Uskon, että RL, jolla on todennettavissa olevat palkinnot, tulevat olemaan yhä tärkeämpiä LLM:ien viemisessä kohti omaa "AlphaZero-hetkeänsä". Se alkaa todennäköisesti koodaamisella, ulottuu sitten matematiikkaan, fysiikkaan ja muihin aloihin, joissa mallit voivat tutkia itseään, löytää jakauman ulkopuolisia ratkaisuja, joita ihmiset eivät ehkä koskaan osaa kuvitella, ja varmistaa ne absoluuttisella palkkiosignaalilla (0/1). Tämä muistuttaa minua myös siitä, @elonmusk puhuin tulevaisuudesta, jossa ohjelmia voitaisiin luoda suoraan binääreinä, ilman perinteistä käännösprosessia. Se saattaa olla mahdollista, jos LLM:t voivat generoida binäärikoodin ja suorittaa sen suoraan todennettavaa palkkiota vastaan.