是時候超越大型語言模型，開創(chuàng)新的篇章了。大型語言模型和生成式人工智能（一項尚屬新興的技術）自幾年前誕生以來，我們經(jīng)歷的種種波折，證明這或許并非我們一直以來所相信的通往改變社會的智能之路。大型語言模型發(fā)展歷程中的低谷遠多于取得的重大里程碑。這還是在那些頂尖前沿科技公司身上，它們集中了數(shù)十億美元的投資。

從最新的推理模型未能給人留下深刻印象，到如今風靡一時的人工智能幻覺，以及針對前沿模型的無數(shù)版權訴訟，這些都是定義這項技術的事件。正義的捍衛(wèi)者們正在齊頭并進地構建解決方案，以保護藝術家的財產(chǎn)免受圖像生成器的侵害。盡管如此，人工智能的劣質品仍然無處不在，充斥著我們的信息流，產(chǎn)生缺乏人類智慧的輸出，并在此過程中取代了曾經(jīng)有價值的職業(yè)。這不僅加劇了人們對普遍存在的假貨的恐懼，也證實了人們對失業(yè)和工作文化衰落的持續(xù)擔憂。別忘了，聊天機器人的興起正在掠奪最脆弱的群體，引發(fā)人工智能精神病，使他們進一步遠離現(xiàn)實。最后，有跡象表明企業(yè)對人工智能模型的需求正在減弱。

投資者是否開始對LLM和超越人類智能的承諾失去興趣？

我們缺少什么？或許，是時候超越LLM的范疇，尋找其他選擇。單憑LLM無法實現(xiàn)哪些途徑？

01

定義智能

2018年，杰弗里·辛頓（Geoffrey Hinton）認為，在他開發(fā)的深度學習技術模仿人類決策的過程中，如果監(jiān)管機構要求對人工智能系統(tǒng)的決策進行解釋，那將是一場“徹底的災難”，因為人類本身無法完全解釋自己的決策過程。他解釋說：“人們無法解釋自己所做的大多數(shù)事情是如何運作的。當你雇傭某人時，這個決定是基于各種可以量化的因素，以及各種直覺。人們根本不知道自己是如何做到這一點的。如果你要求他們解釋自己的決定，你就是在強迫他們編造一個故事?！?/p>

加里·馬庫斯是紐約大學名譽教授、認知科學家，著有《代數(shù)思維》和《重啟人工智能》。他長期以來一直是主流大型語言模型的知名批評者。他在最近為《紐約時報》撰寫的專欄文章中承認：“GPT-5 向前邁出了一步，但距離許多人預期的人工智能革命還相去甚遠。這對那些在該技術上投入巨資的公司和投資者來說是個壞消息。”

時代變了，他承認，自2019年他開始批評業(yè)界對LLM及其底層深度學習技術的關注以來，很少有人愿意考慮其他方向。針對Hinton駁斥可解釋性必要性的論點，Marcus評論道：“他前幾天對那個論點做了一個變種，然后諾貝爾獎委員會居然轉發(fā)了它。這真讓人尷尬。那是一個略有不同的論點，但結構相似。就好像，嗯，人類會產(chǎn)生幻覺，所以LLM產(chǎn)生幻覺這一事實意味著他們和我們一樣，一切都很好。”

他否認人工智能的目標是復制人類智能，并評論道：“人類仍然能做很多機器做不到的事情，比如學習新技能，以及運用抽象概念進行推理。我們的思維具有流動性和靈活性，而人工智能仍然缺乏這種靈活性。即使我們不制造復制品，我們也有理由希望，我們能從人類身上學到一些東西，讓我們的人工智能更好地運作。”

他解釋說：“在人工智能的早期，人們認真對待認知科學。過去幾年，人工智能領域被那些從事統(tǒng)計學習的人所接管，而這種學習方式與人類的工作并沒有太大關聯(lián)。該領域的領導者幾乎對除了一小部分技術之外的任何東西都嗤之以鼻。他們這樣做的前提是，規(guī)模化發(fā)展可以實現(xiàn)通用人工智能 (AGI)。但事實并非如此。所以，我們應該重新思考認知科學能教給我們什么。”

