脱离OpenAI，单独创业之后，Karpathy对AI更达观了

“我觉得车在主动驾驭中根本上便是个机器人。”

“许多人以为特斯拉只是一家轿车公司，这种观念有点误导。特斯拉其实是一家大规划的机器人公司。”

在最近一期 No Priors 的采访中，AI 大神 Andrej Karpathy 这么说道。

作为 OpenAI 的开创成员，他曾担任特斯拉 Autopilot 项目，现在把目光转向 AI 教育，创立了新公司 Eureka Labs。

在这期访谈中，Karpathy 从主动驾驭谈到人形机器人开展，从 AI 数据瓶颈讲到 AI 与人脑的联系，以及依据他自己的 AI 教育渠道 Eureka Labs，谈了谈 AI 对未来教育带来的剧变。

一些有意思的点：

• Tesla 面临的是软件问题，而 Waymo 面临的是硬件问题

• 人形机器人的第一批用户最好是企业内部的B2B运用。

• 神经网络架构不再是瓶颈了，数据才是首要问题。

• 现在的模型浪费了许多容量在记住一些不重要的东西上，10 亿参数以下的小模型是未来的干流。

• 未来大模型的作业方法会像一个“大模型公司”。你会有各种不同才干、专心于共同范畴的模型生态。

• 未来的孩子应该去学数学、物理和核算机科学，在重要的学习阶段，应该专心于那些操作密集型的使命，而不是回忆密集型的使命。

一、人形机器人的第一个落地场景是什么？

NoPriors：你觉得人形机器人的第一个运用范畴会是什么？

Karpathy：许多人或许会想着让机器人去洗衣服、做家务什么的，但我觉得那会很晚才完结。我不以为 B2C 是个好起点。由于我觉得，咱们不能让机器人去做一些或许会不当心撞到奶奶之类的事，这样的话法律责任就会十分杂乱。

我以为最好的第一批客户便是公司自己。特斯拉或许会先走这条路。第一个客户是自己，能够先在工厂里运用它，比方做一些物料搬运的作业。这样，你就不必跟第三方签合同，避免了触及律师的费事。你能够自己先孵化它，然后第二步再去做 B2B。你能够去那些有大型库房的公司，咱们能够帮他们处理物料、签合同、设置围栏，做一切这些作业。

等你在多家公司验证往后，我觉得那时才干开端进入 B2C 运用范畴。我信任未来咱们会看到 B2C 的机器人呈现，比方像 Unitree（宇树科技）这种公司推出的产品。我很想要他们的 G1 机器人，或许还会有一些人在这些渠道上树立一个生态体系。总归，开端必定仍是会触及许多的物料搬运，逐渐向更详细的运用开展。

NoPriors：你曾经在特斯拉担任主动驾驭事务，怎样看待现在主动驾驭才干的开展途径？咱们多快能看到主动驾驭的遍及？

Karpathy：是的，我在主动驾驭范畴花了大约五年的时刻。我觉得主动驾驭其实和 AGI 在某种层面上是相似的。或许是由于我对这两个范畴都很了解，但我觉得咱们在主动驾驭方面现已触及到了一点 AGI，现在一些主动驾驭现已能够做到带你在某个城市里随意地逛了（而不需求在指定的路途和路线上）。十年前，我就坐过 Waymo，一位在那儿作业的朋友带我绕着街区开了一圈。十年后，Waymo 从只能试乘变成一个用户能够付费运用的老练产品。

NoPriors： 当年约束主动驾驭开展的是监管，仍是技能？你以为技能是什么时分老练的？是最近吗？

Karpathy：我以为其中有许多是受监管要素的影响。但我的确以为，从某种意义上来说，咱们现已在主动驾驭范畴完结了通用人工智能。可是，它还没有完结全球化。所以你看到了 Demo，你能够体会它，但国际还没有因而而改动。这还需求很长时刻。就算你有一个在某区域能运转演示体系，但国际的其他地方你仍是去不了。这还需求很长时刻。所以，间隔真实的全球化，主动驾驭还有很长的路要走。

在主动驾驭范畴，大多数人觉得 Waymo 比 Tesla 抢先。但我个人以为，其实 Tesla 反而抢先 Waymo。尽管看起来并不是这样，但我对 Tesla 和他们的主动驾驭计划十分看好。

