新智元報(bào)道

編輯：定慧

【新智元導(dǎo)讀】過去10年，AI大模型的技術(shù)本質(zhì)，是把電力能源通過計(jì)算過程轉(zhuǎn)化為可復(fù)用的智能。2026年，我們需要讓AI模型在單位時(shí)間內(nèi)「吃下」更多能源，并真正將其轉(zhuǎn)化為智能。

2026年的AI圈子，最怕什么？

從2022年底ChatGPT橫空出世以來，AI圈子里一直潛藏著一個(gè)「幽靈」。

從ChatGPT到驚艷世界的DeepSeek，再到2025年底的Gemini 3、GPT-5.2等，所有這些頂級(jí)模型背后都是這個(gè)幽靈。

他就是Scaling Law，但是令所有人焦慮的是：這個(gè)幽靈是否將要，還是已經(jīng)「撞墻」了？！

Scaling Law是否已經(jīng)失效？

大佬們的看法出現(xiàn)了前所未有的分歧。

Ilya Sutskever公開表示，單純堆砌預(yù)訓(xùn)練算力的時(shí)代正在進(jìn)入平臺(tái)期，智能的增長(zhǎng)需要轉(zhuǎn)向新的「研究時(shí)代」。

Yann LeCun則一如既往地毒舌，認(rèn)為當(dāng)前的大語言模型無論怎么Scaling都無法觸達(dá)真正的AGI。

即便是Sam Altman，也在公開場(chǎng)合含蓄地承認(rèn)過，僅僅靠更多的GPU已經(jīng)無法換回同比例的智能躍遷。

當(dāng)全行業(yè)都在為「數(shù)據(jù)枯竭」和「算力報(bào)酬遞減」頭疼時(shí)，大家都在問：

算力還在漲，為什么智能的躍遷似乎變慢了？

最近在刷知乎時(shí)，讀到了新加坡國(guó)立大學(xué)校長(zhǎng)青年教授、潞晨科技創(chuàng)始人尤洋（Yang You）的一篇深度長(zhǎng)文：《智能增長(zhǎng)的瓶頸》。（文末附有原文）

這篇文章的角度非常獨(dú)到，尤洋站在基礎(chǔ)設(shè)施與計(jì)算范式的底層，探討了一個(gè)更本質(zhì)和底層的問題：

算力是如何被轉(zhuǎn)化為智能的，以及這種轉(zhuǎn)化機(jī)制是否正在失效。

尤洋教授在文中給出了一個(gè)引人深思的觀點(diǎn)：

過去10年，AI大模型的技術(shù)本質(zhì)，是把電力能源通過計(jì)算過程轉(zhuǎn)化為可復(fù)用的智能。

文章系統(tǒng)性地梳理了過去十年大模型成功背后的「隱含假設(shè)」，并指出這些假設(shè)正在接近邊界。

一、智能從哪里來？

尤洋對(duì)「智能」的定義相當(dāng)通俗易懂，也就是模型的預(yù)測(cè)與創(chuàng)作能力。

在此基礎(chǔ)上，他進(jìn)一步提出：

「過去10年，AI大模型的技術(shù)本質(zhì)，是把電力能源通過計(jì)算過程轉(zhuǎn)化為可復(fù)用的智能?！?br/>

這與強(qiáng)化學(xué)習(xí)教父Richard S. Sutton分享的觀點(diǎn)類似。

在尤洋的敘述中，有三個(gè)關(guān)鍵共識(shí)被明確強(qiáng)調(diào)：

1. 預(yù)訓(xùn)練是智能的主要來源

   微調(diào)、強(qiáng)化學(xué)習(xí)等階段貢獻(xiàn)有限，根本原因并非算法無效，而是能源（算力）投入規(guī)模不在一個(gè)數(shù)量級(jí)。

