[智能应用]RLHF已死，RLVR引爆AGI革命！Claude 4核心成员万字对谈 [9P] [复制链接]

新智元报道
编辑：KingHZ
【新智元导读】AI顶流Claude升级了，程序员看了都沉默：不仅能写代码能力更强了，还能连续干活7小时不出大差错！AGI真要来了？这背后到底发生了什么？现在，还有机会加入AI行业吗？如今做哪些准备，才能在未来立足？
在Dwarkesh Patel主持的节目中，Anthropic的Sholto Douglas、Trenton Bricken等人，一起讨论了Claude 4是如何思考的。
三人私交甚好，聊了2小时20多分钟，主要集中在4个话题：
1. 过去一年中人工智能研究的变化；
2. 新的强化学习（RL）体系以及其可扩展性；
3. 如何追踪模型的思考过程；
4. 各国、劳动者和学生应如何为通用人工智能（AGI）做准备。
对于Sholto Douglas的「AI取代人类白领工作」观点，网友纷纷表现出了极大的兴趣。
另外值得一提的是，Sholto Douglas在清华大学交流学习过。

强化学习立新功
过去一年最大的变化是：强化学习（RL）终于在语言模型上真正奏效了。
这一点现在有了明确的证据：如果提供合适的反馈机制，确实找到了某种算法，能让模型表现出接近专家级人类的可靠性与性能。
目前，这种成果最明确地体现在两个领域——
程序设计竞赛（competitive programming）和数学推理。
任务的难度可以分为两个维度来理解：
一个是任务的智力复杂度（intellectual complexity），
另一个是任务所涉及的时间跨度（time horizon）。
现在已经证明，模型确实可以在多个维度上达到人类智能的顶峰。
当然，长期自主表现（long-running agentic performance）还欠佳，但它正在「蹒跚起步」。
预计到今年年底，我们将看到更明确的进展——
语言模型能完成实际工作，就像真正的软件工程师那样。
可验证奖励的强化学习
现在看到的真正限制，其实是：

• 
  
  缺乏上下文信息（lack of context），
  
• 
  
  难以处理复杂的、跨多个文件的变更（multi-file changes），
  
• 
  
  以及任务本身的模糊性或规模不清晰的问题（scope of change/task）。
  

LLM可以处理智力高度复杂的问题，但前提是问题上下文要明确、边界要清晰。
如果任务比较模糊，或者需要在环境中反复探索、试错、迭代，它们就会吃力。
只要你能为模型提供一个良好的「反馈闭环」（feedback loop），它通常就能做得不错；但如果这个闭环不清晰，它就容易「迷路」。
具体而言，就是「可验证奖励的强化学习」（RL from verifiable rewards）。
它的核心是：奖励信号必须是「干净」的，也就是说——它必须准确、明确、客观。
最早语言模型的调优方法是RLHF（Reinforcement Learningfrom Human Feedback，从人类反馈中强化学习），典型的形式是「成对反馈」（pairwise feedback），即：
人类对两段输出打分，告诉模型哪一段更好。
随着训练迭代，模型生成的输出越来越接近人类「想要的答案」。
但问题在于，这种方法并不能真正提升模型在「高难度问题」上的表现，因为人类其实不是很擅长判断「哪个答案更好」。
所以，更理想的是提供一种能客观判断模型输出是否正确的信号。
比如，数学题的正确答案；代码是否通过了单元测试。
这类都是典型的、非常干净的奖励信号（clean reward signal）。
比如说，完成诺奖级研究所涉及的任务，往往具备更多层次的「可验证性」。
相比之下，一部「值得获奖」的小说需要的是审美判断与文学品味，
这些就非常主观，难以量化。
所以模型很可能会更早地在科学研究领域实现「诺奖级突破」，而不是先写出一部能赢得普利策奖的小说。
普利策奖奖章
但至少两位创作者，已经用LLM写出了完整的长篇书稿。
他们都非常擅长为设计文章结构和提示（scaffolding&prompting）。
也就是说，关键不是模型不行，而是你会不会用。
智能体的未来：操作电脑
本质上，「电脑操作智能体」（Computer Use Agent）和「软件工程」智能体没有多大区别。
只要能电脑操作把表示成token输入，LLM就能处理。
模型现在能「看图」，能画图，能理解复杂的概念，这些基本已经实现。
电脑操作唯一的区别是：比数学和编码更难嵌入反馈回路中。
但这只是难度更高，不代表做不到。
而且，大家低估了现在AI实验室到底有多「糙」。
外界以为这些实验室运转得像完美机器，其实完全不是。
这些大模型的开发流程，实则是在巨大的时间压力下仓促构建的。

