以下为上游提供的源文稿，可能存在识别错误。
乔木转写是基于源文稿的中文提炼，不是逐字翻译。请核对原文中的人名、数字与观点。
选一篇，慢慢读
从左侧挑一篇，正文会在这里排成书页。
The enormous advance in AI capabilities over the last several years has in large part been driven by the availability of vast amounts of training data. Gwern’s influential 2020 essay “ The Scaling Hypothesis ,” written after the release of GPT-3, argues that recent advances in AI have been the result of scale: bigger m
阅读原文 · Brian Potter
向阳乔木 · deepseek-v4-1-flash-261017
过去几年 AI 能力的大跃升，很大程度上靠的是海量训练数据。语言模型可以把互联网上的文本一网打尽，机器人却没有一座现成的“文本矿山”可以挖。数据从哪来、要多少才够，已经成了机器人 AI 领域最现实的问题。 规模假设：大模型吃的是数据 Gwern 在 2020 年 GPT-3 发布后写过一篇很有影响的文章，叫 The Scaling Hypothesis。核心...