## Effektivitet på mänsklig nivå är nödvändigt för AGI Jag avslutade en fantastisk 🇸🇬 resa där jag fick hänga med @agihippo + fick se @jeffdean @quocleix @denny_zhou et al ge "State of GDM" 2025 uppdateringar* Det överlägset #1 återkommande temat i våra samtal är inlärningseffektivitet. Inference Time Compute är på modet nu men #efficiencyiscoming nästa, och jag ligger vanligtvis 3-6 månader före majoriteten när jag får sådana här känslor. Folk blir ofta förvånade och håller sedan i allmänhet med när jag drar en genomgående linje från genombrottet av självövervakad inlärning och RLAIF och RLVR att de alla bara är stegvisa förändringar i prestanda som uppnåtts per datapunkt, och nästa exponenta hopp av denna effektivitet var uppenbarligen vad Quoc bekräftade att Ilya också arbetar med i sitt föredrag som refereras nedan + Ilyas "berg" som han identifierade på NeurIPS. Jag skulle satsa lite pengar på att lösningen på detta är ett nytt block/abstraktion som inte är "bara multiagenter" och som är mer besläktat med realtidstestning och upplösning av potentiella världsmodellhypoteser, ungefär som hur du löser ett sudoku-pussel eller spelar Cluedo. detta är det enda systematiska sättet jag vet hur man kokar ner den mänskliga inlärningsprocessen där vi kan lära oss koncept med 10-20x datapunkter per koncept mindre än nuvarande SOTA. Om jag var forskare skulle jag börja här nu... Och det skulle vara väldigt ironiskt/coolt om detta var @ylecun ultimata seger att få. *+ Gjorde några möten med lokala suveräna rikedomar + startups!