• 
  
  团队人手严重不足
  
• 
  
  优先级很难排
  
• 
  
  每一步都是在「边干边补」的状态下推进的
  

实验室在疯狂招人、培训人，根本还没轮到把「AI操作电脑」当作重点。
相比之下，「编码」是更有价值、也更容易落地的方向。所以更值得优先集中资源突破。
在软件工程基准测试SWE-bench中，Claude4与其他模型的比较
一旦模型能搞定代码，价值会呈超级指数级释放。 而电脑操作虽然也重要，但优先级自然就排后面了。
还有个被低估的因素：研究员们喜欢研究他们认同的「智能标准」。
为什么是数学、竞赛编程先突破？因为那是他们认可的「聪明」。
他们觉得：「要是模型能在AIME（美国数学竞赛）上赢我，那才是真的强。」
但你让它做Excel报表？无人在乎。
所以现在的局面是： 模型在他们心目中已经够聪明了，但大家还没把精力花在「电脑操作」这块上。
一旦资源倾斜过来，这块进展也不会慢。
Ai2的科学家Nathan Lambert，也认同这种观点：
RLVR没学会新技能，是因为投入的算力不够大。
如果投入算力总量的10%-25%，我猜模型会让人刮目相看。
AGI雏形：LLM
如果未来一两年内，智能体开始上岗，软件工程实现自动，模型的使用价值将呈指数级增长。而这一切的前提，是海量算力的支持。
关键在于推理的算力问题，但这被严重低估了。
目前，全球大约有1000万张H100级别的算力芯片。
Epoch AI估算的GPU算力变化和趋势
有研究估算，一张H100的浮点运算能力，大致相当于一颗人脑。
如果以AGI达到人类推理效率为假设，这意味着今天的地球上，理论上已经能同时运行1000万个AGI。
这个数字到2028年预计将达到1亿张。但即便如此，可能仍不够。
因为人类正以每年2.25到2.5倍的速度扩张算力，但在2028年左右，将迎来上限：晶圆产能的物理瓶颈。
建厂周期很长，一旦触顶，算力增长就会放缓。
再者，有些人认为人类离真正拥有长上下文、一致意图、强多模态能力的AGI还很远。
这正是在「AGI实现速度」上，业内意见分歧的关键所在。
这背后有两个关键认知差异：
第一，业内很多专家认为——要在长上下文推理、多模态理解等方面实现突破，没那么快。
人类级别的推理能力，通常需要算力提升几个数量级才能支撑。
第二，芯片问题，还包括电力、GDP等限制等可能让算力增长停滞，而如果到2028或2030年还没实现AGI，那之后每年的实现概率，也许就会开始大幅下滑。
窗口期，稍纵即逝。
AGI的机会
就AGI实现问题，Leopold Aschenbrenner写了Situational Awareness。
Leopold Aschenbrenner：专注于AGI的投资人，OpenAI超级对齐团队前成员
其中，有个小标题就叫做「This Decade or Bust」，大意为「这十年，不成则废」。
意思是：我们能不能搞定AGI，基本就看这十年了。
长文中对有效算力的预测
未来几年，还可以显著增加训练算力，特别是在强化学习（RL）上。
2025年，RL非常值得关注，因为往里面投入的算力会远超以往。
在RL阶段用，DeepSeek-R1和o1的是差不多的算力，所以年初它们之间差距不大。
但随着时间推移，算力差距会被逐渐放大，带来明显的结果分化。
但DeepSeek不断碰到非常底层的硬件限制，然后思考：
理想条件下，我们想表达的算法是什么？
在现实限制下，我们又能表达什么？
在不断试错中，DeepSeek一步步迭代出更优的「约束兼容解」。
而且最难得的是——
新方案通常非常简洁优雅，再加上超强的工程能力，效果就出来了。
还有一个有意思的地方：他们引入了Meta提出的「multi-token prediction」方法。
Meta当时发过论文，讲的是一次性预测多个token，而不是传统的逐token预测。
论文链接
这一思路挺聪明的。
但奇怪的是，Meta后来并没有把这个方法应用到Llama系列模型里，而DeepSeek却在他们的新模型论文中实现了。
具体原因无人知晓，但这个差异很值得玩味。
LLM孕育AGI
部分人觉得AI发展会很慢，比如说AlphaGo虽然厉害，但它离真正的通用人工智能(AGI)还很远：
你看看AlphaGo，它已经能主动探索，AlphaZero还能泛化到新的视频游戏，看起来拥有了一整套与世界互动的先验能力。
但显然，现在回头看，虽然现在深度学习还在使用其中很多方法，但AlphaZero本质上并不是「AGI雏形」。
所以关键问题是：
为什么LLMs比AlphaZero更接近AGI？
为什么只加一点点训练、注意力或结构调整，就可能达到「类人智能」？
AlphaZero所处的任务环境——双人对战、完全信息游戏
——对强化学习算法太「友好」了。
相比之下，要构建真正类似AGI的系统，你必须搞定的是：

