Chollet：编程训练无法提升通用智能

François Chollet 发文称 GPT-6 Astra 在交互式推理任务上带来阶跃式能力提升，使用标准 harness 在 ARC-AGI-3 上得 66%，配合持续对话 harness 和自定义 compaction 接近 100%，每局成本约 $360。

主观能动性向来具有自我增强的特性，而AI正在放大这种效应。 低能动性的AI使用者进一步丧失能动性，高能动性的AI使用者则进一步增强能动性。

我撰写《Deep Learning with Python》旨在成为理解深度学习工作原理及最佳应用方式的权威指南。数以万计的人通过这本书开启了职业生涯。已售出12万册，更有数百万人下载阅读。 现在可以免费在线阅读：https://deeplearningwithpython.io/

强化学习在已知领域能提升模型性能，但在未知领域可能导致模型产生幻觉，误以为在执行其他训练过的任务。这一现象在GPT-5.5等大模型的ARC AGI 3基准测试中有所体现，其得分仅为0.43%，与Claude 4.6、Gemini 3.1等模型表现相近。分析指出GPT-5.5的主要失败原因包括：局部效应正确但世界模型错误、从训练数据中提取的抽象层级不当，以及虽解决问题却未强化奖励机制。深入分析此类失败案例，有助于全面理解大模型在特定模态上的能力局限与改进方向。

作者以"Glurg"游戏（实为 chess）假设情境论证：借助现有外部认知基础设施（计算机、互联网等），人类顶尖团队能在24小时内从规则解析开发出3000 Elo引擎，三周内可达3500 Elo且计算效率提升10倍。这表明人类智能已具备即时掌握复杂策略系统的能力，而非从零缓慢进化。该论述回应了关于现实世界更接近 chess 而非 Go 的争论，强调人类利用工具扩展认知边界的即时优势。

Francois Chollet 指出，2023-2026 年间多数 AI 进步指标接近指数增长，而同期 AI 资本开支略呈超指数增长，即增速本身还在加快。若把 AI 视为以外部投资为输入、以进步为输出的系统，其响应略呈次线性。但外部资源的超指数注入长期不可持续，要实现持续的指数级进步，AI 行业需要匹配的指数级利润来闭合资源循环。

Francois Chollet 提出疑问：AI 能力的"锯齿状前沿"是否主要来自数学和代码——这两者可通过 RLVR 无限推进，而其他领域因仍受限于人类生成数据而开始进入平台期。他指出，非可验证领域的模型表现虽持续提升，但远慢于数学和代码。这一提升究竟来自 RLVR 驱动的高 G，还是仅源于仍在海量注入的新人类数据，答案将决定很多事。

Chollet 反驳"AI 模型是计算所以可能有意识"的推论，称其如同"生物由原子构成，石头也由原子构成，所以石头可能有生命"一样无意义。他指出棋引擎、AlphaGo、Linux 内核都是极其复杂的计算，但并不意味着有意识；静态输入输出程序缺乏信息整合、内感受、时间绑定、具身性等意识相关属性。

认为当前 AI 模型有感知能力、会遭受痛苦，再加上"痛苦可以在人类与非人类之间被数学量化和加权"这一愚蠢想法，可能会把我们引向一条极其黑暗和反乌托邦的道路。 但在走到那一步之前，它理应会遭到人类阵营的强烈反对。

Keras 社区会议公布可插拔后端计划，即将支持 MLX 和 PaddlePaddle，新后端以附加库形式安装。同时减少新后端所需算子数量，为所有次要算子添加后端无关实现，并统一算子单元测试框架以验证类型转换一致性等。KerasHub 新增大量模型，并弃用 tf-text 预处理，改用 PyGrain。