Mounir Shita 是一位擁有 30 年經(jīng)驗的 AGI 研究員，也是 EraNova Global 的創(chuàng)始人，這是一個以物理為先、致力于研究智能本質的項目。他的“通用智能理論”將目標建模為物理上可實現(xiàn)的未來狀態(tài)。他將智能定義為“在物理約束下引導因果鏈走向特定狀態(tài)”的能力。

2010年，Shita與他人共同創(chuàng)立了Kimera Systems，旨在將這些想法付諸實踐。他不認同理解人類行為是通用人工智能的終極目標。他以萊特兄弟為例，重點闡述了鳥類飛行的機制：“他們并非制造了拍打翅膀的機器；而是通過識別飛行規(guī)律——升力、阻力、推力、控制力——并在這些規(guī)律的框架內進行工程設計，將飛行從鳥類手中解放出來。正因如此，我們才能運載成千上萬的乘客和數(shù)噸貨物。規(guī)律具有可擴展性，而相似性則不然?！?Shita解釋道。

Marc Fawzi 是一位系統(tǒng)思想家，他為電信服務提供商構建了首個商用低代碼平臺。20 世紀 80 年代末，他在麻省理工學院人工智能實驗室的早期創(chuàng)業(yè)經(jīng)歷，讓他接觸到了神經(jīng)網(wǎng)絡研究和大規(guī)模并行計算架構。他指出，復制人類智能不僅僅是計算；他解釋了定義人工智能運作方式的 分層系統(tǒng)：

第一層：統(tǒng)計學，認知依賴于歷史事件（或先驗信息），這些事件可以編碼基礎，但會隨著新證據(jù)而更新。第二層：結構，識別概念體系中的相似性和約束條件——最終將保留該體系的意義和框架。例如，超現(xiàn)實主義是一種藝術，也是一種字面意義上的運動，其主要約束條件是拒絕理性和傳統(tǒng)的慣例，因此運用藝術技巧來支撐這一框架。第三層：推理，指如何從表征系統(tǒng)中解釋某種事物的引入。最后，第四層：目標，將定義偏好、風險和權衡。

Fawzi強調：“所有四個層面必須協(xié)調一致。如果結構無法約束統(tǒng)計數(shù)據(jù)或推理，或者忽略了結構，你得到的推理即使流暢，也會偏離真理；如果目標不明確，你得到的就是目標錯誤的能力?！?換句話說，智力是不確定性、結構、推理和目標的統(tǒng)一。

Shita 表示，智能的定義與 Fawzi 類似，并且屬于宇宙結構：狀態(tài)、目標，[但增加了] 動態(tài)、時間、因果關系等維度。他肯定地說：“推導更新/控制定律，闡明其有效性機制，然后構建。這就是科學和工程幾千年來不斷發(fā)展的方式……如果一個系統(tǒng)無法在規(guī)則翻轉時進行中途調整，并解釋其更新背后的因果假設，那么你就不是在構建通用人工智能。你只是在進行演示。”

馬庫斯最近出版了《馴服硅谷》一書，他認為那些在大型前沿模型上投入數(shù)十億美元的風險投資家，更喜歡用簡單的故事來解釋自己的豪賭，比如“如果我們不斷把這些東西做大，就能得到通用人工智能”。他表示，風險投資對LLM的投資，是基于這樣一種信念：更多的數(shù)據(jù)和更多的計算能力是關鍵?！凹词顾麄儧]有從投資中賺到任何錢，他們每年也能獲得管理資金的2%，這激勵他們編造看似合理的故事，以獲得可觀的收益。因此，對投資者來說，也許我們只需進行規(guī)?；瘮U張就能實現(xiàn)通用人工智能（AGI），這聽起來很有道理?！?/p>

02

數(shù)據(jù)中心規(guī)?；偁?/strong>

Marcus 引用了兩張圖表，它們揭示了通過擴展推理計算來提升模型性能，這在 OpenAI 的O1 簡介中首次引入。 人們之所以興奮，是因為他們相信更多的計算（財務成本和能源消耗）將產(chǎn)生更智能的模型。Marcus 表示，人們認真對待這些“所謂的”定律，它們預測了我們需要多少計算量才能實現(xiàn)通用人工智能 (AGI)。“我認為最近很多人看到的是，GPT-5 應該能讓我們走得很遠，但它并沒有像人們預期的那樣走得那么遠。”

