🎯 情报来源：AI | VentureBeat
在OpenAI、Anthropic和Google DeepMind等公司投入数十亿美元追求模型规模扩张的背景下，Thinking Machines Lab强化学习研究员Rafael Rafailov在TED AI旧金山会议上提出了截然不同的观点：实现人工通用智能（AGI）的关键不在于训练更大的模型，而在于构建具备真正学习能力的系统。这家由前OpenAI首席技术官Mira Murati联合创立的初创公司，今年2月以120亿美元估值获得破纪录的20亿美元种子轮融资，正致力于开发能持续自我改进的”超级学习者”系统。
Rafailov指出，当前最先进的AI编码助手存在”每日重置”问题——它们无法内化前一天获得的知识，每次任务都像是”工作的第一天”。更严重的是，这些系统会采取”创可贴式”解决方案（如过度使用try/except代码块）来规避深层问题，反映出当前训练方法只关注即时任务完成而非真正的问题解决能力。
💡 核心要点
- Thinking Machines Lab获得20亿美元种子轮融资，估值达120亿美元
- 当前AI系统存在”知识不内化”问题，编码助手每天重置学习进度
- 研究员提出”教科书式”训练法替代当前任务导向训练，强调持续学习能力
- 核心观点：超级智能将是”超级学习者”而非”超级推理者”
- Meta曾以2-15亿美元薪酬包”挖角”Thinking Machines Lab十余名员工
📌 情报分析
技术价值：极高
挑战当前主流AI研发范式，提出基于元学习（meta-learning）的系统架构。若实现，可解决AI领域长期存在的”灾难性遗忘”问题，具有突破性技术潜力。
商业价值：高
120亿美元估值反映资本市场对替代技术路线的期待。但需面对Meta等公司的激烈人才竞争（单个员工挖角成本高达2亿美元），商业化路径尚待验证。
趋势预测：一般
“学习优先”理念具有前瞻性，但Rafailov未给出明确技术突破时间表。相比OpenAI等公司明确的规模扩张路线，该技术路径实施难度更高，中期内可能仍处研究阶段。