## L'efficacité au niveau humain est nécessaire pour l'AGI terminant un grand voyage 🇸🇬 où j'ai pu passer du temps avec @agihippo + j'ai pu voir @jeffdean @quocleix @denny_zhou et d'autres donner des mises à jour sur "L'état de GDM" 2025* de loin, le thème récurrent numéro 1 dans nos conversations est l'efficacité d'apprentissage. le temps d'inférence et le calcul sont à la mode maintenant, mais #l'efficacitéarrive ensuite, et je suis généralement en avance de 3 à 6 mois sur la majorité quand j'ai ce genre de pressentiment. les gens sont souvent surpris et s'accordent généralement à dire que lorsque je trace une ligne entre la percée de l'apprentissage auto-supervisé et RLAIF et RLVR, ce ne sont que des changements de performance par point de données, et le prochain saut exponentiel de cette efficacité était évidemment ce que Quoc a confirmé qu'Ilya travaille également dans sa présentation référencée ci-dessous + la "montagne" qu'Ilya a identifiée à NeurIPS. Je parierais de l'argent que la solution à cela est un nouveau bloc/abstraction non-transformers qui n'est pas "juste des multi-agents" et est plus semblable à des tests en temps réel et à la résolution d'hypothèses potentielles de modèles du monde, un peu comme on résout un puzzle sudoku ou on joue à Cluedo. c'est la seule façon systématique que je connais pour réduire le processus d'apprentissage humain où nous pouvons apprendre des concepts avec 10 à 20 fois moins de points de données par concept que l'état de l'art actuel. Si j'étais chercheur, je commencerais ici maintenant... et ce serait très ironique/cool si c'était la victoire ultime de @ylecun.