近年来，人工智能领域对大规模语言模型（LLM）的投入呈指数级增长，其复杂性和训练成本已达到前所未有的水平。然而，越来越多的AI研究人员提出质疑，认为一味扩大模型规模可能已达极限，AI性能的突破或许需要新的路径。S. Hooker博士，前Cohere的AI研究负责人，正率先探索这一变革性方向，并为此创立了Adaption Labs。

规模化困境：智能突破的症结所在

Hooker博士明确指出，仅依靠“规模化药方”来扩展模型，虽看似吸引人但本质乏味，并未能催生出能真正与世界互动和适应的智能。她强调，适应性是学习的核心。例如，人类在不小心撞到桌子后，会自然学会下次更小心避开。AI领域也曾尝试通过强化学习（RL）模拟这种适应过程，让模型在受控环境中从错误中学习。但目前的强化学习方法难以让已投入实际生产的AI系统进行实时纠错，导致它们反复犯错。

Adaption Labs：探索高效适应性学习新范式

Adaption Labs的核心目标是构建能够持续从真实世界经验中学习并高效适应的AI系统。Hooker博士目前未透露具体技术细节，但她坚信，当前由少数成本高昂、难以定制的大型AI模型主导的局面并非必然。她认为，AI系统可以极其高效地从环境中学习，这将彻底改变AI的控制权和塑造方式，并最终决定这些模型为谁服务。

挑战传统，寻找低成本突破

与目前动辄数百万甚至上千万美元的LLM训练成本形成鲜明对比的是，Adaption Labs旨在以更低的成本实现AI的突破性学习。Hooker博士曾领导Cohere Labs，专注于为企业应用训练小型AI模型。她观察到，紧凑型AI系统在编码、数学和推理等基准测试中，已能超越其规模更大的同行，这一趋势正是Adaption Labs希望进一步推动的。

资金支持与全球人才布局

据知情投资者透露，Adaption Labs在今年早些时候已完成一轮2000万至4000万美元的种子轮融资，具体金额未公开。Hooker博士表示，公司目标远大，已为实现这一抱负做好准备。她还特别重视扩大AI研究的全球可及性，计划在全球范围内招募人才，同时在旧金山设立办公室。

变革潜力与未来展望

如果Hooker博士和Adaption Labs对当前规模化局限性的判断是正确的，那么其影响将是巨大的。数十亿美元已被投入到LLM的规模扩展中，期望更大的模型能带来通用智能。然而，真正的适应性学习不仅可能更强大，效率也可能更高，有望重塑AI技术的发展路径。