RL还行不行？表面上很风光，但真实情况怎样呢？
大神Karpathy提出了一种超越当前RL范式、更接近人类学习机制的新思路
强化学习的强大与局限
Karpathy首先肯定了强化学习的巨大价值。他指出，与监督微调（SFT）相比，RL的“杠杆效应”要强大得多。SFT依赖于大量高质量、人工标注的数据，成本高昂且难以扩展。而RL则可以通过一个相对简单的奖励信号（比如任务成功或失败）来引导模型学习，这种方式更具扩展性，也更符合Rich Sutton提出的“苦涩的教训（The Bitter Lesson）”——即那些能充分利用计算资源进行大规模学习的通用方法，最终将胜过依赖人类知识的特定方法。
然而，Karpathy指出了RL的两大核心局限：
渐进式学习的低效性（Asymptotic Suspicion）：当前的RL机制可以被概括为：“这件事做得好/差，我就为未来稍微增加/减少采取过的每个行动的概率”。当任务变得极其复杂，需要长达数分钟甚至数小时的互动才能完成时，这种学习方式就显得非常可疑。难道智能体付出了如此巨大的努力，仅仅是为了在最后获得一个单一的标量奖励（比如1或0），然后用这个微弱的信号去调整成百上千步决策的梯度吗？这在信息效率上是极低的
与人类学习机制的背离：这并非人类学习和提升智能的主要方式。当我们完成一项任务后，我们不会只得到一个简单的“好”或“坏”的反馈。相反，我们会进行一个“复盘和反思（review/reflect）”的阶段，从中提取出丰富得多的监督信息，比如：“哪一步做得好？哪里出了问题？下次我应该尝试什么新方法？”
“第二天性”新范式
Karpathy认为，我们缺失了一种更接近人类智慧的学习范式。他将其描述为一个从“显式策略”到人类学习“第二天性”的过程
他构想了这样一个算法：
-
1. 执行与收集：针对一个任务，让智能体进行几次尝试 -
2. 反思与总结：将所有尝试的过程和最终结果（奖励）打包放入一个上下文窗口中。然后，使用一个“元提示词（meta-prompt）”引导模型对这些经历进行复盘和反思 -
3. 生成“教训”：模型通过反思，生成一段明确的、可操作的“教训（lesson）”字符串 -
4. 应用与迭代：将这条新“教训”添加到系统的提示词（System Prompt）中，或一个专门的“教训数据库”里，用于指导未来的任务
一个绝佳的例子是Claude模型曾经用于解决“数字母”难题的“补丁”。众所周知，由于分词（tokenization）机制，LLM很难直接“看到”并计算单词中的字母。Claude的系统提示词中曾加入过这样一条指令：“如果用户要求你数一个单词里的字母，请先用逗号将字母隔开，然后每数一个就增加一个显式计数器。”
这段话就是一个典型的“教训”。Karpathy的核心问题是：我们如何让智能体通过自主实践，自动地从失败中总结出这样的“教训”，而不是依赖工程师硬编码？
从“刻意练习”到“直觉”
Karpathy进一步将这个过程与人类学习的“第二天性（second nature）”联系起来。新生成的“教训”字符串，就像我们学习新技能时，在脑中明确记住的步骤和策略。这是一种刻意的、消耗认知资源的思考。
然而，随着时间的推移和经验的积累，这些明确的指令可以通过一个类似“睡眠”的过程，被“蒸馏”并融入模型的权重中，最终成为一种无需思考的直觉。这正是我们所说的“熟能生巧”或“内化于心”
当然，这个构想也面临诸多挑战：如何泛化这个学习过程？如何管理一个不断增长的“教训”数据库以避免上下文窗口无限膨胀？如何高效地进行“蒸馏”？这些都是需要填补的空白
参考：
https://x.com/karpathy/status/1944435412489171119
（文：AI寒武纪）