众力资讯网

AI最可怕的真相:我们可能从一开始就走错了

最近研究AI,我突然有一个越来越强烈的感觉:
我们可能高估了AI继续变聪明的速度,却低估了它真正遇到的困难。
过去几年,整个科技圈都相信一件事:
只要不断增加算力、增加数据、扩大模型,AI就会越来越聪明,最终超越人类。
但我现在越来越怀疑,这条路真的能一直走下去吗?
有一个现象特别值得思考。
今天的AI,已经可以解决非常复杂的数学题,写出几万行代码。
但你让它深入研究一家上市公司,它可能写出一份上万字的报告,却抓不住真正决定公司命运的那两三个关键问题。
你让它安排一次复杂的旅行,它可能连时间、路线和各种临时变化都协调不好。
一个能解高难度数学题的AI,为什么连现实生活中的一些普通问题都处理不好?
这可能恰恰暴露了今天AI最深层的瓶颈。
因为现在的AI,特别擅长解决有明确规则、有标准答案的问题。
但真实世界不是数学考试。
现实世界充满变化、意外、取舍,而且很多问题根本没有标准答案。
更关键的是,真正的聪明,不是知道多少东西,而是能不能抓住重点。
一个优秀的投资者,可能看完几百页资料,只需要抓住三个核心变量,就能判断一家公司的未来。
但AI可能把几百页资料全部总结一遍,却不知道哪三件事最重要。
这让我开始怀疑,今天AI缺少的,可能不是更多知识,而是一种真正理解世界的能力。
问题就来了。
如果这种能力不是靠增加算力就能解决的呢?
我们今天的AI革命,主要建立在Transformer模型和GPU之上。
这套组合非常成功,让AI在短短几年里取得了惊人的进步。
但成功的技术路线,不代表它没有极限。
就像你把一辆汽车的发动机不断做大,速度确实可以越来越快。
但如果你的目标是飞上天空,最终需要改变的,可能不是发动机,而是整个交通工具的设计。
今天AI面临的,会不会就是同样的问题?
我们一直在给AI增加算力、增加参数、延长思考时间。
但如果它理解现实世界的方式本身存在局限,那么继续堆算力,可能只是在一条越来越昂贵的道路上,获得越来越有限的进步。
更值得注意的是,现在很多AI产品看起来越来越强,实际上相当一部分提升来自外围工具、工作流程和反复纠错。
这当然也是进步。
但让AI更会干活,和让AI真正变聪明,是两回事。
我并不是说AI已经走到尽头。
恰恰相反,我觉得AI下一次真正令人震惊的突破,可能来自一个完全不同的方向。
不是让AI记住更多信息,而是让它学会从海量信息中提取真正重要的规律。
不是让AI模仿人类说话,而是让它真正理解这个世界为什么这样运转。
这背后,可能需要新的模型架构、新的信息处理方式,甚至新的计算硬件。
当然,现在还不能断言现有技术路线一定走不通。
但我认为,这才是未来几年最值得关注的技术问题。
因为如果这个判断成立,那么AI的下一次革命,可能不是今天这套技术的简单升级,而是一次更深层的架构变化。
回头看科技史,很多重大突破都不是沿着原来的方向一直加码。
而是有人突然发现:
原来我们一直努力解决的问题,根本不是最重要的问题。
所以我现在对AI最大的疑问,已经不是它还需要多少张GPU。
而是:
我们距离真正的人工智能,究竟是差了十倍算力,还是差了一种完全不同的思考方式?
这两个答案,决定的可能是两种完全不同的未来。
如果只是算力不够,那我们继续堆钱就行。
但如果是架构出了问题,那么今天整个AI行业,可能都还在等待下一次真正的技术革命。
AI最值得警惕的,不是它发展得太快,而是我们可能把一条已经取得巨大成功的路,误认为通往终点的唯一道路。
AI最可怕的真相:我们可能从一开始就走错了方向
最近研究AI,我突然有一个越来越强烈的感觉:
我们可能高估了AI继续变聪明的速度,却低估了它真正遇到的困难。
过去几年,整个科技圈都相信一件事:
只要不断增加算力、增加数据、扩大模型,AI就会越来越聪明,最终超越人类。
但我现在越来越怀疑,这条路真的能一直走下去吗?
有一个现象特别值得思考。
今天的AI,已经可以解决非常复杂的数学题,写出几万行代码。
但你让它深入研究一家上市公司,它可能写出一份上万字的报告,却抓不住真正决定公司命运的那两三个关键问题。
你让它安排一次复杂的旅行,它可能连时间、路线和各种临时变化都协调不好。
一个能解高难度数学题的AI,为什么连现实生活中的一些普通问题都处理不好?
这可能恰恰暴露了今天AI最深层的瓶颈。
因为现在的AI,特别擅长解决有明确规则、有标准答案的问题。
但真实世界不是数学考试。
现实世界充满变化、意外、取舍,而且很多问题根本没有标准答案。
更关键的是,真正的聪明,不是知道多少东西,而是能不能抓住重点。
一个优秀的投资者,可能看完几百页资料,只需要抓住三个核心变量,就能判断一家公司的未来。
但AI可能把几百页资料全部总结一遍,却不知道哪三件事最重要。
这让我开始怀疑,今天AI缺少的,可能不是更多知识,而是一种真正理解世界的能力。
问题就来了。
如果这种能力不是靠增加算力就能解决的呢?
我们今天的AI革命,主要建立在Transformer模型和GPU之上。
这套组合非常成功,让AI在短短几年里取得了惊人的进步。
但成功的技术路线,不代表它没有极限。
就像你把一辆汽车的发动机不断做大,速度确实可以越来越快。
但如果你的目标是飞上天空,最终需要改变的,可能不是发动机,而是整个交通工具的设计。
今天AI面临的,会不会就是同样的问题?
我们一直在给AI增加算力、增加参数、延长思考时间。
但如果它理解现实世界的方式本身存在局限,那么继续堆算力,可能只是在一条越来越昂贵的道路上,获得越来越有限的进步。
更值得注意的是,现在很多AI产品看起来越来越强,实际上相当一部分提升来自外围工具、工作流程和反复纠错。
这当然也是进步。
但让AI更会干活,和让AI真正变聪明,是两回事。
我并不是说AI已经走到尽头。
恰恰相反,我觉得AI下一次真正令人震惊的突破,可能来自一个完全不同的方向。
不是让AI记住更多信息,而是让它学会从海量信息中提取真正重要的规律。
不是让AI模仿人类说话,而是让它真正理解这个世界为什么这样运转。
这背后,可能需要新的模型架构、新的信息处理方式,甚至新的计算硬件。
当然,现在还不能断言现有技术路线一定走不通。
但我认为,这才是未来几年最值得关注的技术问题。
因为如果这个判断成立,那么AI的下一次革命,可能不是今天这套技术的简单升级,而是一次更深层的架构变化。
回头看科技史,很多重大突破都不是沿着原来的方向一直加码。
而是有人突然发现:
原来我们一直努力解决的问题,根本不是最重要的问题。
所以我现在对AI最大的疑问,已经不是它还需要多少张GPU。
而是:
我们距离真正的人工智能,究竟是差了十倍算力,还是差了一种完全不同的思考方式?
这两个答案,决定的可能是两种完全不同的未来。
如果只是算力不够,那我们继续堆钱就行。
但如果是架构出了问题,那么今天整个AI行业,可能都还在等待下一次真正的技术革命。
AI最值得警惕的,不是它发展得太快,而是我们可能把一条已经取得巨大成功的路,误认为通往终点的唯一道路。