Vibe Coding 概念提出者 AndrejKarpathy 谈强化学习。

在预训练时代，关键在于互联网文本。你最需要的是一大批量、多样化且高质量的互联网文档，供模型从中学习。

在监督微调（SFT）时代，核心则是对话数据。人们雇佣合同工人为问题撰写答案，类似于你在 Stack Overflow 或 Quora 上看到的内容，但专门针对大语言模型（LLM）的应用场景进行优化。

我认为以上两个阶段都不会消失，但在当前的强化学习时代，关键要素变成了“环境”（environments）。与前两者不同，环境能让大语言模型真正地进行交互——采取行动、观察结果等。这意味着我们有望超越简单的“统计专家行为模仿”，实现更深层次的学习。这些环境既可用于模型训练，也可用于模型评估。但和之前类似，现在核心的挑战在于：我们需要大量、多样化且高质量的环境，作为 LLM 练习的“习题集”。

从某种意义上说，这让我想起了 OpenAI 最早的项目——Gym。那正是一个旨在构建大量统一格式环境的框架，只不过当时远早于大语言模型的兴起，因此那些环境大多是当时简单的学术控制任务，比如倒立摆（cartpole）、ATARI 游戏等。而 PrimeIntellect 的“环境中心”（environments hub），以及其 GitHub 上的 verifiers 仓库，则构建了一个面向现代 LLM 的升级版框架，这是一个非常出色的尝试和构想。今年早些时候，我也曾提议有人来构建类似的东西。

环境的一个重要特性是：一旦框架的基本结构搭建完成，原则上社区和产业界就可以在不同领域并行开发，这令人非常振奋。

最后一点思考——就个人而言，从长期来看，我非常看好“环境”以及“具身智能体式交互”（agentic interactions）的发展前景，但我对“强化学习”（reinforcement learning, RL）本身持谨慎态度（看跌）。

我认为奖励函数（reward functions）存在严重问题，而且我相信人类在学习时并不主要依赖强化学习（也许在某些运动控制类任务中会用到，但在智力型问题解决中并非如此）。人类使用的是更强大、更高效的其他学习范式，而这些范式尚未被充分发明或规模化应用。

不过，目前已有一些初步的设想和雏形（例如，“系统提示学习”这一概念，即把模型更新从权重调整转移到提示词/上下文本身，之后可选择性地将知识“蒸馏”回权重中——这个过程有点像睡眠对大脑的作用）。