AI教父批OpenAI 通往AGI道路并非仅靠扩展
作者：微信文章人工智能（AI）的热潮席卷全球，数十亿美元投入其中，然而，一场关于其未来方向的激烈争论正在发酵。OpenAI首席执行官Sam Altman坚信，通过不断扩展大型语言模型（LLM），人类将迈向通用人工智能（AGI）——一种具备人类认知能力的智能。然而，AI领域的“教父”之一、Meta首席AI科学家杨立昆（Yann LeCun）对此提出尖锐批评。他在接受《Big Technology》播客采访时直言：“仅靠扩展LLM，我们无法达到人类水平的AI。”这一观点不仅挑战了Altman的愿景，也促使我们重新审视AI发展的本质。
AI的类型与历史演进
要理解杨立昆的立场，首先需明确AI的分类及其发展脉络。目前，AI大致分为三类：
狭义人工智能（ANI）：专注于特定任务的AI，如语音助手Siri或图像识别系统。它高效但缺乏灵活性。
广义人工智能（AGI）：理论上具备人类般全面认知能力的AI，能自主学习、推理并适应新环境。至今未实现。
超人工智能（ASI）：超越人类的智能，属于科幻领域，暂无现实基础。
AI的历史始于20世纪50年代。1956年，达特茅斯会议标志着AI的诞生，当时的目标是模拟人类智能。然而，早期的符号AI（基于规则和逻辑）受限于计算能力和数据规模，进展缓慢。90年代，统计学习和机器学习崛起，依赖数据驱动的模型显著提升了AI性能。2010年后，深度学习革命——以杨立昆等人提出的卷积神经网络（CNN）为代表——推动了图像识别和自然语言处理（NLP）的飞跃。如今，LLM如ChatGPT成为焦点，其核心是通过海量数据和庞大算力预测文本序列。
杨立昆作为深度学习的奠基人之一，对这一演进了然于胸。他认为，LLM虽在语言生成上表现出色，但本质仍是狭义AI的延伸，而非通向AGI的钥匙。
杨立昆的质疑：技术视角剖析
杨立昆的批评并非空穴来风，而是基于数学、神经网络和AI本质的深刻洞察。以下从三个维度分析他对OpenAI路径的质疑：
1. 数学局限：预测不等于理解
LLM的核心是基于概率的语言预测。例如，给定“你好，今天天气如何？”模型会根据训练数据预测可能的回答，如“很好，阳光明媚。”这种能力依赖于大规模矩阵运算和统计模式匹配。然而，杨立昆指出，这种预测与人类理解截然不同。
从数学角度看，LLM本质上是高维向量空间中的优化问题，通过梯度下降调整参数以最小化预测误差。但它缺乏因果推理能力。例如，若问“如果明天下雨，庄稼会怎样？”LLM可能生成合理答案，却无法真正理解“下雨”和“庄稼生长”之间的因果关系。杨立昆曾说：“现在的AI连猫的智能都不如。”他指的是，猫能通过观察和试错理解环境，而LLM仅依赖预训练数据，无法主动探索或推理。
AI类型的演进与时间维度
AI类型
时间维度
数学基础
核心算法
代表性发展
应用场景
狭义AI (ANI)
1950s-至今
线性代数、概率论、优化理论
规则系统
→
机器学习
→
深度学习
1956:
逻辑理论家（符号AI）
1980s:
专家系统
2012:
AlexNet（深度学习革命）
语音助手、自动驾驶、推荐系统
通用AI (AGI)
理论提出:
1950s
实现:
未达成
多模态概率分布、因果推理（探索中）
迁移学习、元学习、多模块网络（理论）
1956:
达特茅斯会议提出目标
至今:
仍为研究方向
无实际应用，仅概念阶段
超AI (ASI)
理论提出:
1960s
实现:
未达成
未知，假设自我构建数学模型
自我进化算法、量子计算（假设）
1965:
I.J.