在我看来，Tesla 面临的是软件问题，而 Waymo 面临的是硬件问题，而软件问题要好处理得多。Tesla 现已在全球铺设了许多的轿车，规划适当大，而 Waymo 做不到。

我昨日刚试驾了最新版的 Tesla 主动驾驭体系，现在它现已能够带我到任何地方了。我有必要供认，他们最近改善得十分好。我最近一向在用这个体系，它实践上运转得适当不错。

NoPriors：你觉得咱们离处理软件问题的要害点还有多远？什么时分能抵达某种程度的平衡？假如你看看 Waymo 的车，他们装了许多十分贵重的 LiDAR 和其他传感器，这些传感器支撑他们的软件体系。而 Tesla 的办法是只用摄像头，这样能够大大降低本钱和杂乱性，还能适用于各种车型。你觉得这种改变什么时分会产生？

Karpathy：未来几年吧。不过，我不确定咱们是否知道，其实特斯拉也用过许多贵重的传感器，在练习阶段运用这些传感器，可是没有大规划推行。这些都是在练习阶段完结的，然后他们把一切的数据浓缩成一个只依据摄像头的布置包，这就像是在传感器和本钱上做了套利。我觉得这其实是个很聪明的战略。

NoPriors：最近如同有个趋势，便是向端到端深度学习的转化。你能谈谈这个问题吗？

Karpathy：是的，我觉得这一向是特斯拉从一开端就计划好的，用神经网络逐渐代替整个体系栈。刚加入时，体系里有许多 C++ 代码。而现在车上运转的测验包里 C++ 代码现已少了许多，神经网络现已逐渐渗透进整个体系了。

最开端，它只是处理图画层面的检测。接着，它处理多帧图画，给出一个猜测。跟着时刻推移，多帧图画交融后给出更精确的猜测。你会发现，C++ 代码逐渐削减，最终只剩余转向指令了。所以我觉得特斯拉是在逐渐代替整个体系栈。

据我了解，Waymo 现在其实不是这么做的，他们试过，但最终没完结。不过我也不确定，由于他们没揭露议论这个问题。但我从底子上信任这种办法。假如你这么想，我觉得这便是最终的拼图。

我以为像特斯拉这样的端到端体系，在大约 10 年内，或许便是一个完好的神经网络了。视频流输入神经网络，最终直接输出操控指令。这种端到端驾驭，只是仿照人类的行为，用很少的监督数据去练习一个巨大的神经网络。关于几亿个参数来说，这种信号太少了。所以，这些中心表明能够帮忙开发各种特征和检测器，让端到端部分变得更简略。

NoPriors：你脱离特斯拉之前还参加过他们的人形机器人项目。这个项目有什么技能是能够搬运到主动驾驭的吗？

Karpathy：根本上，一切东西都能搬运过来。我觉得许多人或许没认识到这一点。

NoPriors：这可真是个斗胆的说法。这两个项目看起来彻底不相同啊。

Karpathy：其实，我觉得车在主动驾驭中根本上便是个机器人。

许多人以为特斯拉只是一家轿车公司，这种观念有点误导。特斯拉其实是一家大规划的机器人公司。规划化自身也是一个彻底不同的变量。他们不是在造单一的产品，而是在造能够制作产品的机器，这彻底是两回事。所以，我觉得特斯拉是一家大规划的机器人公司。

从轿车到人形机器人的改变其实没那么难。前期版别的 Optimus 机器人乃至以为自己是辆车，由于它用的电脑和摄像头跟车彻底相同。特别风趣的是，咱们在机器人上运转轿车的神经网络，而它在作业室里四处走动。它企图辨认“可驾驭的空间”，但现在我想那些空间应该算是“可行走的空间”了。

NoPriors：但你仍然短少许多举动数据。

Karpathy：是的，必定会短少量据。不过我还想说，其实有许多东西是能够搬运过来的。

比方说 Optimus 机器人项目的发动速度让我十分惊奇。由于当 Elon 一宣告咱们要做这个项目时，咱们立刻就带着一切适宜的东西上手了。一切的东西很快就预备好了，从 CAD 模型到供应链的东西。就像是把轿车从头配置成《变形金刚》里的那种机器人。它们只是从头组合和摆放，但其实都是相同的东西。在智能方面，有许多能够搬运的东西。不仅是详细的神经网络，还包含整个办法论、团队，以及一切的协谐和咱们运用的办法。