1. Next-Token Prediction是一個(gè)極其成功的Loss設(shè)計(jì)

   它最大化減少了人為干預(yù)，給AI大模型提供了近乎無限的訓(xùn)練數(shù)據(jù)。

1. Transformer的勝出，是因?yàn)門ransformer也是一臺(tái)并行計(jì)算機(jī)。

   Transformer并非「更像人腦」，而是更像GPU——高度并行、計(jì)算密集、通信可控。

正是這三點(diǎn)共同作用，使得從GPT-1、BERT、GPT-2、GPT-3，到ChatGPT與Gemini，大模型得以在十余年間持續(xù)放大算力投入，并將其穩(wěn)定轉(zhuǎn)化為可感知的智能提升。

尤洋也因此指出了真正的瓶頸所在。

二、真正的「瓶頸」在哪里？

在《智能增長(zhǎng)的瓶頸》中，尤洋重新界定了「瓶頸」的涵義，并明確區(qū)分了兩類經(jīng)常被混淆的進(jìn)展：

• 效率提升

  用更少參數(shù)、更低算力，達(dá)到相同效果（如剪枝、蒸餾、低精度、Mamba等）。這類進(jìn)展對(duì)于工程落地和規(guī)?；渴鹬陵P(guān)重要，但并不直接決定智能的上限。

• 智能上限提升

  在相同的浮點(diǎn)計(jì)算總量約束下，訓(xùn)練出能力更強(qiáng)、泛化性更好的模型。這才是決定智能是否能夠持續(xù)躍遷的關(guān)鍵指標(biāo)。

在尤洋看來，當(dāng)前遇到的并不是「算力不夠」，而是：

「我們現(xiàn)在的范式無法充分利用持續(xù)增長(zhǎng)的算力。」

換句話說，問題不在于GPU增長(zhǎng)放緩，而在于模型、Loss、優(yōu)化算法對(duì)算力的「消化能力」正在下降。

我們需要讓AI模型在單位時(shí)間內(nèi)「吃下」更多能源，并真正將其轉(zhuǎn)化為智能。這么來看：

大模型智能可能還有很大的發(fā)展空間，預(yù)訓(xùn)練才剛剛開始。

三、未來方向

不是「省算力」，而是「吃下更多算力」

文章對(duì)未來路徑的判斷，整體偏向高投入、強(qiáng)基礎(chǔ)設(shè)施導(dǎo)向。

簡(jiǎn)單地說，也就是如果不考慮成本，問題不是「如何更省」，而是「如何更有效地消耗更多算力」。

尤洋提出了幾個(gè)值得關(guān)注的方向：

1. 更高數(shù)值精度

   當(dāng)前從FP16→FP32→FP64并未帶來明顯智能躍遷，但這可能是「未被充分探索」的方向，而非被證偽。

2. 更高階優(yōu)化器

   從一階梯度方法轉(zhuǎn)向更高階優(yōu)化器，理論上可以提供更「聰明」的參數(shù)更新路徑，但高階優(yōu)化器的全面替代可能需要很長(zhǎng)的時(shí)間。

3. 更具擴(kuò)展性的模型架構(gòu)或Loss函數(shù)

   不以吞吐或效率為目標(biāo)，而以「在極限算力下能否訓(xùn)出更強(qiáng)模型」為標(biāo)準(zhǔn)。

4. 更充分的訓(xùn)練和搜索

   包括Epoch、超參數(shù)、數(shù)據(jù)與參數(shù)匹配關(guān)系，而非簡(jiǎn)單「再多跑幾輪」。

值得注意的是，文章明確將推理優(yōu)化、低精度、蒸餾等技術(shù)劃歸為「落地層面」，并強(qiáng)調(diào)它們與「智能上限」是兩條不同的技術(shù)曲線。

結(jié)語

如果說過去十年AI的核心問題是「如何獲得更多算力」，那么接下來一個(gè)階段，問題可能變成：

我們是否真的知道，如何把這些算力變成智能。

《智能增長(zhǎng)的瓶頸》像是一份寫給從業(yè)者的技術(shù)備忘錄：當(dāng)算力仍在增長(zhǎng)，但智能不再「自動(dòng)升級(jí)」時(shí)，我們需要重新審視哪些變量才是真正決定上限的因素。

