我方赞好意思我方千句波多野结衣作品种子，不如别东说念主赞好意思你一句。
举例马斯克在播客、推特上不时自称特斯拉的自动驾驶和机器东说念主"天劣等一"，但这样的话看多了，未免也有些审好意思疲顿。不外，前几天，Andrej Karpathy 在 No Priors 播客中现身，显现了特斯拉在 Optimus 东说念主形机器东说念主和自动驾驶领域的一些鲜为东说念主知的进展。
Karpathy 曾奴隶马斯克，从 OpenAI 转战特斯拉，从无到有亲手打造了特斯拉的诡计机视觉团队。
然而，跟着团队缓缓壮大，他的脚色也从技艺各人转为经管者，这与他专注技艺责任的初志相不服。对于 Karpathy 来说，从新运行构建事物才是他嗜好和擅长的事情。因此，他不得不作念出"极重的决定"，在团队成长到富裕自主的同期缺憾地告别了特斯拉。
旧年，Karpathy 重返 OpenAI，但不久后又因为相似的原因离开。本年七月，他创立了我方的初创公司 Eureka Labs，致力于于于将 AI 与训诫相结合。
Karpathy 的去职推文："离开 OpenAI 莫得什么尽头原因，打算开展个东说念主款式，但请无间建议贪念论因为那很意思。"
尽管如斯，Karpathy 对特斯拉的心情依旧深厚。他在访谈中公开默示对特斯拉在 AGI、机器东说念主以及自动驾驶领域的颂赞，并显现了畴昔可能重返特斯拉的意愿。
在这期播客节目中，Karpathy 不啻分享了畴昔在特斯拉得益的关联自动驾驶和东说念主形机器东说念主的念念考，还有他对 Scaling Law 和 AI 发展的领略以及对 AI 训诫的预测。
在谈到自动驾驶时，Karpathy 回忆起我方十年前第一次体验 Waymo 的自动驾驶的资历，那时 Waymo 在街区的进展还是相当接近竣工。经过十年的发展，这项技艺终于从 demo 演变成了信得过的贸易居品。
Karpathy 认为目下的自动驾驶其实还是达到了肖似 AGI 的水平，只是受限于技艺和监管，全球范围内的全面普及仍然是个难题。
Karpathy 还把 Waymo 和特斯拉作念了比较，相当有信心性深信了特斯拉的自动驾驶技艺。他显现，我方刚体验了特斯拉的最新版块，感受相当惊艳，对其进展相当惬意。
在东说念主形机器东说念主方面，Karpathy 建议了特有的不雅点。他认为，汽车骨子上等于一种机器东说念主。他还提到，在特斯拉早期的 Optimus 东说念主形机器东说念主开采中，汽车和机器东说念主在硬件、器具以及量度东说念主员方面基本皆是分享的。
Karpathy 尽头分享了对东说念主形联想的念念考，他认为保握东说念主形联想是为了更好地蚁合量度，运用东说念主类最纯属的姿态来匡助网罗和处理数据，同期也使机器东说念主更容易融入东说念主类社会。
至于更深档次的技艺方面，Karpathy 谈到了对 Scaling Law 的领略。
固然 OpenAI 以大参数模子而盛名，曾引颈了一段时候的大参数模子风潮，但如今主流模子还是转向小参数联想。在 Karpathy 的 Youtube 账号，最近一条是三个月前重现 GPT-2 124M 参数的教学视频，时长 4 个多小时，这或然也障碍反应出 Karpathy 对 Scaling Law 的不同成见。
Karpathy 指出，现时 AI 发展的的瓶颈还是不再是参数和神经集合，而若是数据集的鸿沟和质料。畴昔的发展将更多依赖合成数据的生成，而合成数据的各种性和"熵"尤为辛劳。模子输出的各种性如果镌汰，会导致数据集失去活力。