NoPriors： 你以为相关于未来，现在的机器人技能里短少了什么要害技能？

Karpathy：我不确定我是否对这个问题有十分明晰的观念。我的确以为在人形机器人这种形状中，下半身的操控或许不太合适经过演示来进行仿照学习。由于下半身触及许多像倒竖摆操控这样杂乱的力学问题。而关于上半身，我觉得或许需求更多的长途操作、数据搜集和端到端的处理。

二、架构不是约束，数据稀缺才是要点

NoPriors：咱们会有关于数据壁垒以及规划进一步开展的本钱问题的评论。你怎样看这个问题？

Karpathy：首要我不以为神经网络架构在从底子上约束咱们了。它现已不是瓶颈了。曾经 Transformer 是一种瓶颈，但现在它现已不再是瓶颈了。现在咱们更多地在评论什么是丢失函数，数据集在哪里。这些问题简直成为了瓶颈。

这不再是一个依据你想要它变成什么而从头配置的通用组织。这便是为什么许多研讨现已搬运到了这个范畴。许多公司和其他运用这种技能的企业不再怎样考虑 Transformer 了。他们不再怎样考虑改善架构。

Llama 的发布中，Transformer 并没有太大的改变。咱们增加了 RoPE 相对方位编码，这是首要的改变。其他一切都无关紧要，像是一些小东西的 3% 的前进罢了。但实践上，RoPE 是仅有刺进的东西。这便是 Transformer 在曩昔五年左右的改变。所以在这方面没有太多的立异。咱们都以为这是天经地义的，让咱们练习它。然后咱们首要在数据集和丢失函数的细节上进行立异。所以一切的活动都会集在那里了。

NoPriors：在那个范畴，曾经咱们用的是互联网数据，现在互联网数据现已用完了。所以问题首要环绕组成数据或许更贵重的数据搜集。

Karpathy：现在许多活动都会集在大型言语模型上。其实互联网数据并不是用来练习的抱负数据，你真实想要的，应该是你大脑里的内心独白和大脑中的思维轨道。比方说，当你处理问题时，大脑里的推理途径。假如咱们能有十亿个这样的途径，那么咱们根本上就挨近 AGI 了。但咱们现在底子没有这样的数据。

所以我以为现在许多研讨活动的要点是怎样运用互联网数据来挨近这个方针。由于互联网尽管只是许多网页，但它刚好包含了足够多的推理痕迹和常识，而 Transformer 又能很好地处理这些信息。现在咱们都在尽力将数据集重构为相似内心独白的方法，许多的组成数据在这方面十分有帮忙。风趣的是，现在的模型在某种程度上也在帮忙咱们创立下一代模型，就像是一个不断改善的阶梯。

NoPriors：你以为组成数据有多大用途，或许说能带咱们走多远？由于正如你所说，每个数据、每个模型都有助于更好地练习后续模型，至少在创立东西、数据标示等方面，或许部分是组成数据。你以为组成数据的部分有多重要？

Karpathy：是的，我以为这是咱们能够获得开展的仅有途径，咱们有必要让它发挥作用。但在运用组成数据时，你有必要当心，由于这些模型会由于组成数据而悄然无声地退化*。（Nature 重磅论文：用 AI 生成的数据练习 AI，会让大模型溃散）

比方说向 ChatGPT 发问让它讲个笑话，你会得到一个反应——这看不出什么。但你要知道它背面有千万种生成的或许，投喂组成数据之后，生成成果的或许性在下降，而你在输出端调查不到这一改变，所以这是一个“悄然无声”的退化。

当你看到任何单一的输出时，你只看到了一个单一的比方。但当你实践检查散布时，你会留意到这不是一个十分多样化的散布，悄然无声地退化了。当你进行组成数据生成时，这是一个问题，由于你实践上十分需求那种熵。你需求数据会集有丰厚的多样性和丰厚性，否则，你得到的数据聚会变得缩短。当你检查任何单个示例时，你看不到它，但散布现已失掉了许多的熵和丰厚性，所以它在无声中变得更糟。