以下為《智能增長(zhǎng)的瓶頸》原文。

智能增長(zhǎng)的瓶頸

作者：尤洋，新加坡國(guó)立大學(xué)校長(zhǎng)青年教授，潞晨科技創(chuàng)始人。

2026年已至。

在ChatGPT誕生三年多后的今天，關(guān)于我們的智能水平是否令人滿意，以及未來是否還能強(qiáng)勁增長(zhǎng)，筆者想分享一些個(gè)人的看法。如有謬誤，懇請(qǐng)大家指正。

為了能深入探討智能的本質(zhì)，本文將不涉及產(chǎn)品易用性、成本等商業(yè)化或落地問題，因?yàn)檫@些本質(zhì)上與智能突破本身無關(guān)。

智能的現(xiàn)狀

什么是智能？

其實(shí)目前并沒有一個(gè)明確的定義。

從最近圖靈獎(jiǎng)得主Yann LeCun和諾貝爾獎(jiǎng)得主Demis Hassabis關(guān)于AGI的爭(zhēng)論中，我感受到即便是世界上最頂尖的專家也無法準(zhǔn)確定義智能。

個(gè)人感覺，AGI很難定義，其標(biāo)準(zhǔn)也會(huì)隨著時(shí)代的變化而變化。

我依然記得十幾年前，普通人對(duì)人臉識(shí)別技術(shù)感到不可思議。

如果把今天的ChatGPT拿到2006年，相信那時(shí)候的很多人會(huì)毫不懷疑地認(rèn)為我們已經(jīng)實(shí)現(xiàn)了AGI。

我覺得智能的核心是預(yù)測(cè)和創(chuàng)作。

我認(rèn)為如果達(dá)到以下這種狀態(tài)，那么就離AGI不遠(yuǎn)了：

• 如果你選擇接受哪個(gè)工作Offer，完全聽從AI的意見。

• 如果你買足球彩票預(yù)測(cè)世界杯冠軍，完全聽從AI的意見。

• 如果你有健康問題，會(huì)完全采用AI制定的方案去治療。

• 你分辨不清楚一部奧斯卡最佳電影是否是由AI生成的。

• 石油公司的勘探團(tuán)隊(duì)用AI替代了所有數(shù)值算法。

• AI能指導(dǎo)初級(jí)高鐵工程師在5分鐘內(nèi)排除高鐵的疑難故障。

• AI能研制出一款專殺癌細(xì)胞且不破壞好細(xì)胞的藥物。

• AI能通過某區(qū)域的地下結(jié)構(gòu)數(shù)據(jù)，精準(zhǔn)預(yù)測(cè)地震的時(shí)間。

• 等等……

今天，我們顯然還沒實(shí)現(xiàn)這些。未來能否實(shí)現(xiàn)，取決于我們能否克服智能發(fā)展的瓶頸。

智能發(fā)展的瓶頸

今天，我們經(jīng)常聽到一些關(guān)于智能發(fā)展遇到瓶頸，或者預(yù)訓(xùn)練紅利已盡的觀點(diǎn)。

何為瓶頸？我們先探討一下智能從何而來。

過去10年，AI大模型的技術(shù)本質(zhì)，是把電力能源通過計(jì)算過程轉(zhuǎn)化為可復(fù)用的智能。

技術(shù)的好壞取決于這個(gè)轉(zhuǎn)化效率的高低。類似的表述，我也聽月之暗面的朋友提及過。

今天模型的智能本身，最主要還是來自預(yù)訓(xùn)練（往往是自監(jiān)督方法），僅有少量來自微調(diào)或強(qiáng)化學(xué)習(xí)。

為什么？先算一筆淺顯的經(jīng)濟(jì)賬：因?yàn)轭A(yù)訓(xùn)練消耗的算力最多，消耗的能源也最多。

當(dāng)然，預(yù)訓(xùn)練、微調(diào)、強(qiáng)化學(xué)習(xí)本質(zhì)上都是在計(jì)算梯度以更新參數(shù)。

