would be. Losses also appear to be mounting year-over-year at a dramatic rate, and I’m not sure how this company finds a way toward any kind of sustainability or profitability.

ZH: OpenAI的财务状况令人深感担忧。385.3亿美元的亏损额是天文数字，远高于大多数人的预期。亏损似乎正以惊人的速度逐年攀升，我不确定这家公司如何才能找到通往可持续发展或盈利的路径。