节主张临了，Karpathy 回到了他目下专注的 AI 训诫领域。他信赖在 AI 的匡助下，一双一个性化课程有着巨大的后劲和商场，并显现我耿介在计议一门对于 AI 的课程，估计会在晚些时候上线。
完整播客视频不错点以下相连不雅看：
https://www.youtube.com/watch?v=hM_h0UA7upI
AI 科技驳斥摘取了部分播客内容，作念了不改愉快的精编处理：
自动驾驶
Sarah Guo：你曾在特斯拉指导自动驾驶部门，目下自动驾驶汽车还是不错出发。你认为现时技艺处于什么水平？咱们需要多永劫候才能看到技艺的进一步擢升或更平素的普及？
Andrej Karpathy：我在自动驾驶领域责任了轻视五年，对这个领域相当了解。我以为咱们目下的自动驾驶技艺还是达到了肖似 AGI 的水平。
今天的一些系统还是允许付用度户在城市中使用，尤其是在旧金山，这种情况相当渊博。我个东说念主还是体验过许屡次，这些系统确切很神奇，不错将你送到任何方位。
十年前，我第一次体验了 Waymo 的自动驾驶。其时，我的一位一又友在 Waymo 责任，他给我展示了一个 demo。那时候，Waymo 在街区内的驾驶还是相当接近竣工。
经过十年的发展，它终于从 demo 成为了付费居品，何况在城市范围内束缚彭胀。
Waymo 自动驾驶汽车
Elad Gil：你以为自动驾驶技艺的进展主要受到监管如故技艺的影响？你认为这项技艺何时会信得过训练？
Andrej Karpathy：技艺方面，演示和履行应用之间有很大差距。你在短时候的演示中不会际遇他们在畴昔十年里处理的扫数问题。
此外，监管要素也起了辛劳顿用。固然咱们在软件方面还是接近终了 AGI，但全球范围的普及还远未终了。演示与全球化之间的差距很大。
固然许多东说念主认为 Waymo 早先于特斯拉，但我个东说念主认为特斯拉在自动驾驶领域更具早先上风。固然目下看起来可能不是这样，但我对特斯拉的自动驾驶款式相当看好。
特斯拉面对的软件问题比 Waymo 的硬件问题要容易处理得多。特斯拉还是在全球范围内大鸿沟部署了汽车，而 Waymo 还在勤奋终了这一规画。一朝特斯拉能够全面终了其技艺，并成功部署这些车辆，将会诟谇常令东说念主惊叹的。
我昨天刚试驾了最新版的特斯拉，嗅觉他们最近作念了许多出色的改良。
Elad Gil：我最近也用过这个系统，嗅觉照实很棒。
Andrej Karpathy：的确如斯。昨天它为我完成了一些相当出色的驾驶任务。我对团队的进展印象深切。
我如故认为特斯拉面对的主要问题是软件，而 Waymo 则主若是硬件问题。目下，Waymo 在这方面似乎稍占上风。
不外，十年后咱们再来看谁信得过终涌现鸿沟化，何况从中赢利，我信赖特斯拉会保握早先。
Elad Gil：你认为处理软件问题的要津时刻还远吗？正如你所说，许多汽车使用精熟的激光雷达和传感器来复古软件系统。特斯拉的能力是只用录像头，这样不错权臣镌汰资本和复杂性，并能在多种车型上应用。你认为这种休养会在什么时候发生？
Andrej Karpathy：我但愿在几年内能看到这种休养。
履行上，意思的是，特斯拉在试验阶段使用了许多精熟的传感器。固然他们在履行部署中主要依靠录像头，但他们在试验时使用了激光雷达和其他传感器来构建舆图和网罗数据。这种作念法既聪颖又灵验，因为它运用了传感器的信息来优化软件。
我认为这种政策还莫得被充分领会到，但它会相当灵验。尽管在试验阶段传感器相当有用，但在履行测试中，录像头提供的信息已富裕复古系统的运行。
Elad Gil：另一种休养是从启发式学习转向端到端的深度学习。你若何看这个问题？
Andrej Karpathy：是的，特斯拉的政策一直很明确。
