特斯拉前人工智能與Autopilot項目負責人安德里杰·卡爾帕西在優化GPT-2模型訓練過程中發現，人類研究者的直覺判斷可能成為技術突破的阻礙。這位深度學習領域知名專家透露，他曾在手動調試模型參數時陷入瓶頸，直到讓自主智能體接管系統僅一個晚上，便發現了人類難以察覺的參數組合規律——這些相互作用的微調項構成復雜網絡，遠超個體研究者的認知極限。
"當存在可量化的評估標準時，研究者應當主動退出決策流程。"卡爾帕西在技術分享中強調，現代AI工具已具備超越人類直覺的系統性搜索能力。他以模型訓練為例指出，研究者往往過度依賴經驗判斷，卻忽視了算法在參數空間中的探索效率。這種認知偏差導致頂尖實驗室雖公開宣稱追求自動化研發，實際工作中仍存在大量人工干預環節。
實驗數據顯示，智能體在24小時內完成的參數優化量，相當于人類研究員數周的工作量。更關鍵的是，機器發現的參數組合在編程任務等可驗證領域表現出色，但在需要主觀判斷的創意生成等場景仍存在局限。卡爾帕西承認，當前技術尚未完全突破量化評估的邊界，但強調這種局限性不應成為阻礙工具革新的理由。
這位斯坦福大學博士畢業生的觀點引發行業熱議。部分研究者認同其關于"去除人類瓶頸"的論斷，認為這符合AI發展的內在邏輯；另有聲音質疑完全自動化可能削弱模型的可解釋性。值得注意的是，卡爾帕西本人并未主張徹底取代人類研究者，而是強調在客觀指標明確的環節應優先發揮機器優勢，這種分工模式或將成為未來AI研發的新常態。