如果有合適的海量數(shù)據(jù)和Loss函數(shù)，未來在預(yù)訓(xùn)練階段采用SFT（監(jiān)督微調(diào)）或特殊的強(qiáng)化學(xué)習(xí)方法也有可能。

從智能增長(zhǎng)的角度，我們甚至不用刻意區(qū)分預(yù)訓(xùn)練、SFT和強(qiáng)化學(xué)習(xí)。

它們的區(qū)別主要在于更新參數(shù)的次數(shù)與規(guī)模。從計(jì)算本質(zhì)上看：預(yù)訓(xùn)練、微調(diào)、強(qiáng)化學(xué)習(xí)（比如GRPO）都是在計(jì)算梯度的類似物，并用它來更新參數(shù)。

那么，能源從何而來呢？

這就是GPU或算力。英偉達(dá)在這點(diǎn)上做了最大的貢獻(xiàn)。

雖然英偉達(dá)有很多先進(jìn)的技術(shù)，比如更強(qiáng)的Tensor Cores、Transformer Engine、互聯(lián)技術(shù)（NVLink/網(wǎng)絡(luò)化NVLink）、軟件棧等，但我先試圖用一句話說清楚英偉達(dá)過去幾年在技術(shù)上做的最重要的事情，即其GPU設(shè)計(jì)的核心思路。

簡(jiǎn)而言之，英偉達(dá)過去幾年最重要的路線是：在同樣的物理空間里堆更多HBM（高帶寬內(nèi)存）。

HBM雖然帶寬很高，但依然是計(jì)算核心之外的內(nèi)存（Off-chip from logic die），與計(jì)算核心存在不可忽略的物理距離。

為了掩蓋內(nèi)存訪問延遲，GPU只能依賴超大的Batch Size（批處理量）和大規(guī)模并行來處理數(shù)據(jù)。

英偉達(dá)GPU本質(zhì)上就是一臺(tái)并行計(jì)算機(jī)。

因此，英偉達(dá)對(duì)算法層和軟件層的要求非常明確：必須提供足夠大的Batch Size或并行度。

面對(duì)英偉達(dá)的要求，很多研究團(tuán)隊(duì)都提出了自己的方案。比如RNN、Transformer、卷積序列模型（CNN for Sequence）等等。甚至有人嘗試用SVM來處理大規(guī)模序列數(shù)據(jù)。

那為什么Transformer率先脫穎而出？

因?yàn)門ransformer也是一臺(tái)并行計(jì)算機(jī)。這里我引用一下Ilya Sutskever的一句話：

Transformers：parallel computers in disguise.

直白的意思是：Transformer本質(zhì)上是一個(gè)被神經(jīng)網(wǎng)絡(luò)外殼包裹起來的并行計(jì)算機(jī)。

這也是Transformer最先能夠顯現(xiàn)智能的核心原因，因?yàn)?strong>它的并行計(jì)算特性完美匹配了GPU的并行計(jì)算單元。

同時(shí)，OpenAI完美地實(shí)現(xiàn)了Next-Token Prediction這個(gè)Loss函數(shù)，它給了AI大模型近乎無限的訓(xùn)練數(shù)據(jù)。

理論上BERT的Loss函數(shù)（完形填空和Next Sentence Prediction）也可以提供近乎無限的數(shù)據(jù)，但在實(shí)踐中，Next-Token Prediction的效果明顯更好。

我推測(cè)，這個(gè)Loss函數(shù)最小化了人類的干預(yù)——它不是人為設(shè)計(jì)的，而是大自然在進(jìn)化過程中賦予人腦的邏輯。

并且，Next-Token Prediction其實(shí)是預(yù)測(cè)未來，而BERT的完形填空其實(shí)是把過去的信息和現(xiàn)在的信息串聯(lián)起來。

這就好比讓一個(gè)足球?qū)＜腋鶕?jù)歷史數(shù)據(jù)和當(dāng)天的比賽結(jié)果去解釋合理性，幾乎所有專家都能做到；但是，如果讓專家去預(yù)測(cè)每一場(chǎng)比賽的精準(zhǔn)比分，他們會(huì)經(jīng)常出錯(cuò)。