• 
  
  对现实世界的「通用概念理解」
  
• 
  
  对语言的掌握
  
• 
  
  能从真实任务中提取奖励信号，而这些任务往往不像游戏那样容易定义
  

回顾过去十年的AI讨论，有一种传统看法是：
AI是线性尺度：先是「愚蠢的AI」，然后是AGI，最后是ASI（超级智能）。
但模型其实呈现出「锯齿状」特征：
它在某些环境里表现特别好（因为训练数据丰富），在另一些就不行。
那么问题来了：
我们还能把它们称为「通用智能」吗？ 还是说，它们只是「训练在哪就聪明在哪」？
这和GPT-2时代的讨论很像。
当时大家发现：小模型只要在某个任务上做微调（fine-tune），效果就很强。
但到了GPT-4这种规模，用足够多样的数据、足够大的计算量去训练，它就能天然泛化到很多子任务上，而且比那些「专门训练的小模型」泛化得更好。
强化学习现在也在走同样的路径：

• 
  
  一开始模型的能力很「锯齿」
  
• 
  
  但当我们把RL的规模拉大，总算力足够大，就会看到从「专才」向「通才」过渡
  

现在我们已经看到了一些早期迹象，比如模型在推理类任务上的泛化能力，开始显现。
有一个很好的例子是：「回溯能力」的出现（backtracking）。
模型会尝试一条解法，然后「啊这不行」，重新走另一条路径。这种「反思式推理」正是RL训练难题过程中逐步显现出来的。
所以大家总说：「AI只擅长被RL训练过的任务」。
但别忘了，这些任务本身就是语言、科学、编码、心理状态等多种领域的融合。
要做好这件事，AI模型不仅要是个优秀程序员，还得能用语言清晰思考，甚至有点哲学家气质。
而它确实已经在从训练中泛化出这种混合能力了。
这才是我们真正接近「通用智能」的原因。
这并不是说AI一定会做某件事，或一定会朝某个方向发展。
但如果你问：「什么才是真正有经济价值的？」
现在的AI正在学会写代码。
而人类最有价值的能力，可能就是——
成为出色的机器人。
AI取代白领工作
最后回到那个核心问题：AI智能体将开始实际使用电脑，完成白领工作，为什么是未来几年内的事？为什么不是几十年？
关键是：这种未来是不是即将到来？
我们该做的，是构建一个类似SWE-bench的评估系统。
不仅评估软件工程，还要扩展到所有白领工作。
把它们拆解成可衡量的任务，进行跟踪和测量。
比如：你能不能靠互联网赚钱？这是一个非常清晰的奖励信号。
但要做到这一点，需要一整套复杂行为组合。
如果用这种「容易判断的奖励信号」进行预训练，会非常有帮助。
例如：

