借鉴人类联想记忆，嵌套学习让AI在运行中构建抽象结构，超越Transformer的局限。谷歌团队强调：优化器与架构互为上下文，协同进化才 能实现真正持续学习。这篇论文或成经典，开启AI从被动训练到主动进化的大门。 「灾难性遗忘」，一个困扰了AI界几十年的幽灵，这一次或许被彻底解决了。 过去一年，AI突飞猛进，绝非夸张的修辞，仅谷歌DeepMind一年的成就，就让人眼花缭乱： 但如果DeepMind要选2025年最重要的研究或产品，那最近火爆的嵌套学习「Nested Learning」必有一席之地。 有网友读过论文之后，发帖表示，这篇论文就是《Attention is All you Need》的「续集」。 如果Transformer开启了Scaling时代，那么嵌套学习，可能正在开启真正的AGI时代。 DeepMind创始人Shane Legg更直接，AGI一路坦途，最新进展就是嵌套学习。 甚至有网友表示，如果要给未来的外星人留一篇论文，必然是这篇《嵌套学习》。 JT Investing @ @JLTinvesting · Nov 27, 2025 What we are seeing today with ...

知名科技博主犀利指出，各大实验室通过RL（强化学习），耗资数十亿美元让大模型"排练"Excel、网页操作等技能，恰 恰暴露其距真正AGI仍远。若AI真接近类人智能，就该像人类一样从经验中自主学习，而非依赖"可验证奖励训练"。而真 正突破在于"持续学习"能力，这一过程或需5-10年才能完善。 硬·AI 作者 | 龙 玥 编辑 | 硬 AI 在人工智能迈向通用智能（AGI）的竞赛中，当前最受追捧的强化学习（RL）路径，可能正将我们引向一 条歧路——RL越强，距离真正的AGI或许越远。 12月24日，知名科技博主、Dwarkesh Podcast博客主持人Dwarkesh Patel今日发布了一则引发行业深思 的视频，直击当前大模型发展的痛点。在硅谷普遍对Scaling Law（缩放定律）和RL（强化学习）持极度 乐观态度的背景下，Patel提出了一个反直觉的犀利观点： 对RL（强化学习）的过度依赖和投入，可能非 但不是通往AGI的捷径，反而是其远未到来的明确信号。 Patel的核心论点在于，当前顶尖AI实验室正耗费巨资，通过基于可验证结果的强化学习，为大模型"预 制"大量特定技能，例如操作Excel或浏览网页。然 ...