为了处理数据稀缺的问题，组成数据肯定是未来。只是运用的时分有必要要当心。

三、Transformers架构其实比人脑要好用

NoPriors：你觉得咱们从这项研讨中，学到了什么关于人类认知的东西吗？有人说，搞清楚推理轨道，或许有助于咱们真实了解大脑的运作方法。

Karpathy：我觉得和人脑类比仍是要慎重一些，总的来说，我以为它们彻底是不同的东西。有些方面的确能够类比一下。比方，我觉得 Transformer 在许多方面其实比人脑还要好。它们实践上是一个更高效的体系。它们没有人脑那么凶猛，首要是由于数据问题，大致上来说，这是我以为的一个一阶近似。

实践上，Transformer 回忆序列的才干远超人类。比方，假如你给它一个序列，然后它经过一次前向和反向传达处理，这时分假如你再给它这个序列的前几个元素，它就能完结剩余的部分。而且它对这个特别拿手。假如你让一个人类看一次序列的演示，人类是肯定记不住的。所以，我的确以为，依据梯度优化，咱们在练习神经网络时进行的前向-反向更新，在某些方面其实比人脑更高效。

NoPriors：核算机在不同运用中都会有十分强的算术才干。

Karpathy：我觉得人类大脑有许多约束。咱们的作业回忆十分小，而 Transformers 的作业回忆要大得多，而且这种距离会继续扩展。它们是更高效的学习者。大脑在各种约束下作业，比方不清楚大脑是否运用反向传达，也不知道那会怎样运转。大脑是一个十分随机、动态的体系，受环境和其他要素的限制。所以，我以为咱们现在的技能，潜力上比大脑更强，只是还没彻底抵达那个水平。

NoPriors：未来跟着时刻推移，人类会怎样样和 AI 体系结合？你觉得这是一个或许的开展方向吗？用 AI 模型增强人类？

Karpathy：总的来说，肯定是这样。咱们其完结已在某种程度上交融了。问题在于输入输出的瓶颈。但大多数状况下，假如你具有这些模型中的任何一个，你现已在运用它们了。

NoPriors：是的，但这有点不相同。有人现已争辩了四五十年，以为科技东西只是人类才干的延伸。比方核算机是人类思维的自行车之类的。

Karpathy：对，正是这样。

NoPriors：不过，有一部分 AI 社区以为，经过某种方法的交融能够处理未来与 AI 或其他体系的潜在抵触。比方 Neuralink 等等。

Karpathy：对，便是这样。我现在还不知道这种交融详细会是什么姿态，但我的确能了解，削减运用东西时的输入输出瓶颈是很重要的。我觉得这有点像大脑的外层皮质。咱们是在新皮层上继续构建。只是这次，它是在云端，而不是在咱们脑筋里，但本质上，它是大脑的下一层。

NoPriors：早在 2000 时代初的《Accelerando》（一本叙述人类进化的科幻小说）一书中就有个预言，里边人类的一切东西都体现在一副核算眼镜中，这副眼镜与大脑衔接。假如你失掉了这个眼镜，你就失掉了一部分特性或回忆。

Karpathy：我以为这很有或许。今日，手机简直现已是这样了。我以为状况会变得更糟。当你把你的科技产品放在一边时，你就像大天然中的裸体人类，或许你失掉了部分才智。这十分令人焦虑。

NoPriors：一个简略的比方是地图。我留意到现在许多人其完结已不再能够很好地记清楚他们的城市，由于他们总是依靠转弯提示来指引方向。

Karpathy：假如咱们具有了一个相似通用翻译器的东西，我觉得咱们离这个方针现已不远了。假如你总是依靠这些东西，一旦放下，你或许会失掉与不讲英语的人的沟通才干。

NoPriors：我十分乐意将我大脑中那部分用于导航的区域从头运用，去做一些更深化的研讨。

Karpathy：我不知道你是否看过那个视频，一个小孩子拿着一本杂志，却在杂志上滑动，像是在运用平板电脑。这让我觉得风趣的是，孩子们不再差异什么是天然存在的，什么是科技附加的。我觉得这也是相似的——人们开端默许这些东西的存在。

而当你忽然把它们拿走时，人们或许才会认识到，本来他们无法差异什么是技能，什么不是。假如你一向依靠一个设备为你翻译一切的对话或许处理其他使命，人们或许会失掉一些根本的认知才干。

NoPriors：假如咱们议论外部大脑，这是一件十分重要、需求遍及的作业。你怎样看当时的商场结构以及在大规划言语模型研讨中产生的作业？实践上，只要少量几家大型试验室有机会在下一代练习中获得开展。这关于未来人们能够拜访的技能来说意味着什么？

