[AI]《Why AI systems don't learn and what to do about it: Lessons on autonomous learning from cognitive science》E Dupoux, Y LeCun, J Malik [FAIR at META & NYU] (2026)

当前AI系统在部署后完全停止学习——它们困于训练时的数据分布，一旦遭遇真实世界的域偏移便束手无策。更根本的困境是：观察式学习（自监督）与行动式学习（强化学习）被人为割裂成孤立范式，所有"学什么、何时学、怎么学"的决策都外包给了人类工程师。

本文的核心洞见是：把"谁在协调学习"这个问题从人类工程师手中夺回来，交还给系统本身。由此，一个三层架构得以成形——System A负责观察建模，System B负责行动交互，System M作为元控制器监听内部误差信号并动态切换学习模式，复刻的正是生物体前额叶对学习策略的自主调度能力。

这项工作真正留下的遗产是：将"自主学习能力"从AI的锦上添花重新定位为核心基础设施，并提供了一张跨越认知科学与机器学习的统一概念地图。它为后来者打开的新门是：用双层优化在仿真环境中进化出具备自我课程设计能力的智能体。但尚未跨过的门槛是：双层优化的计算代价极高，整个生命周期才算一个数据点，距离可扩展的实用系统仍有数十年差距。

arxiv.org/abs/2603.15381

机器学习 人工智能 论文 AI创造营