2024图灵奖得主Sutton指出大语言模型仅是知识搬运工,AI需进入经验时代;朱松纯批评算力、数据、大模型信仰被击破;LeCun认为LLM是死路,转向世界模型。多种技术路线并行,AI离终局尚远。
所谓“不和谐”的声音,或许更准确地说,是学术独立的声音。
2024年图灵奖得主Richard Sutton,在WAIC主旨演讲中直言不讳:当前的大语言模型不过是“人类知识搬运工”,AI必须迈入“经验时代”。这句话,直接挑战了“大参数等于强智能”的主流叙事。
长期稳定更新的攒劲资源: >>>点此立即查看<<<
北京通用AI研究院的朱松纯教授,则更直接地指出了四轮资本泡沫,他认为“算力信仰、数据信仰、大模型信仰”正在被现实逐一击破。
1986年图灵奖得主John Hopcroft,则把焦点拉回到人才本身:AI的终极比拼在于人才而非算力,而高校的评价体系才是真正的创新瓶颈。
微博上也有独立评论一针见血——“自主Agent到底是判断力,还是高级脚本?”
截图摘自问谏咨询的《WAIC 2026大会的AI产业深度洞察报告》
确实,我们现在谈论的AI神经网络,和我们生物学意义上的神经网络,根本是两码事。
大模型在训练完成的那一刻,无论参数是千亿还是万亿,它的权重就固定了。此后,无论你与它聊多少轮,它回答得多么漂亮,只要版本不更新,模型大脑里的那些连接,一个都不会变。
而人类的大脑呢?虽然工作机理至今仍是个黑盒子,但可以确定的是,你正在读这段文字的这秒,大脑里有数以亿计的突触正在调整、增强、重新建立链接……
一个每时每刻都在“训练”的系统,与一个训练完就固化不变的系统,这之间的根本差异,才是Richard Sutton所说的“当前LLM只是人类知识搬运工”的最底层逻辑。
2025年11月,图灵奖得主Yann LeCun宣布离开Meta,创办了一家名为AMI(Advanced Machine Intelligence)的公司,专攻世界模型方向。LeCun曾坦言,他在职业生涯中见过三次“当前主流技术将带我们走向人类智能”的幻觉。1950年代有通用问题求解器,1980年代有专家系统,这次的LLM是第三次。每次都有人信誓旦旦地说“十年内超级智能机器就要来了”。
LeCun对LLM的判断更为激进,他用了一个词:“dead end”——大语言模型在通往人类水平智能的道路上,是一条死路。他的逻辑链条很清晰:LLM的本质是什么?预测下一个token。通过海量文本训练,学会统计相关性,然后生成看起来像人话的输出。但“看起来像人话”与“理解这个世界”,是两码事。
尝试路线一:世界模型与JEPA架构。
这是LeCun押注的方向。他提出的联合嵌入预测架构(Joint Embedding Predictive Architecture,JEPA),思路与LLM截然不同,更侧重于对物理世界的模拟与预测。LLM在token空间做预测,JEPA则在抽象表征空间做预测。LLM要预测下一个词是什么,而JEPA要预测的是——在看过一段视频之后,接下来会发生什么。但不是在像素层面重建每一帧,而是在一个抽象的语义空间里预测关键信息。
尝试路线二:强化学习与经验驱动智能。
这是“强化学习之父”、图灵奖得主Sutton坚守的阵地。在他看来,智能的本质是“与世界交互以达成目标”。你需要一个目标,需要一个奖励信号,然后通过不断试错来优化策略。这恰恰是LLM缺失的。LLM没有目标,没有奖励,它只是在做文本接龙。它不知道自己说的是对是错,因为它没有任何机制去判断。强化学习天然就是“从经验中学习”的框架。DeepSeek之所以能轰动全球,靠的正是RL中的正反馈循环。
尝试路线三:类脑计算与脉冲神经网络。
人脑的功耗大约20瓦,而训练GPT-4耗电约50千兆瓦时,够5000户美国家庭用一年。这个能耗差距,不是几个数量级的问题,而是根本性的架构差异。类脑芯片模拟生物神经元的结构:用脉冲信号代替连续数值,用事件驱动代替时钟驱动,用存算一体代替冯·诺依曼架构的存算分离。更妙的是,类脑芯片支持片上学习——芯片在推理的同时就能更新参数,真正实现“边用边学”。
尝试路线四:神经符号混合AI。
这条路线试图将深度学习的感知能力与符号AI的推理能力结合起来。深度学习擅长模式识别——认猫认狗、听声辨字;符号AI擅长逻辑推理——如果A大于B,B大于C,则A大于C。当前的LLM本质上是概率拟合系统,看着后视镜开车。它能告诉你“通常情况下”答案是什么,但无法保证逻辑上的绝对正确,而符号推理可以。把两者捏在一起,或许能既看得见,又想得通。
……
这么多科技大神,这么多截然不同的判断,本身就说明了一件事:当前的AI,离终局还远着呢。Transformers很伟大,但它可能只是人类通往真正人工智能路上的一块垫脚石,而不是终点站。
侠游戏发布此文仅为了传递信息,不代表侠游戏网站认同其观点或证实其描述