最初，特斯拉系统中有许多 C++ 代码，但目下神经集合还是秉承了许多功能，C++ 代码的使用减少了。这标明神经集合缓缓秉承了系统的各个部分，从处理图像到多图像预测，最终系统只需输出转向指示。
特斯拉在这方面作念得很好。比拟之下，Waymo 尝试了不同的能力，但似乎莫得十足终了他们的规画。因为 Waymo 对具体细节躲避，咱们不十足了解他们的作念法，但我信赖特斯拉的缓缓鼓励能力是灵验的。
畴昔，特斯拉的端到端系统可能十足依赖神经集合，通过视频流顺利生成指示。
不外，终了这一规画需要时候，因为要缓缓开采系统并处理各种中间预测。即使在端到端系统中，中间表征和特征检测器仍然辛劳，它们不错简化最终系统的联想。
试验一个重大的神经集合进行端到端驾驶时，监督信号不及是一个挑战。因此，中间层的表征和检测器能匡助处理这个问题，使端到端试验更可行。
尽管我不是这个团队的一部分，我信赖特斯拉通过多半的预试验不错缓缓优化端到端系统。总体来说，特斯拉的缓缓鼓励能力是合理且灵验的。
东说念主形机器东说念主
Sarah Guo：你之前量度过特斯拉的东说念主形机器东说念主款式。我有许多问题，其中一个是，是否有技艺或教导的休养？
Andrej Karpathy：险些扫数东西皆在休养，我以为许多东说念主并莫得领会到这少量。
履行上，汽车自身等于一种机器东说念主。而我并不认为特斯拉是一家汽车公司，这种成见其实有些误导。特斯拉更像是一家机器东说念主公司，尤其是在大鸿沟坐蓐机器东说念主方面，因为鸿沟化是个零丁的变量。
他们不单是是在制造某一件居品波多野结衣作品种子，而是在制造坐蓐这件居品的机器，这亦然一种十足不同的能力。是以，特斯拉等于一家鸿沟化的机器东说念主公司。
从汽车到东说念主形机器东说念主之间的技艺休养，其实并莫得那么困难。
事实上，早期版块的机器东说念主"擎天柱"一度以为我方是辆汽车，因为它使用了相同的诡计机和录像头。
相当意思的是，咱们在机器东说念主上运行的是汽车的算法，而它却在办公室里四处移动，试图识别可驾驶的空间，但履行上它面对的是步碾儿空间。固然有些隐微的休养需要作念，但基本上，它在开车的环境里运行，履行上只是在行走。
Sarah Guo：这样说的话，照实不错从一个机器东说念主视角去念念考这个问题。许多技艺不错顺利休养，只是糊涂了一些驾驶关连的数据和规矩模块。
Andrej Karpathy：没错，照实会糊涂一些要津的组件。
但另一件让我印象深切的是，Optimus 款式启动的速率相当快。当 Elon 晓谕这个款式时，扫数关连的器具、CAD 模子、供应链经管等就赶快到位了。这让我领会到，特斯拉里面其实积聚了多半制造机器东说念主的专科学问。
扫数这些器具其实是通用的，只是被从汽车款式中再行成立和休养了一下。你需要的硬件、鸿沟化坐蓐的器具，甚而是背后规矩这些器具的大脑，其实皆差未几。
是以，不仅是技艺集合的休养，还波及到各种责任能力的休养。比如，标签团队的责任方式、互助能力，以及扫数这个词款式团队的运作方式，这些皆需要进行多半的休养和休养。
Elad Gil：你有莫得想过东说念主形机器东说念主或肖似技艺的第一个履行应用领域是什么？
Andrej Karpathy：我认为，最初的应用领域应该是公司里面我方使用。我相当看好特斯拉，他们可能会接收这种方式。
如果公司能领会到第一个客户是我方，那么不错在工场里面进行款式孵化，处理如材料搬运等任务。这样一来，就不错幸免与第三方订立复杂的公约，省去法律上的贫穷。
在里面成功孵化之后，不错干涉 B2B 商场，向领有大型仓库的公司扩充。这些公司需要处理材料搬运等任务，公约和安全步伐也能就绪。
