人工智慧實驗室正競相建設規模堪比曼哈頓的資料中心，耗資數十億美元且能源消耗等同於一座小城市。這種趨勢源於對「規模化」的深信不疑，即透過增加運算量能訓練出具備全任務能力的超級智慧系統。然而，越來越多的研究人員認為大型語言模型的規模化已接近極限，並指出需要其他突破來提升效能。前 Cohere 人工智慧研究副總裁、Google Brain 校友 Sara Hooker 正押注於此，創立新公司 Adaption Labs。她與前同事 Sudip Roy 共同創立該公司，主張規模化大型語言模型已成為低效的提效方式。Hooker 在 2025 年 10 月 7 日於 Twitter 宣佈啟動新專案，致力於構建能持續適應與學習的機器。
Hooker 在接受 TechCrunch 採訪時表示，Adaption Labs 正在開發能從真實世界經驗中高效適應的人工智慧系統，但拒絕透露具體方法或架構細節。她指出，單純依靠規模化模型已無法產生能與世界互動的智慧，適應才是學習的核心。雖然強化學習（RL）試圖捕捉此概念，但現行方法無法讓生產環境中的系統即時從錯誤中學習。OpenAI 等公司提供微調諮詢服務，但費用高昂，據報需花費超過 1000 萬美元。Hooker 認為 AI 系統應能低成本從環境中學習，這將改變誰能控制與塑造 AI 的格局。
MIT 研究人員近期發現世界最大 AI 模型可能出現效益遞減，San Francisco 的氛圍也隨之轉變。著名播客 Dwarkesh Patel 邀請 Richard Sutton 等專家討論，Sutton 認為大型語言模型無法真正規模化，因無法從真實經驗學習；OpenAI 前員工 Andrej Karpathy 也對強化學習的長期潛力存疑。2024 年底，研究人員曾擔憂預訓練規模化遇到瓶頸，但 2025 年推理模型的突破推動了 AI 能力進一步提升。OpenAI 開發 o1 模型即基於此信念，Meta 與 Periodic Labs 的強化學習研究耗費超過 400 萬美元。相比之下，Adaption Labs 旨在證明從經驗學習可大幅降低成本，該公司據稱已籌得 2000 萬