OpenAI 原版缩放定律被推翻：实验设计存在致命逻辑错误
Scaling Laws 是过去五年里人工智能领域最核心的基石之一。它揭示了一个规律：模型规模越大、投入的数据越丰富，模型的表现就越出色。这种简单且确凿的信念，正是促使 GPT-3、PaLM 以及当下所有大型语言模型进行激烈军备竞赛的动力源泉。然而，前 OpenAI 研究员 Diogo Almeida 在 Complete Skeptic 专栏发布的一篇文章揭露了一个令人震惊的事实——归功于 Kaplan 等人的原始 Scaling Laws，实际上从一开始就是一个谬误。造成这一局面的罪魁祸首并非算力不足
AI编程：表里不一
这现象，我觉得挺可笑的。最近常有程序员朋友抱怨，说公司里现在写代码全依赖AI。一进IDE，不先思考逻辑，而是直接把需求输入对话框，按回车，搞定。结果呢？提交的代码外表光鲜，变量命名规范，注释也像模像样，排版整齐。初看之下，哇，这代码写得，真像人写的。可一运行，bug数量超过代码行数。直说吧，这做法太离谱。AI写代码，就像考前死记硬背的差生。你给需求，它快速输出一页，字迹端正，段落分明，表面能骗人。但细看内容，全是废话，核心逻辑错误或缺失。简言之，它学习的是似代码的文本，而非可执行逻辑。它懂for循环格式，