比及在多家公司里面成功应用后，才是干涉 B2C 商场的时机。我信赖咱们会看到 B2C 领域的机器东说念主出现，举例像 Unitree 这样的公司也在推出令东说念主期待的机器东说念主。
Unitree 推出的 G1 机器东说念主
Sarah Guo：我目下有一个 G1 机器东说念主。
Andrej Karpathy：我也可能会接头买一个。畴昔可能还会围绕这些平台酿成一个生态系统，东说念主们会基于这些平台进行开采。
固然从鸿沟化的角度来看，这种能力是有出路的，但在初期阶段，主要如故处理材料搬运任务，之后再缓缓向更复杂的高复杂性任务（HKC）发展。
其中一个让我相当爽气的款式是"吹叶机挑战"。我但愿看到 Optimus 机器东说念主能在街上像踮着脚尖一样小心翼翼地捡起每一派落叶，这样咱们就不再需要那些杂音大的吹叶机了。
我以为这是一项很有出路的任务，也但愿这是最早的应用之一。
Sarah Guo：咱们不错聊聊东说念主形机器东说念主的联想逻辑吗？最肤浅的说法是：宇宙是为东说念主类联想的，是以如果你制造一套硬件，最合理的作念法等于让这个模子在这套硬件上完成越来越多的任务。另一方面，有东说念主认为，东说念主类并不是在扫数任务中的最好聘用。你不错让它们更结实、更大或者更小，那为什么不尝试作念一些特出东说念主类能力的事情呢？你若何领略这个问题？
Andrej Karpathy：我以为东说念主们可能低估了每个平台的固定资本的复杂性。履行上，每个平台皆有很高的固定资本，因此蚁合化、让一个平台能够处理扫数任务诟谇常格外念念意思的。
此外，东说念主形联想也很招引东说念主，因为东说念主类不错温暖操作它，这在数据网罗方面也相当有匡助。我认为这少量不时被薄情。
你提到的宇宙为东说念主类联想的要素天然也很辛劳。我认为咱们会看到一些东说念主形平台的变体，但每个平台的固定资本皆是巨大的。
另外一个辛劳要素是多任务学习。咱们但愿有一个能够处理多种任务的单一神经集合，从中得到扫数的智能和能力。
这亦然话语模子如斯意思的原因之一，因为它们在和谐的文能力域中处理多种任务，不同的问题之间分享学问，皆结合在一个单一的神经集合中。
你需要这样的平台。但愿为叶子捡拾网罗的数据能对其他任务也有匡助。如果你为特定任务构建专用系统，就不可从其他任务中得到迁徙学习的自制。
Sarah Guo：我传奇 G1 的价钱轻视是 3 万好意思元，对吧？但似乎很难在特定预算下制造出一个功能相当苍劲的仿东说念主机器东说念主。如果你想在轮子上装一个能作念事的手臂，也许一运行用更低廉的能力来终了一个通用平台会更履行。
Andrej Karpathy：这个不雅点很有道理。你不错在上头装一个轮子来替代脚。
我不细目这种作念法是否会镌汰机器东说念主的闭幕，但我以为聘用一个平台，让它在恒久使用中进展出色诟谇常辛劳的。
另外，东说念主形机器东说念主也有一种容貌上的上风，因为它们看起来更纯属，东说念主们更容易领略和互动。
不外，这也可能带来畏怯感，东说念主们可能更心爱更轮廓的联想。我不细目是否会出现某种"信得过的怪物"，但这照实是一个意思的问题。
Elad Gil：你认为终了这一畴昔技艺里程碑还糊涂什么？
Andrej Karpathy：我不细目我方是否有一个十足分解的视角来解答这个问题。
不外，有一个意思的方面是，在东说念主体形态的联想中，下半身可能需要师法学习，因为它波及多半的钟摆式规矩和肖似的技艺，而上半身则需要处理汉典操作、数据网罗和端到端的试验。因此，举座来看，这些系统之间的互动变得相当复杂。
在初期阶段，我估计许多责任将依赖于汉典操作，从大地运行师法，这可能会在 95% 的情况下灵验。