• 
  
  网站能不能正常运行？
  
• 
  
  页面有没有崩？
  
• 
  
  用户喜欢吗？
  

这些信号都可以用来训练模型。
只要模型能完成这条「长路径」，它就能学到真正有用的能力。
相反，如果一直卡在
「每生成5个token就要给一次奖励」的模式， 训练过程会变得非常慢，效率也很低。
假设能用美国全部电脑的屏幕行为数据，只要预训练一次，就可以设计出完全不同的强化学习任务。
这是理解强化学习的关键思维方式：
只要能拿到最终奖励，长任务反而更容易评估效果。
比起只用互联网上现有的公开数据，这种训练方式会强得多，泛化能力也更好。
接触到的数据越多，设计的训练任务就越丰富。
我们需要构建连续分布的行为数据库。
但这也带来一个问题：
当模型处理的任务越来越长、越来越复杂，它拿到 第一个奖励信号 的时间也会越来越久。
这意味着：每完成一次任务，所需的算力也会显著增加。
所以整体进展的速度，可能会因此变慢。
因为你必须花更多计算资源，才能判断一次任务是否成功。
这个说法直觉上没错。
但别忘了，人类面对困难任务时，非常擅长拆解步骤、重点练习难点。
一旦模型把基础能力打牢，AI也可以像人一样：跳过简单部分，专练最难的环节。
没有捷径，大力出奇迹
没有什么通向AGI的神奇捷径。
你要想搞出真正通用的智能系统，
就必须扩规模、上大模型，愿意为此付出更多计算成本。
这就是「苦涩的教训」，必须接受。
图灵奖得主Richard S. Sutton提出了强化学习的「苦涩的教训」
当然，也不是说无脑堆大。
真正的科学问题是：
什么时候用RL最合适？
因为需要模型不仅能「学」，还能在稀疏奖励下自己「发现要学什么」：
如果模型太小——推理很快，但学不到什么有用的东西；
如果模型太大——学得快，但推理太慢，算力消耗太大，不划算。
所以这其实是一个「帕累托前沿」（Pareto Frontier）问题：
在当前这套模型能力+训练环境下：

• 
  
  哪种模型大小最优？
  
• 
  
  哪个点的学习效率和算力开销最平衡？
  

这就是现在大家都在做的「平衡的科学」。
尤其在强化学习中，模型要生成大量token，才能从中学习并获取反馈。
这部分对推理能力和执行效率的要求非常高。
训练再好，如果推理慢或太贵，也难以落地。
这就是「训练好」≠「实用性好」的现实挑战。
AI之下，迎接未来
那如果你是大学生，或者刚开始职业生涯的人，现在该怎么办？
Sholto Douglas等人建议：
别只押注一个未来。
想象整个「可能世界的光谱」，提前为它们做准备。
最可能发生的情况是：你将拥有远超以往的杠杆能力。
其实，这已经开始了。
很多YC初创公司，已经靠Claude写出大部分代码。
想象一下：

• 
  
  如果你手边有10个工程师听你调度，你会做什么？
  
• 
  
  如果有一家AI公司听命于你，你能解决哪些问题？
  
• 
  
  以前够不着的事，现在突然「能做」了。
  

你要为这样的未来做好准备。
当然，这一切仍然需要技术深度。
也许某一天，AI会在所有领域全面超越人类。但在那之前，还有一个很长的「合作阶段」。
黄仁勋曾说过：「我身边有十万个通用智能， 但我依然有价值。 因为是我在告诉它们目标是什么。」
在未来很多年里，人类仍然非常重要。 只要那一天还没到，你就还有机会和价值。
所以，请做好准备，迎接多个版本的未来。
打破限制，勇于探索
如果真的全被AI取代，那你做什么都无所谓；但在所有其他可能性中，你的选择非常重要。
Sholto Douglas等人给学生的建议是：掌握技术，打好基础：学生物、学计算机、学物理。
更重要的是：认真想清楚，你最想改变世界的是什么？
你可以学，而且比任何时候都容易。

每个人都拥有了「无限完美的私人导师」。
别让你以前的工作方式或专业背景变成束缚。
短期内，需要认真思考：

• 
  
  现在做的哪些事，AI其实可以做得更好？
  
• 
  
  然后去试一试，动手探索。
  

现在还有太多「唾手可得」的效率提升空间。
很多人甚至连完整提示都没写过、没举过几个例子、没把AI接入工作流程，就放弃了。
人类本身就是生物意义上的通用智能。很多有价值的能力是通用的。
你以前学的专业、积累的经验，可能没你以为的那么限制你。
Anthropic的很多员工也不是「AI出身」。
但他们天赋强、动机足、脑子快，来自各个领域，却都能做得很好。
不需要什么「权威机构」的许可，才能进入AI领域。
只要你愿意开始、愿意尝试、愿意申请，你就可以参与，也能为AI做贡献。

根据新智元的报道，AI领域正在经历快速的发展，特别是在强化学习（RL）和大型语言模型（LLM）方面。以下是针对您问题的一些关键点：

1. AI顶流Claude升级：Claude 4的升级使得AI在写代码能力上更强，且能连续工作7小时不出大差错，这表明AI在某些领域已经接近或达到专家级人类的可靠性与性能。

2. 强化学习（RL）的发展：过去一年中，强化学习在语言模型上取得了显著进展，特别是在程序设计竞赛和数学推理领域。模型现在能在多个维度上达到人类智能的顶峰，尽管长期自主表现还有待提高。

