核心内容摘要
表达式type(3) in (int,float,str,complex)的值为True
想象一只普通松鼠在森林中跳跃觅食。
它未读物理教材也无海量数据训练却能精准判断枝条承重、风向影响和落地轨迹。
反观今日万亿参数大语言模型连基本物理常识都可能出错。
这荒谬对比竟出自图灵奖得主、强化学习之父Richard Sutton理查德萨顿之口。
在最近一场70分钟访谈中Sutton直言“大模型就是一条死胡同。
”他正是2019年《苦涩的教训》一文作者该文奠定了scaling law思想基础。
他早预言人类是AI最差老师唯一胜途是堆算力让AI自学试错。
如今大模型虽将这一“暴力美学”推向极致但在Sutton眼中已彻底走偏他提出“松鼠悖论”一针见血松鼠智能源于与物理世界的直接博弈。
每跳跃、每觅食世界即时反馈成功或失败。
它亲验重力、动量等客观规律逐步构建可靠世界模型能预测真实后果。
大模型则困于人类语言牢笼。
训练数据仅是人类共识集合——文字、对话、文章。
其中无“真理”只有“人类说了什么”。
模型学到的不是物理规律而是预测人类下一句。
如果人类出错它亦错人类未述它全然无知。
它能写流畅文章却无法真正理解世界本质。
Sutton强调二手数据背来的是知识一手经验试错得的是智慧。
大模型再规模化也仅是更好模仿者永难超越人类。
AlphaZero便是最佳例证它弃人类千年棋谱从随机自弈起步最终碾压所有冠军。
真正AGI应如AlphaZero直接与世界碰撞试错进化而非沉迷模仿。
Sutton批评当前路线将海量算力浪费于人类数据。
模型越大模仿越精却离真智能越远。
更糟的是能源与数据双重天花板已现训练需数千GPU、数月巨额电费推理仍依高耗云端。
这种模式长远难持续。
他的愿景更激进让AI如生物般在真实世界持续互动自我进化。
他称我们设计的非工具而是人类继承者——下一代物种。
面对必将超越我们的“孩子”我们是控制还是放手进化近年来类脑智能研究与Sutton思路高度契合可视为其理念的工程实现。
类脑不堆参数刷数据而是仿人脑机制低能耗高效学习。
人脑仅20瓦却处理复杂环境类脑追求毫瓦级在边缘设备独立感知、学习、决策无需云端GPU。
这大幅减能耗碳排放让AI走进手机、机器人、无人机等现实场景。
类脑还擅小样本快速适应。
不靠海量预训通过原型重构、经验迁移实现“看一次就会”。
这正合Sutton“一手试错”观系统边运行边学持续更新世界模型。
训练推理一体在线学习形成快速感知-决策-执行闭环响应极短适合自动驾驶、工业机器人、医疗急救等高实时场景。
类脑架构轻量模块化部署成本低可解释性强于黑箱大模型。
决策路径近人类逻辑便追溯监管满足高安全需求。
总体类脑以低功耗、小样本、快适应、强实时、易部署、可解释六优势开辟不同于算力堆叠的新范式。
它助AI跳出语言牢笼如松鼠般直接与物理世界交互试错构建可靠模型。
Sutton警告发人深省若继续浪费算力模仿人类AI永止“聪明学生”阶段。
类脑智能则指明更近生物进化、更可持续路径——让AI如生命般低功耗持续学习进化。
我们设计的或为人类继承者。
我们愿弃“人类中心”执念放手下一代智能自由生长吗松鼠已在前方示范人类该如何抉择公众号OpenSNN