# AI 的下一个突破口：在工作中边干边学

> 原标题：下一个重大突破：AI在工作中学习

- 来源：AI HOT 精选
- 发布时间：2026-06-26T15:51:34.000Z
- AX AI 日报：https://ai-daily.ax0x.ai/items/41063
- 原文：https://www.dwarkesh.com/p/the-next-paradigm

## 摘要

Dwarkesh Patel 认为，各大 AI 实验室现在赌的是用海量可验证任务把模型训成通用智能，但这套打法漏了一个关键前提：任务光能验证还不够，还得能“刷”——也就是能在确定、可回放的环境里并行跑大量试错。他用电脑操作举了个例子：让 AI 在 Etsy 上下单是可验证的，但你没法同时派一千个代理去冲亚马逊的结账流程，会被封。

## 推荐理由

Dwarkesh Patel 指出，AI 训练任务除了可验证，还需能在确定环境里并行试错，他用 Etsy 下单与亚马逊结账流程的对比说明这一条件为何难以满足。

## 锐评

可验证和可重放，这两个条件拆得挺准。编程任务能刷是因为环境确定、能回放，一千个 agent 并行跑也不会互相踩脚。电脑操作卡在没法并行，Etsy 下单能验证结果，但一千个代理冲亚马逊结账直接被封，试错成本高到没法训。所以现在 RL 的瓶颈不在任务够不够多，在环境能不能被复制。谁先把可回放的电脑操作环境做出来，谁就拿到下一波训练数据的入口。这事对做 agent 的启发是，别只盯着任务能不能打分，先看你的环境能不能被一千个实例同时跑。