接下来，盘问东说念主与机器东说念主之间的比例时，东说念主们可能会缓缓休养为机器东说念主的监督者，而不是顺利完成任务。这个进程将跟着时候推移缓缓发生。
至于技艺上的糟蹋，我不细目是否有某一件具体的事情隐蔽了咱们。
调教av我以为目下许多器具皆还是不错使用。像 Transformer 这种技艺就像是一种秀雅的组织结构，只需要将数据以正确的神色输入，然后进行试验、实验、部署和迭代。
这些进程照实繁琐，但我不涌现是否有单独的技艺问题在隐蔽咱们的进展。
Scaling Law 与"数据墙"
Sarah Guo：咱们目下所处的景色是怎么的？
Andrej Karpathy：咱们目下的景色相当好。我以为民众可能还莫得十足领略 Transformer 的信得过神奇之处。它不单是是另一个普通的神经集合，而是一个相当通用且苍劲的集合架构。
举个例子，当东说念主们筹商神经集合中的" Scaling Law "时，这个法例履行上在很猛进度上是 Transformer 的特点。
在 Transformer 出现之前，东说念主们使用的是 LSTM（曲直期记挂集合），将其层层堆叠，但却无法得到分解的 Scaling Law。LSTM 的试验闭幕也不睬想，而 Transformer 则透顶变调了这少量。它是第一个能够信得过体现 Scaling Law 的架构，一切皆变得愈加合理。
不错说，Transformer 就像是一个通用的"可微分诡计机"（differentiable computer）。
你不错向它输入、输出多半数据，运用反向传播进行试验。它不错自我组织起来，完成任务。我认为这是咱们在算法领域不测中发现的一个神奇气象。
其中天然有一些要津的创新，比如残差趋奉（residual connections）、层归一化（layer normalization）和阻碍力机制（attention module）。
同期，它也幸免了一些常见的饱和性非线性（如早期神经集合中的激活函数），因为这些会收缩梯度信号。于是，几项辛劳的创新组合在一说念，酿成了 Transformer。
谷歌的论文展示了这少量，这种架构信得过不错灵验试验，而且你会发现它不错温暖终了 Scaling Law。不错说，这是一项枢纽的打破。
Sarah Guo：嗅觉咱们还莫得信得过达到发展的极限，我想盘问"数据墙"问题，以及畴昔一代居品的资本和鸿沟会有多高。你对此若何看？
Andrej Karpathy：这恰是咱们目下边临的中枢问题。我不认为神经集合的架构会隐蔽咱们进一步发展，至少它还是不是瓶颈了。
在前几代模子中，Transformer 照实是一个瓶颈，但目下情况不同了。是以咱们目下更多盘问的是：该使用什么亏本函数？数据集在那边？这些问题缓缓成为了新的瓶颈。
其实，神经集合的结构还是比较训练，许多公司和使用这项技艺的东说念主还是不再关注 Transformer 的架构创新。
比如，Llama 发布的 Transformer 架构也莫得太大变化，惟一的权臣更新等于加多了"绳子位置编码"。其他方面的改良，像是一些小的休养，可能悉数也只带来了 3% 足下的性能擢升。
是以，从架构角度看，畴昔五年里莫得太多转换性的变化，民众目下还是把它视为理所天然，顺利使用并进行试验。
目下，大部分的创新皆蚁合在数据集和功能细节的优化上。这是目下行业内活跃的盘问和改良领域。
Sarah Guo：对吧？但在数据获取方面也有许多争论。当咱们能够温暖获取互联网数据时，问题不大，但一朝这些数据不再可用，情况就复杂了。比如，合成数据或者更精熟的数据采集方式成为了现实中的挑战。
