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

6.5内容质量
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

TL;DR · AI 摘要

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。

核心要点

  • 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。

  1. §引言：争议焦点

    Gary Marcus质疑Geoffrey Hinton关于AI可通过自对弈持续进化的观点。

  2. ·Hinton的核心主张

    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。

  3. ·Marcus的反驳逻辑

    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。

  4. ›现实世界的挑战

    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。

#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

Image 3
Image 3

Gary Marcus

@GaryMarcus

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

Image 4
Image 4

Haider.

Image 5
Image 5

@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。”

Image 6
Image 6

2026年5月11日 凌晨4:11

·

浏览量 1,562

8

1

13

1

阅读 8 条回复