3. AGI的准备：对于各国、劳动者和学生来说，为通用人工智能（AGI）做准备意味着要关注AI的最新发展，提升自身的技能，特别是在编程、数据分析和机器学习等领域。

4. AI取代白领工作：Sholto Douglas的观点引发了广泛兴趣，他认为AI将取代人类白领工作。这要求当前和未来的工作者适应技术变革，学习新技能，以保持竞争力。

5. 智能体的未来：随着AI技术的进步，智能体将能够操作电脑，完成白领工作。这需要构建类似SWE-bench的评估系统，不仅评估软件工程，还要扩展到所有白领工作。

6. AGI的机会：Leopold Aschenbrenner在其著作中提出，我们能否实现AGI基本就看这十年。这意味着未来几年将是AI发展的关键时期。

7. AI之下，迎接未来：对于大学生或刚开始职业生涯的人来说，现在是学习AI、机器学习、数据分析等技能的好时机。这些技能将帮助他们在未来的职场中保持竞争力。

综上所述，现在加入AI行业仍然是有机会的。为了在未来立足，重要的是持续学习、适应技术变革，并关注AI领域的最新发展。

“RLHF已死，RLVR引爆AGI革命！Claude 4核心成员万字对谈”内容解读
对谈主要话题
Claude 4核心成员进行了2小时20多分钟的对谈，主要围绕4个话题展开：

过去一年中人工智能研究的变化：过去一年最大的变化是强化学习（RL）终于在语言模型上真正奏效了。若提供合适的反馈机制，能找到某种算法让模型表现出接近专家级人类的可靠性与性能，成果明确体现在程序设计竞赛和数学推理两个领域。
新的强化学习（RL）体系以及其可扩展性：新的强化学习体系核心是可验证奖励的强化学习，强调奖励信号必须“干净”，即准确、明确、客观。最早语言模型调优方法RLHF存在问题，不能真正提升模型在“高难度问题”上的表现，因为人类不擅长判断“哪个答案更好”，而像数学题正确答案、代码通过单元测试这类干净的奖励信号更有利于模型学习。
如何追踪模型的思考过程：文档中未提及此话题的具体讨论内容。
各国、劳动者和学生应如何为通用人工智能（AGI）做准备：文档中未提及此话题的具体讨论内容。
强化学习相关情况
任务难度维度
任务的难度可从两个维度理解，一个是任务的智力复杂度，另一个是任务所涉及的时间跨度。模型在多个维度上能达到人类智能的顶峰，但长期自主表现欠佳，不过正在起步，预计到2025年底会有更明确进展。

可验证奖励的强化学习
LLM可以处理智力高度复杂的问题，但前提是问题上下文要明确、边界要清晰。若任务模糊或需在环境中反复探索、试错、迭代，它们会吃力。关键是为模型提供良好的“反馈闭环”，奖励信号必须准确、明确、客观。例如数学题正确答案、代码通过单元测试等干净的奖励信号对模型学习更有效。相比之下，像完成诺奖级研究这类主观、难以量化的任务，模型在科学研究领域实现“诺奖级突破”可能比写出赢得普利策奖的小说更早。

智能体相关情况
电脑操作智能体与软件工程智能体
本质上，“电脑操作智能体”和“软件工程”智能体区别不大。模型现在能“看图”、画图、理解复杂概念等基本已实现。“编码”是更有价值、也更容易落地的方向，更值得优先集中资源突破。在软件工程基准测试SWE - bench中，若Claude 4能搞定代码，价值会呈超级指数级释放。电脑操作虽然也重要，但优先级相对靠后。目前大家还没把精力花在“电脑操作”上，一旦资源倾斜，进展也不会慢。若未来一两年内，智能体开始上岗，软件工程实现自动，模型的使用价值将呈指数级增长。

实现AGI面临的挑战
实现AGI需要海量算力支持。即便理论上今天地球上能同时运行1000万个AGI，但可能仍不够。面临的挑战包括：业内很多专家认为要在长上下文推理、多模态理解等方面实现突破没那么快；芯片问题、电力、GDP等限制可能让算力增长停滞，若到2028或2030年还没实现AGI，之后每年的实现概率也许会开始大幅下滑