在Ilya探讨完「预训练即将终结」之后，关于Scaling Law的讨论再次引发热议。
这届NeurIPS将被铭记成预训练终结的一届会议。
在最新研讨会上，OpenAI大神，o1核心成员Noam Brown表示，o1代表的是一种全新的，以推理计算为代表的Scaling。
网友们表示：好好好，Scaling Law还没有死！Scaling Law还在继续。
演讲实录：Is Scaling is All you Need？
Noam Brown，OpenAI大神一枚，去年7月从Meta离职，曾开发首个在战略游戏中达到人类水平的AI，此前在游戏AI领域相关研究成果曾登上Science封面。
如今在OpenAI致力于多步推理、自我博弈以及多智能体AI相关的研究。
此前在o1发布的直播时候露过面。
据网友@swyx分享，Noam Brown首先谈到Scaling Law的过去演进。
AI从2019年到现在，GPT-2演进到GPT-4，这难以置信的成就都来自于数据和算力规模的扩大。
但大语言模型仍然无法解决像井字棋这样的简单问题。
那么随之而来的一个问题是，Is Scaling is All you Need？我们真的还需要再消耗更高的成本来训练更好的AI吗？
这当中被低估的其实是推理的成本，它在过去的扩展（Scaling）要少得多。o1带来了Scaling的新的维度。
随后，他追溯了过去模型展现出来的类似规律。
比如在2012年-2015年间扑克模型的扩展。模型规模每年扩展5倍，但收效不大。但依照「人类需要更长时间思考更难问题」这一见解，增加了模型20 秒的搜索时间，效果大致相当于将模型规模扩大了100000倍。
还有在棋牌中扩展推理的历史，backgammon- 国际象棋 - 围棋。AlphaGo Zero在原始NN基础上实现了从3000到5200 Elo增长，都是因为test-time search（推理时间搜索）。
此外，他还引用了Andy L.Jones关于Scaling Laws of games的图表——可以用10倍的预训练计算量换取15倍的测试时间计算量。
如果游戏结果扩展到 LLMs，是不是也会是如此？
那么关于o1接下来，会有更高的推理计算能力。在过去 5 年里，LLM概念就是聊天机器人。那么他们可以做得更好”
最后他还打了个小广告，目前他的多智能体团队还在招人ing。
网友评论
如果再结合昨天Ilya谈到「预训练时代即将终结」。那么对于市场来说，这一波可不是利好英伟达了（Doge）。
不过也有从业者站出来反对他的看法：推理时间计算（Inference Time Computation）并不新鲜，本来还想把它去掉，但出于需要又让它回来了。
他还纠正说，里面关于诸多游戏时间顺序是错误的，许多游戏（包括国际象棋和围棋）一开始都只专注于推理时间计算。但后来大家都倾向于离线学习策略，这样省去了大量的在线计算时间。
因此，减少面向用户的推理时间计算是一个深思熟虑的选择，甚至导致该领域开始改变对计算复杂性考虑的方式。
这一趋势在 LLMs 中也得到了延续——所有的重点都放在预训练上，因此推理时间的计算量可以忽略不计。这样对终端用户来说成本极低，甚至可以在本地的边缘设备上完成。
Ilya在谈到未来超级智能的畅想时，也提及了当前推理的不可预测性：
推理越多，系统变得越不可预测，这一点在一些复杂任务中表现得尤为突出。
他还提到：
目前的AI系统还不能真正理解和推理，虽然它们能模拟人类的直觉，但未来的AI将会在推理和决策方面展现出更加不可预测的能力。
不过大模型到底会朝着哪些能力上扩展，这个还得看这些科学家们持续探索。
One More Thing
本来啊，从现场repo来看，这本来是个关于数学AI的研讨会，硬生生地被他弄成了讨论大模型推理Scaling Law。
现场也是人很多，据说门口都还有20多个人在排队等待。当然也有部分原因是房间太小了。
参考链接：
[1]https://x.com/swyx/status/1867990396762243324。[2]https://x.com/e__honig/status/1868002417045840243。[3]https://x.com/drapersgulld/status/1868023022390485052。
