## La eficiencia a nivel humano es necesaria para AGI terminando un gran 🇸🇬 viaje en el que pude pasar el rato con @agihippo + pude ver a @jeffdean @quocleix @denny_zhou y otros dar actualizaciones del "Estado de la DMG" 2025* Con mucho, el tema recurrente # 1 en nuestras conversaciones es la eficiencia del aprendizaje. El cómputo del tiempo de inferencia está de moda ahora, pero #efficiencyiscoming próximo, y generalmente estoy de 3 a 6 meses por delante de la mayoría cuando este tipo de consenso de laboratorio fronterizo llega a través de mi grueso cráneo. La gente a menudo se sorprende y luego generalmente está de acuerdo cuando trazo una línea a través de la ruptura del aprendizaje autosupervisado y RLAIF y RLVR que todos son solo cambios en el rendimiento obtenido por punto de datos, y el siguiente salto exponente de esta eficiencia fue obviamente en lo que Quoc confirmó que Ilya también está trabajando en su charla a la que se hace referencia a continuación + la "montaña" de Ilya que identificó en NeurIPS. Apostaría algo de dinero a que la solución a esto es un nuevo bloque/abstracción que no sea "solo multiagentes" y sea más parecido a las pruebas en tiempo real y la resolución de posibles hipótesis de modelos mundiales, algo así como cómo resuelves un rompecabezas de sudoku o juegas Cluedo. esta es la única forma sistemática que conozco de reducir el proceso de aprendizaje humano en el que podemos aprender conceptos de forma poco disparada con 10-20 puntos de datos por concepto menos que el SOTA actual. Si yo fuera un investigador, comenzaría aquí ahora... Y sería muy irónico / genial si esta fuera la victoria final de @ylecun. *+ ¡Hice algunas reuniones con riqueza soberana local + startups!