Karpathy：你或许在暗示的是生态体系的状况。咱们现在看到的是几个关闭渠道构成的寡头独占，而开源渠道，比方 Meta 的 Llama 等，尽管相对落后，但也在不断开展。这反映了开源生态体系的现状。

当咱们把这些技能看作外部大脑时，能够学习加密钱银中的说法：“没有你的密钥，就没有你的 Token”。换句话说，或许会变成“不是你的权重，就不是你的大脑”*？你会感觉公司实践上在操控你的外大脑，感觉有点被侵犯了。你认识到你是在租借你的大脑，这种感觉的确有点奇怪。

注：能够了解为，在 AI 时代，具有模型的权重或许等同于具有模型的“智能”或“常识”。

NoPriors：这个思维试验就像是，你是否乐意抛弃自己的一切权和操控权，而租借一个更好的大脑吗？我个人乐意。所以我以为这是一个权衡。不知道其他人会怎样想。

Karpathy：咱们乐意用闭源的模型是由于它们很优异，但一起咱们也应该有一个后备计划：在一些关闭的 API 宕机时，人们把开源的模型当作后备计划。所以，这或许便是未来大脑的姿态。假如产生了什么事，咱们就依靠开源资源。但大多数时分，你其实仍是依靠“被操控的”那个脑子。

NoPriors：所以开源资源的继续前进十分重要。

Karpathy：我彻底赞同。这或许不是一个清楚明了的观念，或许现在人们纷歧定都赞同，但我百分之百以为这是重要的。

四、未来会呈现1B参数的可用小模型 

NoPriors：我一向在想，最小、最有用的模型会是什么样的？不管是从参数巨细仍是其他方面来看，你怎样看？你对模型蒸馏和小模型有许多考虑，我很想知道你的观念。

Karpathy：我觉得模型能够小到让你意想不到。现在的模型浪费了许多容量在记住一些不重要的东西上，比方一些老旧的数据，或许 SHA 哈希码之类的。这是由于咱们用的数据集没有收拾得很好。我以为这种状况会改善的。咱们需求做的是找到认知的中心部分，我信任这个中心能够十分小。它只需求能考虑，假如需求查找信息，它知道怎样用不同的东西来获取。

NoPriors：30 亿参数？20 亿参数？

Karpathy：我觉得乃至 10 亿参数就够了。咱们有或许做到这一点。模型能够做得十分小。这是由于蒸馏技能很有用。蒸馏便是用一个大模型或许许多的核算资源去练习一个小模型，你能够把许多功用压缩到一个小模型里。

NoPriors：这背面有数学公式或许信息理论的支撑吗？感觉应该能够用这些来核算吧？

Karpathy：或许有吧。能够这样想：咱们现在用的互联网数据集，大约只要 0.001% 是有用的认知信息，其他的 99.99% 都是信息废物。我觉得大部分数据对实践的考虑没有太大帮忙。

NoPriors：是否有一种数学模型能够描绘认知才干与模型巨细的联系？或许你怎样在设定的方针中捕捉到认知中心？或许没有一个模型能解说吧，可是或许咱们应该设定一个十亿小模型的方针？

Karpathy：十亿个参数或许仍是有点多。仍是看看未来的开展状况吧。

NoPriors：考虑到设备端和云端的差异，还有运用模型的原始本钱，这些都很令人兴奋。但在不到十亿个参数的状况下，我也期望能在本地设备上完结我的外脑功用。

Karpathy：或许这个未来不是一个单一的模型，或许是并行的一组模型。你能从并行处理的优势中获益。我觉得公司在某种程度上也应该着重作业中的并行化。不过，公司存在的层级结构是为了有用地组织信息。

所以，我以为未来大模型的作业方法会像一个“大模型公司”。你会有各种不同才干、专心于共同范畴的模型。这将相似于公司中的不同人物，比方程序员和项目经理，他们并行作业并进行协同核算。模型们会构成一个生态体系，里边有专门的人物和生态位。问题会依据难度主动上升到不同部分。

