@DSPyOSS: “从某种意义上说,机器学习探讨的是当拥有明确的优化目标时,系统如何从数据中提升。机器学…
摘要
一条由@DSPyOSS和Jacob X. Li发布的推文,对比了机器学习(基于明确目标从数据中优化)与“机器研学”(从无下游任务的声明式语料库中学习),强调了AI系统迫切需要从非结构化文档中发展专业知识。
“从某种意义上说,机器学习探讨的是当拥有明确的优化目标时,系统如何从数据中提升。机器研学则思考当给智能体一个声明式语料库且没有下游任务时,它应该做什么。”
查看缓存全文
缓存时间: 2026/06/18 16:09
“在某种意义上,机器学习研究的是:当我们有一个明确要优化的目标时,系统如何从数据中改进。而机器研究询问的是:当智能体被给予一份声明式语料库且没有下游任务时,它应该做什么。”
Jacob X. Li (@jacobli99): 持续学习目前被广泛讨论,但大多集中在工作改进或避免灾难性遗忘上。然而,它还有另一种不同、困难且已然紧迫的形式:
仅凭一份文档语料库,AI系统应如何在新领域中培养专业知识,
相似文章
@DSPyOSS: 一种更清晰的持续学习操作化方案,适用于那些被错误地归类为“RAG”或“RL”的问题…
提出了一种名为“Machine Studying”的新型持续学习框架,其中AI系统能够自主从语料库中发展专业知识,并引入了StudyBench用于评估。
@jacobli99: 持续学习目前被广泛讨论,但大多是关于在职提升或避免灾难性遗忘…
Jacob Li介绍了'Machine Studying'这一概念,将其视为一种独特且紧迫的持续学习形式,其中AI系统必须仅凭文档语料库在一个新领域发展专业知识。
@jacobli99: 为了比较 Machine Studying 的流程,我们首先定义专业知识。语料库在测试时始终可用…
Jacob Li 引入了 'Machine Studying' 作为持续学习中的一个新问题:AI系统如何仅凭文档语料库在不熟悉的领域发展专业知识,这与避免灾难性遗忘不同。
@lateinteraction: 对 @jacobli99 的这项工作感到非常兴奋!我们对当前智能体在新领域获取专业知识的方式感到失望…
探讨了让AI系统像人类阅读教科书一样从文档中发展深层专业知识的挑战,强调了一种持续学习的形式。
@lateinteraction: 把链接放在这里,给那些想直接看长文的人:https://jacobxli.com/blog/2026/machine-stud…
介绍“Machine Studying”作为一个问题,AI代理必须从语料库中自主发展专业知识,超越RAG或长上下文,并提出了StudyBench基准进行评估。