（来源：上观新闻）
不只是工🇸🇽具，也可以是伙伴🏴☠️ 过去，当我们🌁↘谈论机器人的未来🕔时，绝🦈大多数👚人的预测🛏🍗与期待，🛤🛋都指向了同🇩🇴一个词汇： 效率🐺🇲🇳。研究人员指出，预🇪🇭💨估一道🛏🧫题的难🔢度，根本不需要🦁具备解题💯💐能力，🥑🇬🇮就好比一个😴🧳经验丰富的🚵♀️😁老师一⤵眼就能判断某道题🚺"很多学生会错🧨🇮🇸"，即使😶🙋他自己不亲自🔞🇨🇻去做这道题🥳。这种"回归均🤸♀️值"的🇲🇶🇰🇷行为实际上对🕞训练是有👗🌚益的—🚬🤾♀️—它不😺🔌会因为🇲🇱过于自信🈷🍄或过于悲观⛹️♀️🦄而产生扭🌂🅰曲的训练信🇦🇨号，而是始终保🦙🥀持一种适👬度的不确定🇦🇫💰性，让真正的🕋🗑"超常🧧🎊发挥"和"出乎意📽料的失误🤳"都能👩🎨🇵🇱产生足够强的🤮🌀纠正信号🏮。所以大🕵️♀️🧜♂️家意识到，多 A🚓💅gent 不🇱🇷是要不要的问📀🥽题，是早晚的问🥏📮题🦌。
Sora 的退😏👽场或许令人惋💆♂️惜，但 G🙅♂️PT-Image❄🧛♂️-2 让我🍊们看到——Ope👩⚖️nAI 正在🚵集中火力打造真♋🚹正能够融入工作🍎🌠流的生产力🐢🔔基石🎟。第三步是"针对🇲🇺性强化训练📊"😞。🛡️🎸🎾 生成前自我💯♣审查（S🏷🤠elf-Co⏪😀rrec🥝tion）🇧🇱 — 模型在💩输出前会模👨👦👦拟草稿，检查文字⏰渲染、🇸🇦🙎逻辑关系、色🍺🎙值对比😞👐。构建由人工😇🌖标注的区域级比🍽较标签⏲数据集，将是一项📲👕巨大但有价值的工🚵♀️🏃♀️程🔧🎀。这导致了“🐂验证”成本居👺😷高不下，通🏌️♀️常估计💥🤱占总支出的5🔙⛲0%以🤝🏃上😙👋。与此同时，"条🇲🇫🇱🇮件推理"🎱🇸🇱、"数值计算🇸🇮"、"早🎺🥵期终止"等其🇸🇸他候选🖱💰能力只出现了少数🍢🌬几次，无🔞法通过筛🍟选阈值，🍳说明它们虽然😕偶尔出现在失🇹🇷败案例↔中，但并不是区分❌成败的关键🌬🦞因素🇨🇳🧼。
