目录
🎬 攻城狮7号：个人主页
🔥 个人专栏:《AI前沿技术要闻》
⛺️ 君子慎独!
🌈 大家好，欢迎来访我的博客！
⛳️ 此篇文章主要介绍 大模型五年内或被抛弃？
📚 本期文章收录在《AI前沿技术要闻》，大家有兴趣可以自行查看！
⛺️ 欢迎各位 ✔️ 点赞 👍 收藏 ⭐留言 📝！
前言
在今天，几乎所有人都在谈论大语言模型（LLM）。它们能写诗、能编程、能绘画，似乎无所不能，成为了人工智能领域最耀眼的明星。然而，就在这股热潮的顶峰，一些行业内最顶尖的科学家，如"强化学习之父"理查德·萨顿（Richard Sutton）和 Meta 首席科学家杨立昆（Yann LeCun），却不约而同地站出来"泼冷水"。
他们的观点惊人地一致：今天我们所熟知的大模型，很可能只是"一时之势"，在未来五年内，它们或许就不再是 AI 发展的最前沿，甚至可能被新的架构范式所取代。
这听起来有些危言耸听，但当我们深入了解他们的逻辑后，会发现这并非空穴来风，而是对 AI 未来发展路径的一次深刻反思。
一、大模型的"原罪"：它真的"懂"世界吗？
要理解为什么大佬们不看好大模型的长远未来，我们首先要明白当前大模型的工作原理和其固有的局限性。
今天所有的大模型，其本质上是一个极其复杂的"文字接龙"或"像素填充"高手。它们通过"阅读"海量的人类数据（互联网上几乎所有的文本和图片），学会了语言和图像的统计规律。当你问它一个问题，它并不是在"理解"后"思考"答案，而是在其庞大的概率模型中，计算出最有可能的下一个词或下一块像素是什么。
这种模式带来了惊人的能力，但也带来了几个无法回避的"原罪"：
（1）缺乏对物理世界的真实理解：大模型生活在数字世界里，它不知道"杯子掉在地上会碎"，不知道"推一个物体需要力气"。它知道这些词语如何搭配，但它没有物理常识。杨立昆举过一个例子：一只猫对物理世界的理解，都远远超过我们今天最强的 AI。
（2）没有真正的推理和规划能力：正因为它不理解世界，所以它很难进行复杂的、多步骤的逻辑推理和规划。你可以让它写一段代码，但很难让它规划并执行一个"打扫房间"的机器人任务，因为后者需要对空间、物体、行为后果有一系列连贯的理解。
（3）严重依赖人类数据，且数据即将耗尽：大模型的养料是人类创造的高质量数据。但这个"矿藏"是有限的，有研究表明，高质量的文本数据可能在未来几年内就会被"吃光"。当 AI 的学习速度超过人类的知识创造速度时，这条路就走到了尽头。
（4）无法自主学习和探索：大模型是一个被动的学习者。你喂给它什么，它就学什么。它无法像婴儿一样，通过主动触摸、观察、尝试，去探索和学习这个世界未知的规律。
理查德·萨顿在他的著名文章《苦涩的教训》（The Bitter Lesson）中一针见血地指出：AI 研究领域一个反复被验证的"教训"就是，研究人员总是试图将自己对"智能"的理解（比如逻辑规则、知识图谱）硬塞给 AI，但最终，那些最简单、最通用的，并且能够随着计算能力增强而不断扩展的方法，才是最终胜出的方法。
而当前的大模型，在某种程度上，依然是在依赖人类知识的"灌输"，而非自主学习。
二、未来的方向：从"人机交互"到"机环交互"
既然大模型有这么多局限，那么未来的路该怎么走？萨顿和立昆给出了一个共同的方向：让 AI 走出数字世界，真正与物理环境互动，通过直接的经验去学习。
这个理念可以概括为从"人机交互"（Human-Computer Interaction）到"机环交互"（Machine-Environment Interaction）的转变。