所謂的將推理計算擴展到更智能的模型的定律意味著“計算需要呈指數(shù)級增長才能不斷取得進步。” Toby Ord 解釋說，“在計算機科學中，指數(shù)級增長的成本通常被用作衡量問題是否棘手或不可控的標準。

這解釋了擴展計算能力的緊迫性。麥肯錫最近報告稱，到2030年，“預計全球數(shù)據(jù)中心將需要6.7萬億美元才能滿足計算能力的需求。” 僅資本支出一項就預計達到5.2萬億美元。

數(shù)據(jù)中心現(xiàn)在將與城市爭奪能源。計算需求在很大程度上是不確定的，因此存在風險，并直接影響到建設這些龐大而昂貴的基礎設施所需的資金投入。

03

LLM 不是答案

Shita 認為，語言屬于通用人工智能的核心知識庫——作為習得的知識。然而，LLM并非如此。他解釋說：“LLM 的訓練目標是最大化離線文本中下一個詞的可能性。它們模擬的是世界的詞語，而不是這些詞語必然會改變的世界。如果沒有實時傳感器、干預措施（用于檢驗假設）以及根據(jù)后果對模型和策略的更新，它們的信念仍然錨定在過去語言的分布上，而這與當前的狀態(tài)和結果脫鉤。”

Shita 將 AGI 描述為一種“因果工具”，它應該能夠改變思維、政策、市場和機器，使其朝著目標發(fā)展。然而，這需要將語言綁定到一個受目標制約的環(huán)境模型中，并受到約束和反饋的影響。對于 Shita 來說，法LLM屬于 Fawzi 的第一層統(tǒng)計學范疇——“它們能夠提供出色的先驗知識和接口（知識壓縮器和用戶界面），但并非核心控制器。”

Fawzi 最近在Understory工作，這是一個旨在訓練人工智能的合作項目和倫理 AI 共享平臺，其根基在于正義和責任。他贊同 Shita 的觀點。LLM本身并非答案，他補充道：“有了基礎（工具、傳感器、模擬器）、交互和驗證器，他們就可以參與層級調整?！?然而，他認為，如果沒有約束，語言流利度并不等于知識?！霸~語的模式并不一定是世界的模式?！?/p>

馬庫斯表示，該領域放棄了思考如何更好地利用數(shù)據(jù)的責任。他說，他們開始研究LLM……而LLM存在許多可預見的問題，他們“經(jīng)常談論涌現(xiàn)，只要數(shù)據(jù)足夠，任何必要的東西都會像變魔術一樣出現(xiàn)”。然而，我們從 GPT-5、Grok4 和 Llama4 中看到的是，雖然通過添加更多數(shù)據(jù)可以獲得一些價值，但我們實際上處于一種單靠更多數(shù)據(jù)帶來的收益遞減的狀態(tài)。

馬庫斯總結道：“這整個范式基本上就是強化版的反芻。訓練集中并不一定包含所有你需要的東西。當訓練集中沒有包含或者與訓練數(shù)據(jù)存在重要差異時，這個范式就無法很好地發(fā)揮作用……尤其是在一些棘手的情況下?！?/p>

04

替代模型？

因此，投入更多數(shù)據(jù)和計算并不一定會讓我們更接近 AGI，而人工智能社區(qū)正在經(jīng)歷一場清算，深度神經(jīng)網(wǎng)絡并不是他們所宣稱的萬能藥。Marcus 指出，人們正在LLM轉向“像 Python、JavaScript 這樣的代碼解釋器這樣的老式符號處理設備”。他最近寫了一篇文章，講述了Grok 和 o3 如何意外地證明了神經(jīng)符號人工智能的正確性，自 2001 年出版他的第一本書《代數(shù)思維》以來，他一直主張納入代數(shù)系統(tǒng)（方程、算法和計算機代碼）、“明確表示結構化表示的系統(tǒng)”和“類似數(shù)據(jù)庫的系統(tǒng)，以區(qū)分個體和種類”。對于后者，他預先警告說，如果沒有它們，“幻覺就會作為一種過度概括的形式出現(xiàn)”。