Andrej Karpathy：是的，这照实是个好问题。目下，许多责任皆在话语模子（LMS）上进行。
而互联网数据并不是咱们联想中的 Transformer 试验数据。它就像是一个"临近"，能让你走得很远，闭幕出人意外地好。
但说到底，互联网数据骨子上等于一堆网页，而咱们信得过想要的，是更接近东说念主类大脑中的"内心独白"那种数据。
Sarah Guo：对，这恰是咱们的念念路——捕捉大脑中的轨迹，念念维的轨迹。
Andrej Karpathy：当你在处理问题时，你的大脑会产生一系列念念维轨迹。如果咱们能得到上亿条这样的数据，肖似于 AGI 的想法，那咱们就能取得很猛进展。但目下咱们还莫得达到这个水平。
是以，目下许多责任皆围绕着互联网数据伸开。这些数据固然不是竣工的，但还是相当接近，因为互联网上有富裕的推理印迹和丰富的学问，而 Transformer 的作用等于让这些数据得以灵验运用。
我认为，接下来许多责任将聚焦于如何将数据集重构为更肖似于"内心独白"的阵势。合成数据的生成在这方面能提供很大匡助。
意思的是，现时的模子在很猛进度上匡助咱们构建下一代模子。它就像在攀缘楼梯，一步步上前鼓励。
Elad Gil：你以为合成数据在这一进程中有多大的作用？合成数据能带咱们走多远？因为是的，每一代模子的试验皆会匡助咱们改良下一代模子，提供更多器具、数据标签，甚而生成部分合成数据。你认为这些合成数据片断的辛劳性有多大？
Andrej Karpathy：是的，我认为合成数据的确是咱们跨越的要津之一，但一个常见的问题是，模子在生成内容时可能出现"崩塌"气象，输出变得单一。
比如，让 ChatGPT 讲见笑时，它可能只会重叠三四个见笑，糊涂富裕的变化。这种"熵"镌汰气象表目下单个闭幕上并不显豁，但从举座来看，模子的输出会失去各种性和丰富性。
如果你莫得保握这种"熵"——即数据的就地性和各种性——你就会得到一个艰难的数据集，失去了原有的活力。这种问题在名义上不易察觉，但履行上它会极大影响模子的性能。
因此，在生成合成数据时，你必须相当小心，确保数据蚁合保留富裕的熵。
有些东说念主发布过臆造东说念主物数据集，里面有上亿个性化的布景尊府，肖似于虚构的东说念主物档案。
比如"我是一个敦厚"或者"我是一个艺术家"，这类布景设定。通过这种方式，你不单是是在完成一个任务，还在抑遏模子探索更多可能的空间，从而加多了数据的各种性。
总的来说，我认为合成数据在畴昔会占据相当辛劳的地位，咱们不会面对数据枯竭的窘境。但在使用时需要相当小心，确保数据集保握富裕的丰富性和各种性。
Sarah Guo：你认为咱们从这项量度中对东说念主类领略了解了什么？比如，弄涌现咱们推理的方式，是否确切能匡助咱们更好地领略大脑的责任道理？
Andrej Karpathy：我会对这种类比保握严慎。总体而言，这两者如故有很大互异的，但照实有一些相似之处。
举个例子，我以为在许多方面，Transformer 比东说念主脑更高效。它们之是以还不如东说念主脑，主若是因为数据问题——这算是一个大致的诠释。
比如，Transformer 在记挂序列方面比东说念主类强多了。你给它一个序列，它不错在前后进行操作，记取并完成扫数这个词序列。而东说念主类，只看一遍是记不住的。
是以在某些方面，像 Transformer 这样的模子，尤其是在梯度优化上，可能比大脑还要灵验。尽管它们还不竣工，但在许多领略任务上，我认为它们有很大的后劲。
Sarah Guo：只有有富裕的数据输入，它们就会进展得更好。
Elad Gil：是的，这是诡计机的典型上风，在某些应用上，它们比东说念主类更擅长。
