I
GUIDE 009 · AI RESEARCH SYSTEM
Ilya Sutskever
连接主义 · 压缩理解 · 安全超智能
#Connectionism
#AlexNet
#Seq2Seq
#Next Token
#Peak Data
#SSI
#AI Alignment
一句话定位：这份专题把 Ilya Sutskever 的本地材料压缩为一张可导航图谱。主线不是“某个 AI 新闻事件”，而是他如何把 连接主义、预测即理解、压缩即理解 和 安全超智能 连成一条研究路径：从 2012 AlexNet 到 2014 Seq2Seq，再到 OpenAI 预训练时代、NeurIPS 2024 的数据边界判断，以及 SSI 的单目标组织设计。
来源与边界
| 身份材料 | identity.yaml：出生年、教育、OpenAI/Google Brain/DNNresearch/SSI 角色、核心出版物和主题 |
|---|---|
| 来源宇宙 | source_universe.yaml：6 场演讲、8 个播客/访谈、1 场会议对话、1000 条推文索引、阅读清单和已知缺口 |
| 时间线 | events.yaml 与 master_timeline.md：22 个事件，覆盖 2012-2025 |
| 统一索引 | unified_index.json：1000 条 Twitter/X 记录，其中高影响记录用于辅助识别安全、意识、研究心法和 SSI 相关节点 |
| 输出规则 | 未收集或 partial 的材料只标为缺口，不扩写为强结论；旧页面中的强叙事表述已压缩为可追溯结构。 |
核心抽象
底层信念：连接主义、数字大脑、预测即理解、压缩即理解。Ilya 的许多技术判断都从这里出发。
技术路径：AlexNet 证明视觉规模化，Seq2Seq 证明序列端到端学习，预训练证明无监督语言建模可以吸收世界结构。
后规模时代：当高质量互联网数据不再无限增长，前沿问题转向合成数据、推理时计算、智能体、可靠性和安全对齐。
组织选择：SSI 的“one focus, one goal, one product”是研究判断落到组织设计后的结果。
五层图谱
从底层信念到时间线事件，按“为什么相信 → 如何建模 → 如何行动 → 如何自处 → 用什么验证”组织。
十条原则
01
连接主义是主线
不要把智能拆成大量手写规则；让可训练系统从数据中形成表示。
connectionism02
预测不是表层统计
足够好的下一步预测会迫使模型捕捉产生文本的现实结构。
next-token understanding03
压缩是理解的证据
能用更短表示解释更多数据，说明模型抓到了隐藏规律。
compression04
预训练教知识
预训练吸收世界结构，RLHF 等后训练主要改变行为和输出方式。
pretraining / RLHF05
数据红利会遇到边界
算力可以继续增长，但高质量互联网数据不是无限燃料。
Peak Data06
下一阶段靠研究突破
合成数据、推理时计算、智能体和可靠性，是后预训练时代的核心变量。
research era07
推理会增加不可预测性
系统越能真正推理，就越不像固定直觉函数，安全评估也更难。
reasoning08
不低估对齐难度
监督比人类更强的模型，不会自动沿用今天的对齐方法。
alignment09
重大研究需要信念
实验暂时失败时，要分清是方向错了，还是实现还没 debug 完。
top-down belief10
智能不是唯一价值
安全超智能不能只追求更强能力，还要处理人类价值、协作和意识问题。
human qualities