Good提出“智能爆炸”
至今:
哲学推测
无现实案例，科幻讨论
混合AI
1980s-至今（加速发展）
符号逻辑
+
统计学习
+
张量运算
神经符号AI、知识图谱
+
深度学习融合
1980s:
专家系统
2020s:
Neuro-Symbolic
AI兴起
医疗诊断、法律推理、问答系统
2. 神经网络架构：规模并非万能
Altman的策略是“越大越好”——增加参数（ChatGPT已有数千亿个）和数据量以逼近AGI。但杨立昆认为，神经网络的架构设计比单纯规模更关键。
以汽车为例：加大引擎并不会让车飞起来，飞行需要全新的设计（如机翼）。同样，LLM的Transformer架构擅长序列处理，却不具备规划或抽象推理能力。杨立昆主张，AGI需要类似人类大脑的多模块系统——视觉、语言、记忆和决策协同工作，而非单一的语言预测器。他提出的“世界模型”（World Model）概念强调AI需具备对物理世界的动态理解，而非仅靠文本统计。
3. 数据依赖的瓶颈
LLM的成功依赖海量数据，但数据并非无限。全球文本总量有限，且质量参差不齐。杨立昆担忧，过度依赖数据扩张会遭遇收益递减。例如，训练一个更大的模型可能只是让它更擅长模仿人类语言的细微差别，却无法赋予其独立思考能力。相比之下，人类儿童只需少量样本就能学会新概念，这是当前AI无法企及的“样本效率”。
为何LLM难以通向AGI：通俗解读
为了让普通读者理解这一复杂争论，不妨用生活中的例子阐释。假设LLM是一台超级智能的“复读机”，它能根据你说过的话预测下一句。比如，你常说“周末去超市”，它可能接一句“买点牛奶吧”。但如果超市停业了，它不会主动建议“去别的地方”，因为它不懂“超市关闭”的意义，只会机械重复过去的模式。
杨立昆的观点是，AGI需要像人类一样，不仅会“复读”，还能“思考”——理解超市为何关闭、推测替代方案并作出决定。LLM的扩张逻辑就像给复读机装更大的内存，虽然能记住更多句子，但本质仍是“鹦鹉学舌”，无法飞跃到AGI的境界。
更广泛的反思：AI被高估还是低估？
杨立昆的批评引发了对AI现状的深刻反思。Futurism引用AAAI调查显示，475名AI研究者中多数认为，当前数十亿资金投入可能是“死胡同”。认知科学家Gary Marcus也在X上预测，2025年不会出现AGI，AI模型的利润也将有限。这与OpenAI的乐观愿景形成鲜明对比。
然而，杨立昆并非否定AI价值。他承认LLM在客服、翻译等领域的实用性，但强调这些是“工具”，而非通向AGI的基石。Boost.ai首席执行官Jerry Haywood则警告，2025年AI的头条可能是“失败”而非突破，因企业盲目追逐炒作而非实用性，导致资源浪费。
从历史看，AI热潮常伴随泡沫与冷静期。智能手机早期也曾被过度吹捧，最终在实用性驱动下成熟。AI或许正处于类似阶段：短期被高估，长期潜力未被低估。杨立昆的质疑提醒我们，避免将所有希望押注单一路径，而应探索更广泛的技术可能性。
面向未来的洞见
杨立昆对OpenAI路径的批评不仅是一场技术争论，更是对AI发展方向的哲学思考。LLM的扩张虽令人惊叹，却无法解决AGI所需的理解、推理和适应性难题。从数学到神经网络，再到数据瓶颈，他的分析揭示了一个事实：规模不是万能药，真正的突破需要创新架构与思维方式。
对企业而言，这意味着应聚焦AI的实际价值而非盲目追逐炒作。对研究者而言，杨立昆的洞见呼吁回归基础问题：如何让机器像人类一样学习和思考？或许，AGI的道路并非直线扩张，而是一场更复杂、更具创造性的旅程。正如杨立昆所言：“我们离人类智能还很远，但这并不意味着我们不该继续探索。”
页:
[1]