Andrej Karpathy：没错，尤其在记挂方面。东说念主类大脑有许多截止，比如责任记挂容量相当小。而 Transformer 有更大的责任记挂，何况是更高效的学习者。
东说念主类大脑在许多环境和生物截止下责任，比如东说念主类莫得肖似于反向传播的机制，这自身就不直不雅。东说念主脑是一个复杂的动态系统，受到许多敛迹。
而咱们目下的 AI 系统在某些方面可能还是比大脑更好，只是还没达到大脑的举座水平。
东说念主工智能与畴昔训诫
Sarah Guo：你离开了 OpenAI，目下从事训诫责任。是什么让你对训诫如斯热衷？
Andrej Karpathy：我一直对学习和教学充满宽恕。这不仅是我恒久以来的风趣，还因为我认为 AI 的规画不仅是自动化，更是赋予东说念主们更多能力。我但愿 AI 能匡助东说念主们擢升自我，而不是只是取代责任。如果能有联想的课程和导师，东说念主们的成长会更快。
Elad Gil：80 年代的量度标明个性化教导能提高成绩。AI 要如何确认作用？初期可能会出现什么居品？
Andrej Karpathy：我受到了这些量度的启发。
目下，我在尝试开采一个肖似的课程，但愿它能像你想学习 AI 那样提供匡助。问题在于如何将这些课程彭胀到全球 80 亿东说念主，他们有不同的话语和能力水平。
与每个东说念主一双一的讲课是不现实的。因此，我认为 AI 不错用来模拟优秀的老师。
固然现存的 AI 模子可能还不及以创建竣工的课程，但它们不错当作学生的前端，为他们诠释课程内容。敦厚将专注于联想课程内容，而 AI 则庄重与学生互动，复古多种话语，并换取他们完成学习进程。
Eureka Labs 打算推出的第一门 AI 课程
Sarah Guo：我应该把这看作是肖似于 AI 当作前端的资历吗？这种类比是否适用？
Andrej Karpathy：是的，我认为 AI 不错当作学生的前端，履行与学生互动并换取他们完成课程，只是目下还莫得十足终了。
跟着时候的推移和技艺的跨越，这种设立不错束缚优化。许多公司可能对现存 AI 能力的领略还不够深入，导致他们构建的器具可能过于前瞻或不够履行，但 AI 在训诫中的后劲相应时东说念主爽气。
Sarah Guo：咱们还未十足运用勤学习器具，你认为如果咱们使用更多器具和课程，东说念主类能否变得更好？
Andrej Karpathy ：照实如斯。咱们还莫得十足领会到可能性有多大。我认为有两个要津维度：一是全球化维度，但愿每个东说念主皆能接受优质训诫；另一个是个体能力的擢升。两者皆相当意思且令东说念主爽气。
Elad Gil：一双一学习时常强调相宜性，尽头是如何凭据每个东说念主的学习水平休养。你认为目下的 AI 能作念到这少量吗，如故这如故畴昔的事？目下的 AI 主要关注影响力和多话语复古。
Andrej Karpathy：AI 照的确翻译和处理材料方面相当擅长，这些功能还是很苍劲。
但对于个性化相宜性，AI 目下还处于起步阶段。尽管现时的模子在某种进度上能够凭据布景进行休养，但信得过高效的相宜性还需要进一步发展。
举例，如果你对某个学科有布景，AI 能够类比你已有的学问，这在训诫中会相当有用。固然咱们看到了一些进展，但信得过的灵验性还有待提高。雷峰网雷峰网
Elad Gil：相宜性学习的要津是休养内容以匹配学习者的布景和能力水平。跟着时候推移，不错休养模子以相宜学习者的优缺陷。你若何看待这种情况？
Andrej Karpathy：目下，咱们看到的更多是演示闭幕，而信得过的居品还远未训练。相宜性学习在表面上接近，但在履行应用中仍有许多挑战。
Elad Gil：相当感谢波多野结衣作品种子，今天的盘问很精彩。