因而，或许 CEO 就像一个十分聪明的云模型，而工人则能够廉价得多，乃至或许是开源模型或其他类型的模型。这种方法或许会很风趣。

五、今后的教育不该该是有用，而应该是风趣

NoPriors：你脱离了 OpenAI，开端从事教育作业。为什么会做出这样的决议呢？

Karpathy：我一向以来都是一名教育者，酷爱学习和教育，这是我一向十分热心的范畴。别的，我觉得现在 AI 范畴有许多活动，许多都是想代替或代替人类的，这让我感觉有点像把人扫除在外了。

我更关怀的是怎样经过 AI 帮忙人类。我不期望未来人们只是被主动化代替，我期望人们能够变得更强，更超卓，比现在更好。假如一个人有一个完美的全科导师，他们能走多远呢？但假如人们能有一个完美的学习组织，他们能够走得十分远。咱们看到一些有钱人大约率有私家导师，他们的确获得了很大的成果。所以我期望经过 AI，抵达挨近这种作用。

NoPriors：其实从 80 时代开端，就有研讨证明了1对1教导能够很有用地前进人们的才干。站在 AI 的视点，你怎样想？或许说，什么样的产品能够真实帮忙完结这一方针？

Karpathy：我的确遭到这些观念的启示。我正在测验创立一个课程，期望它能成为人们学习 AI 的首选课程。

要害问题是怎样扩展这些课程的规划。例如，我曾在斯坦福教授过一门深度学习课程，作用适当好。但问题在于，怎样让全国际 80 亿人都能获益？他们讲不同的言语，才干水平不同，单个教师无法掩盖这么广泛的受众。

所以问题便是：怎样运用 AI 来扩展一个优异教师的影响力？我觉得教师担任规划课程内容，而 AI 则作为前端，向学生解说课程内容。教师不再直接面临学生，而是在后台规划课程资料，AI 作为前端，能用各种不同的言语引导学生完结课程。

NoPriors：这听起来像是助教的体会吗？

Karpathy：对，AI 助教能够作为学生的前端，与学生互动并引导他们完结课程，我以为这是能够完结的，尽管现在还没有，但未来或许会变得很好。

跟着时刻的推移和技能的开展，课程设置或许会以各种方法重构。我喜爱找到当时 AI 才干的实践运用点，许多公司或许并不彻底了解现有技能的才干，最终会构建一些超前于现有才干的东西，或许不行敢想。因而，我以为这的确是一个充溢或许性和激动人心的范畴。

NoPriors：现在咱们根本上还不知道在学习方面，人类能抵达什么极限。比方上个月的奥运会，今日的运动员比曾经体现都更好。不考虑相似十年前兴奋剂等要素，只是是由于咱们现在的练习办法、科学了解、技能和配备都有了很大前进。你信任，假如咱们从东西和课程做起，人类能够获得更大前进，这一点的确令人兴奋。

Karpathy：是的，我觉得咱们连或许完结的一部分都还没碰到。我以为有两个方面值得重视。第一个是全球化的维度，我期望每个人都能接遭到真实优质的教育。第二个是个人的生长潜力，这两个问题都十分风趣。

NoPriors：一般，当人们议论1对1学习时，他们会重视它的自习惯性，便是说怎样在应战与水平适当的状况下供给帮忙？你觉得今日的人工智能能做到这一点吗？仍是说这是未来的作业，现在更多的是扩展影响力、多言语和全球化的问题？

Karpathy：清楚明了的是，像不同言语这种问题其实很简略处理。现在的模型在翻译方面体现十分好，能够实时翻译资料。这些功用现已比较老练。

而依据一个人的布景进行习惯，这就不那么简略了，但也不是彻底不行完结。尽管它不是一个简略完结的方针，但的确是一个需求处理的问题。每个人的布景不同，运用他们已知的常识进行类比是很有帮忙的。这在教育中十分重要，但现在这方面还需求更多的作业。

简略的版别或许不会太难完结，比方依据用户的提示来调整，比方“我懂物理”或许“我了解这个范畴”。这些能够做到，但我指的是那些真实能有用的、自习惯的功用，而不只是是展现时的作用。我期望看到的是，模型能够真实有用地、以一种人性化的方法作业。

NoPriors：说到习惯性的问题，由于每个人学习的速度不同，有些事物对他们来说或许很有应战性，而对其他人则否则。在这种状况下，怎样调整？你觉得能够跟着时刻推移，依据某人在某方面的好坏来从头调整模型吗？