讓我對 ExpRL 感到印象深刻的一點是，它揭示了我們目前對 AI 進步的認知所存在的限制。 大多數基準測試僅衡量模型是否得出正確答案， 卻很少衡量在過程中探索並放棄了多少有價值的想法。 人類的創新往往來自失敗的嘗試， 而非完美的結果。 一名科學家可能在找到正確假設之前，測試了數百個錯誤的假設， 但傳統的強化學習卻將每條失敗的路徑視為同等無價值。 ExpRL 提出，這些失敗中可能隱藏著寶貴的資訊。 這個觀念的重要性超越了數學基準測試。 隨著 AI 代理變得更強大，最終的勝者可能不是最快找到答案的模型， 而是從錯誤中學到最多經驗的模型。 這也是為何驗證如此重要： 如果沒有可靠的方法來評估中間推理與輸出，我們就無法區分有生產力的探索與純粹的幻覺。 AI 的未來，可能不再取決於生成答案的能力， 而更在於理解哪些錯誤值得學習。