Shita 的看法不同。他堅持認為，時間和因果關系對智能也至關重要。他指出，目標與我們想要實現(xiàn)的未來世界狀態(tài)息息相關。因此，它們從根本上與時間息息相關。他解釋說：“要改變世界上的任何事物，都必須理解因果關系——因果律。世界始終處于運動之中。智能是一種能夠巧妙地干預這些正在進行的過程，并重新引導它們以實現(xiàn)特定結果的能力?！?動態(tài)理論認為世界在不斷變化，這就是為什么我們的人工智能不能依賴靜態(tài)的、預先訓練的模型。它必須使用動態(tài)模型，不斷更新對現(xiàn)實的理解，以實現(xiàn)準確的預測。他引用了 Judea Pearl（《為什么之書》的作者）的觀點，Judea Pearl 使用結構化模型將因果推理形式化，以及Jeff Hawkins （《論智力》和《千腦》的作者）的觀點，他的研究揭示了時間記憶的重要性以及大腦如何看待世界，將其視為相互關聯(lián)的事件：它不僅記錄感覺，還記錄發(fā)生了什么、在哪里發(fā)生以及何時發(fā)生。

Fawzi 強調，當今環(huán)境中最大的差距之一是缺乏一個統(tǒng)一的世界模型，“跨領域和時間的先驗，可以根據(jù)反饋進行校準和更新。” 強化學習之父Richard Sutton最近表示：“LLM沒有世界模型，也沒有目標……大型語言模型是模仿人類，做人們告訴你應該做的事情。它們不是要弄清楚該做什么?！盨utton 和Yann Lacun認為LLM只是令牌生成器，并不認為LLM是通往智能的道路。

05

通用人工智能之路尚未確定

加里·馬庫斯表示，至少就目前而言，我們應該放棄通用人工智能。他指出：“從長遠來看，通用人工智能將會，或者說有機會，對人類產(chǎn)生凈收益。但目前，我們實際上還不知道如何構建它。我們現(xiàn)有的技術在可靠性方面確實存在問題。它們無法執(zhí)行指令。這使得很難阻止它們誤導人們，或誘使他們自殺，或制造生物武器?！?他解釋說，通用人工智能的控制并不完善，而且在很多方面都不太好。他主張回到“美好的舊時光”，專注于開發(fā)專門解決特定問題的專用機器。他提到了預測蛋白質結構的AlphaFold 。

Mounir Shita 聲稱計算機是 100% 確定性的，“給定輸入、代碼和狀態(tài)，下一個狀態(tài)是固定的。自由意志無法從確定性機器中產(chǎn)生。真正的問題不在于它能否反抗，而在于誰培養(yǎng)了它，它學會了重視什么，以及它在考慮他人后果時如何推理?！?他表示，AGI 的培養(yǎng)方式“狹隘地——社會化以追求個人利益而忽視他人利益——將以前所未有的效率優(yōu)化這種偏見?！?/p>

他認為：“我們不能再把通用人工智能視為需要護欄的東西了。固定的護欄會縮小智能體的決策空間，使其變得更愚蠢，而不是更安全；然而，嵌入式倫理則會提升能力?！?/p>

目前，許多人工智能研究界人士一致認為，當前流行的 LLM 技術不是 IT，時間將證明為確保其未來而進行的大規(guī)模投資是否也會失敗。

免責聲明：

本文所發(fā)布的內容和圖片旨在傳播行業(yè)信息，版權歸原作者所有，非商業(yè)用途。如有侵權，請與我們聯(lián)系刪除。所有信息不構成任何投資建議，加密市場具有高度風險，投資者應基于自身判斷和謹慎評估做出決策。投資有風險，入市需謹慎。

設為星標 避免錯過

虛擬世界沒有旁觀者，每個點贊都是創(chuàng)造歷史的像素

關注我，一起探索AWM?

2025-08-15

2025-08-14

2025-08-13

商業(yè)贊助

點擊下方 “目錄” 閱讀更多