人机交互：就像我们现在用大模型一样，是"人"提出问题或指令，"机器"在已有的数据中寻找答案。AI 的知识边界，被人类数据牢牢锁死。
机环交互：AI（机器）不再仅仅依赖人类，而是可以直接与"环境"（Environment）互动。这里的环境可以是真实的物理世界，也可以是复杂的模拟环境。它通过传感器感知环境，通过执行器操作环境，在一次次的"试错"中，像人一样积累经验，学习世界的运转规律。
这正是强化学习（Reinforcement Learning）的核心思想。AI 就像一个在玩游戏的孩子，它通过不断的尝试（行动），得到环境的反馈（奖励或惩罚），然后调整自己的策略，以便下次获得更高的奖励。这个过程不需要海量的人工标注数据，AI 可以自己生成无穷无尽的经验数据来学习。
这种模式有几个巨大的优势：
（1）突破数据瓶颈：AI 可以自己创造学习资料，不再受限于有限的人类数据。
（2）获得真实理解： 在与环境的互动中，AI 会内化物理规律和因果关系，获得真正的"常识"。
（3）具备规划能力：为了实现长期目标（比如赢得一盘棋），AI 必须学会规划和分解任务。
今天备受关注的"具身智能"（Embodied Intelligence）——即拥有身体、能在物理世界中执行任务的机器人，正是这一思想的终极体现。
三、算力扩展的瓶颈：大模型撞墙在即？
除了理念上的局限，一些来自研究机构的量化分析，也为"大模型见顶论"提供了数据支持。
非营利组织 Epoch AI 的研究指出，用于提升大模型推理能力的训练（即在预训练之后，专门针对数学、编程等任务的强化学习阶段），可能在一年之内就会撞上"墙壁"。
他们的分析表明，虽然目前增加这部分的训练算力，还能带来模型性能的显著提升（比如 OpenAI 的 GPT-4o 相对于早期版本），但这种"性价比"正在快速下降。就像举重一样，从50公斤提升到100公斤可能不难，但从200公斤再提升1公斤都变得极其困难。
研究预测，如果继续沿着当前的技术路线，推理训练的性能提升速度，将从现在"每几个月增长10倍"的惊人速度，迅速放缓到"每年增长4倍"的常规速度。
这意味着，单纯依靠"堆算力、堆数据"的野蛮生长模式，其红利期可能很快就会结束。这也从侧面印证了，AI 的发展迫切需要一次新的"范式革命"，而不是在现有道路上无限地内卷。
总结：一场马拉松，而非百米冲刺
将所有观点汇总起来，我们可以得出一个清晰的图景：
今天我们正处于 AI 发展的一个独特转折点。大语言模型作为一项革命性的技术，极大地提升了机器处理语言和信息的能力，它在未来几年内依然会是极其有用、极其强大的工具。
但是，它很可能不是通往通用人工智能（AGI）的最终答案。它更像是一个阶段性的、过渡性的产物。
AI 的发展是一场漫长的马拉松，而不是一次百米冲刺。真正决定这场比赛胜负的，或许不是谁的模型参数更大、能吸收更多的人类知识，而是谁能率先构建出一种全新的架构，让 AI 能够像生命体一样，通过与环境的持续互动，自主地学习、理解和适应这个复杂多变的世界。
正如萨顿所说，AI 的未来，属于那些拥抱"扩展计算"与"经验学习"的方法。五年之后，当我们再回头看今天的大模型时，或许会像我们今天看待几十年前的"专家系统"一样——承认它曾经的辉煌，但也清晰地看到它的时代局限性。而那时，一个崭新的、更接近智能本质的 AI 时代，或许已经悄然开启。
看到这里了还不给博主点一个：
⛳️ 点赞☀️收藏 ⭐️ 关注！
💛 💙 💜 ❤️ 💚💓 💗 💕 💞 💘 💖
再次感谢大家的支持！
你们的点赞就是博主更新最大的动力！
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
