很多人误解了 AK（Andrej Karpathy）在唱衰强化学习（RL），他本意不是说要‘换掉’RL！

AK 的核心意思是，开发先进的 AI 并不是一道“单选题”，不是说有了A就不要B。这更像是在做一块多层大蛋糕，每一层都有自己的作用，而且必须按顺序叠加上去：

第1层（蛋糕底座）： 这是最原始的基础模型。它很强大，但只会傻傻地“接话茬”（自动补全）。

第2层（涂奶油）： 我们用“指令微调”（SFT）来训练它。这一步是给蛋糕打底、塑形，教会模型听懂人类的命令，扮演一个“助手”的角色。

第3层（裱花与点缀）： 这就是“强化学习”（RL）的活儿。这是精加工！RL 能剔除模型的坏毛病，比如防止它胡说八道（幻觉）或卡壳复读。更牛的是，RL能“点化”模型，让它学会真正的推理，做出像AlphaGo“神之一手”那样惊艳的、SFT很难教会的深度思考。

第3层（RL）非常棒，但这个蛋糕还没做完！

RL 是通往 AGI（通用人工智能）路上必不可少的一层，但它不是最后一层。我们必须在 RL 的基础上，接着去研究第4层、第5层、第6层……（虽然我们还不知道它们具体是什么）。

------

Andrej Karpathy：我非常希望你继续研究强化学习（RL）！

我觉得，大家可能误会了，以为我建议用什么东西来‘取代’强化学习。这可不对，我之前试着澄清过，但显然没说清楚。我的意思是，它们是一层一层叠加的。

- 第1层，是基础模型的自动补全（base model autocomplete）。

- 第2层，是指令微调（SFT, instruct finetuning），这能让模型学会扮演‘助手’的角色（就像InstructGPT论文里做的那样）。

- 第3层，就是强化学习（RL）。

它让我们能够反过来优化模型的‘采样循环’（注：可以理解为优化模型的“思考”和“输出”过程），赶走那些讨人厌的行为，比如胡说八道（hallucinations）、卡壳复读（stuck repetition loops）。

更重要的是，它能激发那些光靠指令微调（SFT）很难教会模型的行为，比如推理能力——就像（AlphaGo的）‘第37手’（注：指AlphaGo下出超越人类理解的“神之一手”，代表了超越常规训练数据的、深层次的“领悟”）那样的表现。

我认为，在通往最终解决方案的路上，上面说的每一层都会保留下来，成为一个必要的阶段。但我想说的是，我们还需要更多的层和新的点子——第4N层、第5层、第6层，等等。

在最终的AGI（通用人工智能）配方里，强化学习绝对是其中一环。就像我们人类也会在各种行为中用到强化学习一样，它只是我们工具箱里一个强大的工具罢了。