田渊栋从表征学习出发，解释神经网络为何会从记忆跃迁到泛化：Grokking 并非神秘时刻，而是数据分布、优化 landscape 与隐含偏好共同塑造出的结果。对话还追问 Scaling Law、Loss Function 和“优雅”在模型学习中的位置。
适合研究大语言模型、关注 Scaling Law，或正在使用 GPT-5 辅助科研的人；它帮助你判断继续扩大数据和算力，与打开黑箱研究表征机制，各自能解决什么问题。
这期你会听到
• Grokking 从记忆到泛化的变化，如何由数据分布和不同表征对应的“山峰”解释？
• 表征学习为什么同时容纳直观学习与抽象学习，而不必二选一？
• 当数据遇到瓶颈，理解模型内部机制能否替代单纯的 data augmentation？
• Loss Function 只是代理时，训练过程中的 implicit bias 如何偏向更简洁、优雅的解释？
• 人类研究员怎样向 GPT-5 注入关键 Insight，并持续识别它的错误与矛盾？
章节
00:00:00 — 从 Meta 裁员谈研究团队的价值
00:04:10 — 研究员如何从稀疏数据中获得 Insight
00:06:11 — 研究品味与直觉意味着什么
00:08:14 — Grokking：模型怎样从记忆走向泛化
00:10:55 — 表征学习为何会出现飞跃
00:12:05 — 压缩、泛化与优雅解释
00:13:05 — Scaling Law 与理解内部机制的两条路径
00:18:41 — 大语言模型的输出是记忆还是泛化
00:20:41 — 用优化 landscape 解释“顿悟”
00:23:10 — Loss Function 为什么只是代理
00:32:05 — 如何与 GPT-5 协作做研究
00:36:05 — 人类研究员负责注入关键 Insight
本期嘉宾
田渊栋博士，本期围绕神经网络的 Grokking、表征学习、泛化机制，以及与 GPT-5 协作研究分享观点。
相关内容
田渊栋：模型的顿悟，AI的优雅，模型表征与人类心智模型的关系，优秀研究员的意义：
加入Superlinear Academy免费社区
拿出你的模型实验结果或研究疑问，讨论数据分布、优化过程与表征机制。
https://www.superlinear.academy/
关于主播与节目
孙煜征（课代表立正），康奈尔大学经济学博士、Superlinear Academy创始人。曾任Amazon经济学家、Meta数据科学家和腾讯IEG副总监，也是OpenAI收购团队早期成员。
《课代表立正》关注AI如何改变工作、职业与商业，以及人在变化中最需要保留的判断力。