前Cohere高管携新创公司，挑战AI“规模至上”路线
Cohere前AI研究副总裁、谷歌大脑前成员萨拉·胡克（Sara Hooker），联合另一位曾任职于Cohere和谷歌的老兵苏迪普·罗伊（Sudip Roy），共同创立了新创公司Adaption Labs。
这家公司的核心主张极具颠覆性——当前通过“扩大模型规模”提升AI性能的方式已效率低下，未来AI的突破点在于“持续自适应学习”。胡克于2025年8月离开Cohere，并在本月低调宣布新公司，开启大规模招聘。她在社交平台上明确表示，新项目聚焦“打造能自适应、持续学习的思考型机器”，且团队人才密度极高，正招募工程、运营、设计等领域人才。
“规模竞赛”枯燥且低效，自适应学习才是AI核心
胡克对当前AI行业的“规模至上”逻辑提出尖锐质疑，她的核心观点可概括为三点：
规模路线已达拐点：胡克认为，“单纯扩大模型规模的方法（即‘规模至上’路线）虽然有吸引力，但极其枯燥，且并未产出能与世界互动、应对现实场景的智能”，当前行业已迎来明确的转折点。
自适应是学习的本质：她以“走路撞到餐桌脚趾，下次会更小心绕开”为例，指出“自适应是学习的核心”。而当前AI实验室常用的强化学习（RL），仅能让模型在受控环境中从错误中学习，无法在实际应用场景（如客户正在使用的系统）中实时改进，相当于“一直撞脚趾却不会调整”。
现有模型适配成本极高：目前头部AI实验室提供的模型“对所有人都是统一服务”，企业若想根据自身需求微调，需付出高昂代价。例如有消息称，OpenAI的模型微调咨询服务，要求客户最低消费达1000万美元。胡克坚信，“AI系统完全可以高效地从环境中学习，无需如此高成本”，而这一改变将重塑“谁能控制AI、AI为谁服务”的行业格局。
行业背景：“规模神话”松动，质疑声渐起
Adaption Labs的出现，并非孤立事件，而是行业对“规模路线”信心动摇的缩影，主要体现在三个层面：
权威研究与声音质疑：MIT近期研究指出，全球最大规模的AI模型可能很快会出现“收益递减”；图灵奖得主、“强化学习之父”理查德·萨顿（Richard Sutton）9月表示，大语言模型（LLMs）无法真正实现规模突破，因为它们无法从现实世界经验中学习；OpenAI早期员工安德烈·卡帕西（Andrej Karpathy）本月也坦言，对强化学习（RL）提升AI模型的长期潜力存疑。
“预训练”规模瓶颈已显现：早在2024年底，就有研究者担忧“通过预训练（让模型从海量数据中学习模式）扩大AI规模”的路线会触顶。而如今，这一担忧已得到数据支撑——预训练的规模红利正在消退。此前，预训练一直是OpenAI、谷歌提升模型性能的核心手段。
行业转向新“规模赛道”，但成本高企：面对预训练瓶颈，行业将目光转向“强化学习（RL）”和“AI推理模型”，视其为新的规模突破口。例如OpenAI开发首个推理模型o1，正是基于“其具备良好扩展性”的判断；Meta和Periodic Labs近期发布的RL相关研究，据称耗资超400万美元，凸显当前新路线的高昂成本。
新公司动态：瞄准“低成本经验学习”，已完成种子轮融资
Adaption Labs与行业主流路线不同，目标是找到“从经验中学习”的突破性方法，证明该路径不仅更有效，且成本远更低。目前公司的关键进展包括：
融资情况：据三位看过其融资材料的投资者透露，今年初秋，Adaption Labs曾计划募集2000万-4000万美元种子轮，目前该轮融资已完成，但具体金额未公开，胡克对此未予置评。
团队与办公布局：胡克此前在Cohere时，擅长训练面向企业场景的小型AI模型，且推动“小模型在编码、数学、推理基准测试中超越大模型”的趋势；同时，她长期致力于扩大AI研究的全球可及性，曾从非洲等代表性不足的地区招募研究人才。如今，Adaption Labs虽即将在旧金山开设办公室，但仍计划在全球范围内招聘。
目标与野心：当被问及投资者时，胡克表示“公司的定位极具野心”，核心是延续“小模型高效化”趋势，并实现“AI从环境中高效学习”的突破。
若成功，将重塑AI行业格局
若胡克和Adaption Labs的判断正确，即“规模路线存在本质局限”，将对AI行业产生巨大影响：
目前行业已投入数十亿美元用于扩大LLM规模，核心假设是“模型越大，越接近通用人工智能”。
而若“自适应学习”被证明不仅更强大，且效率更高，将彻底颠覆当前的AI研发逻辑、资源投入方向，甚至改变“谁能主导AI发展”的权力结构——中小企业或无需再为“规模”支付巨额成本，也能拥有高效的AI系统。