Gary Marcus(@GaryMarcus)
Gary Marcus on X: "Really doubt what Hinton says here. Self-play for games like Go is not like the open-ended real world." / X
6.5Score
TL;DR · AI Summary
Gary Marcus质疑Geoffrey Hinton关于AI可通过自对弈持续进化的观点，指出游戏环境与现实世界的开放性存在本质差异。
Key Takeaways
- Hinton认为AlphaZero通过自对弈可生成无限训练数据，但Marcus指出这不适用于开放现实世界。
- 游戏规则封闭、目标明确，而现实世界是开放、动态、不可预测的。
- 当前LLM无法像人类一样在无监督环境中自主发现新问题并解决。
结构提纲
按章节快速跳转。
Gary Marcus质疑Geoffrey Hinton关于AI可通过自对弈持续进化的观点。
Hinton认为AlphaZero等系统能通过自我博弈产生无限训练数据，类比数学中的猜想生成机制。
游戏环境规则固定且目标清晰，而现实世界是开放、动态、不可预测的，两者不可类比。
真实任务需要跨领域理解、因果推理和主动探索能力，远超当前AI的能力边界。
思维导图
用一张图看清主题之间的关系。
查看大纲文本（无障碍 / 无 JS 友好）
- AI 自我进化能力的局限性
- 游戏 vs 现实
- 规则封闭性
- 目标单一性
- 环境可控性
- 当前AI瓶颈
- 缺乏因果推理
- 无法主动探索
- 依赖人类标注数据
金句 / Highlights
值得收藏与分享的关键句。
Self-play for games like Go is not like the open-ended real world.
#AI#机器学习#强化学习#通用人工智能
打开原文Gary Marcus 在 X 上发文：“我真的很怀疑 Hinton 这里说的话。围棋这类游戏的自我对弈，和开放的真实世界并不一样。” / X
别错过正在发生的事
我真的很怀疑 Hinton 这里说的话。围棋这类游戏的自我对弈，和开放的真实世界并不一样。
引用
Haider.
@haider1
·
9小时前
Geoffrey Hinton 表示，当 AI 系统不受人类数据限制时，它们仍能持续改进。例如 AlphaZero 可以通过自我对弈生成无限训练数据，数学领域也提供了类似路径——让模型自动生成并测试自己的猜想。“大型语言模型最终可能做到这一点。”
·
8
1
13
1
阅读 8 条回复