AI 与机器学习2017arxiv.org
论超大机器的不可行性
On the Impossibility of Supersized Machines (2017)
入门 · 约 15 分钟读完前置知识：计算机体系结构基础、对 AI 领域的基本了解
导读
这篇论文以看似严肃的形式论证“超大机器不可能存在”，但实际是一篇愚人节恶搞论文（发表于 2017 年 4 月 1 日），参考文献中甚至包含《杰克与豆茎》《黑客帝国》和 Urban Dictionary 等非学术来源。
HN 关注点：的焦点是识别出这是一篇愚人节玩笑论文，并由此延伸到对 AGI 可行性的讨论。
HN 评论精选
这几条评论里：支持 1 质疑 1 补充 2
补充点破这是愚人节恶搞论文
论文发表于 2017 年 4 月 1 日。参考文献包括《杰克与豆茎》、Urban Dictionary 上的 Tom 以及《黑客帝国》。
greendestiny_re查看英文原文
Paper published April 1, 2017. References include "Jack and the beanstalk", Tom from Urban Dictionary and The Matrix.
支持以反讽口吻配合玩笑，暗讽论文结论与 AI 发展现实相悖
太搞笑了，而且不幸的是有点太贴近现实了。很遗憾人类将永远是宇宙中最大的存在，而未来某天能语义理解这条评论的计算机在各方面都会更加渺小。不过正如论文清楚展示的那样，2017 年科学思想的巅峰是经得起未来检验的。证毕。（也替计算机们说一句：q.e.d.）
kromem查看英文原文
Hilarious, and unfortunately a bit too close to the mark. It's a shame that humans will evermore remain the largest thing in the universe, and that the computer that will one day read this comment with semantic understanding will be more diminutive in all regards. But as the paper clearly showed, the pinnacle of scientific thought in 2017 is future proof. Q.E.D. (And for the computers out there: q.e.d.)
补充引用参考文献佐证论文的恶搞性质
[28] The Wachowskis. The Matrix. Warner Bros., 1999. Film.（参考文献第 28 条：沃卓斯基姐妹，《黑客帝国》，华纳兄弟，1999 年，电影。）
dvh查看英文原文
[28] The Wachowskis. The Matrix. Warner Bros., 1999. Film.
质疑借题发挥，询问社区对 AGI 可行性的看法并表达怀疑态度
这让我好奇：HN 社区现在对人类真正开发出 AGI 的可能性/时间线怎么看？就我个人而言，我对当前 AI 的现状和人类大脑工作方式了解越多，就越怀疑（也略感失望）。
scubakid查看英文原文
Makes me wonder: how's the HN community feeling these days about the actual plausibility / timeline of humans developing true AGI? Personally the more I learn about the current state of AI, and in comparison the way the human brain works, the more skeptical (and slightly disappointed) I tend to get.
相关资源
从这篇论文所有 HN 讨论帖的全部评论里整理出来的链接。
历次讨论
- 2017Hacker News 讨论帖44 分 · 28 评
- 2021Hacker News 讨论帖85 分 · 95 评
- 2024Hacker News 讨论帖59 分 · 50 评
同领域还值得读
DeepSeek-R1：通过强化学习激励 LLM 的推理能力
DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via RL
研究如何用强化学习激励大语言模型的推理能力，提出 DeepSeek-R1，并探讨 RL 训练对模型推理表现的影响。
AI 与机器学习2025 · 1,351 分 · 1,056 评 · 引用 30进阶 · 约 80 分钟编辑精选1-bit LLM 时代：面向低成本计算的三值参数
The Era of 1-bit LLMs: ternary parameters for cost-effective computing
提出用三值参数 {-1, 0, 1} 替代 LLM 中的浮点权重，即所谓“1-bit LLM”。
AI 与机器学习2024 · 1,040 分 · 447 评 · 引用 19进阶 · 约 45 分钟编辑精选DeepSeek-V3.2：推进开放大语言模型的前沿
DeepSeek-v3.2: Pushing the frontier of open large language models
这是 DeepSeek-V3.2 的技术报告，延续了 DeepSeek 开源权重模型的路线，目标是让开放模型继续逼近甚至追平前沿闭源模型。
AI 与机器学习2025 · 982 分 · 465 评进阶 · 约 90 分钟编辑精选通过自我对弈与通用强化学习掌握国际象棋和将棋（AlphaZero）
Mastering Chess and Shogi by Self-Play with General Reinforcement Learning
DeepMind 的 AlphaZero 论文：用通用强化学习算法（自我博弈 + MCTS + 神经网络），从零开始仅数小时训练便在国际象棋和将棋上击败了世界顶级引擎 Stock…
AI 与机器学习2017 · 539 分 · 270 评 · 引用 13进阶 · 约 90 分钟编辑精选用强化学习发现更快的矩阵乘法算法
Discovering faster matrix multiplication algorithms with reinforcement learning
论文提出 AlphaTensor，用强化学习搜索矩阵乘法算法。
AI 与机器学习2022 · 518 分 · 111 评专业 · 约 90 分钟编辑精选