📰 概要

一个只有1930年知识的AI，学会了编程。

量子位报道，研究人员用大模型talkie-1930-13b微调成软件工程师——这个模型被设计成"只知道1931年1月1日之前的事"，连电视机都没见过。

有趣的是，仅用250个训练样本，这个跨越近百年的"过去之灵"就解决了自己人生中的第一个编程问题，在SWE-bench真实软件工程任务上掌握了写Python代码的能力。

---

🔍 解读

这不是复古玩票，是关于"训练数据边界"的严肃实验。

操盘手包括David Duvenaud，以及GPT系列之父Alec Radford。他们的核心设计：训练数据有条铁律——1931年1月1日之后的任何一个字，全部不准进。

这种极端约束，反而让模型成为"纯净"的测试对象：在一个完全没有现代知识的世界里，AI还能学会编程吗？

答案是能。而且只需250个样本。

---

💎 深挖

"老头AI"是什么

talkie-1930-13b是AI圈爆火的模型，由AI研究员Nick Levine、多伦多大学副教授David Duvenaud和Alec Radford联合打造。

核心特征：模型的知识截止到1930年12月31日。这意味着它不知道计算机、不知道互联网、不知道现代软件工程——所有现代编程语言、工具链、框架对它来说都是全新的。

研究人员给它微调成软件工程师，看它能否在没有"时代背景"的情况下学会写代码。

250个样本的力量

过程比想象中轻松。模型在SWE-bench上解决真实软件工程问题时，仅用了250个训练样本。

这打破了AI领域一个常见认知：编程能力需要海量代码数据支撑。

如果一个连Python都没"见过"的模型（从没见过1991年后的任何代码），仅凭250个样本就能学会写代码，说明模型的推理能力和知识边界是分开的。

对AI训练的启示

这个实验揭示了重要问题：现代AI的训练数据已经严重同质化。大多数模型都在相似代码库上训练，导致"集体智能"而非真正的推理能力。

为什么值得关注

不是技术突破，是认知实验。

这个"老头AI"证明了一个观点：模型的推理能力不完全依赖训练数据的时间范围。一个不知道现代世界的AI，可以学会编程——这意味着你可以在有限数据上训练出有效能力。

对于AI开发者来说，这意味着你的训练数据选择比数量更重要。一个边界清晰的"纯净数据集"，可能比海量混杂数据更有效。

什么情况不建议用

如果你需要写现代软件工程代码，这个模型帮不了你。它不知道现代框架、工具链、API设计模式。

250个样本能教会它写Python的基本逻辑，但无法让它理解现代软件工程的最佳实践。如果你的代码依赖最新库、新框架或前沿技术栈，这个实验中的方法不适用。