這再次說明了，預(yù)測(cè)(Prediction)是智能的核心能力體現(xiàn)，難度遠(yuǎn)高于解釋(Explanation)。

其實(shí)我挺佩服OpenAI團(tuán)隊(duì)能夠堅(jiān)持下來的勇氣。

2018年時(shí)，BERT在媒體上的影響力幾乎完全碾壓了GPT，且當(dāng)時(shí)OpenAI的AI研發(fā)團(tuán)隊(duì)體量跟Google比起來微不足道。

很佩服他們沒有放棄Next-Token Prediction，也沒有轉(zhuǎn)向類BERT的訓(xùn)練方式。真理往往需要時(shí)間去檢驗(yàn)。

同時(shí)，以Transformer為核心的方案收獲了「一箭雙雕」的雙重優(yōu)勢(shì)：

1. 模型的每層參數(shù)量越多，并行度就越高(Tensor Parallelism)。

   所以，只要通信代價(jià)不顯著增加，能同時(shí)利用的算力就越多。這點(diǎn)需要點(diǎn)贊行業(yè)領(lǐng)導(dǎo)者的先見之明。幾年前，我看到CNN時(shí)代有研究人員試圖把模型往深度發(fā)展，比如設(shè)想1000層的神經(jīng)網(wǎng)絡(luò)。其實(shí)非常深（層數(shù)非常多）的神經(jīng)網(wǎng)絡(luò)是不利于有效利用算力的，因?yàn)榱魉€并行提供的并行度上限不高。

2. Transformer的不同Token可以同時(shí)計(jì)算。

   序列長(zhǎng)度越長(zhǎng)，并行度就越高，只要通訊代價(jià)不顯著增加，能同時(shí)利用的算力就越多。Sequence Parallelism與Data Parallelism互補(bǔ)，進(jìn)一步提供了更多的并行度。

就這樣，我們見證了GPT-1、BERT、GPT-2、GPT-3、ChatGPT、Gemini一步一步把智能提升到了今天的高度。

到這里，大家大概也清楚為什么AI模型的智能增長(zhǎng)會(huì)遇到瓶頸了——因?yàn)?strong>我們現(xiàn)在的范式無法充分消化持續(xù)增長(zhǎng)的算力。

假定一次模型訓(xùn)練和微調(diào)消耗的浮點(diǎn)數(shù)計(jì)算次數(shù)（即程序員面試中的計(jì)算復(fù)雜度的具體值）從10^n變成10^{n+3}時(shí)，我們是否獲得了一個(gè)顯著更好的模型？

其實(shí)，很多時(shí)候我們把「效率優(yōu)化技術(shù)」和「智能提升技術(shù)」混淆了。

比如，明天我提出一個(gè)新的架構(gòu)，實(shí)驗(yàn)發(fā)現(xiàn)達(dá)到跟GPT-5類似的效果，只需要20%的參數(shù)量或計(jì)算量。

這其實(shí)更多是落地或商業(yè)化問題；智能的終極問題是：使用同樣的浮點(diǎn)數(shù)計(jì)算次數(shù)（而非Token量），能否獲得一個(gè)更好的模型。浮點(diǎn)數(shù)計(jì)算次數(shù)，才是算力最基本、最本質(zhì)的計(jì)量單位。

未來的方法探討

首先從硬件層來看，我們需要持續(xù)產(chǎn)生更大的絕對(duì)算力，這不一定局限于單位芯片上的算力提升。

即便單位芯片上的算力沒有大幅度提升，我們通過集群的方式也能構(gòu)建更大的絕對(duì)算力。這里需要平衡的是：聚集芯片帶來的性能增長(zhǎng)，要高于「芯片或服務(wù)器之間通信增長(zhǎng)帶來的負(fù)擔(dān)」。

所以，具體的硬指標(biāo)就是：增長(zhǎng)或至少維持住「計(jì)算開銷/通信開銷」這個(gè)比值。這是整個(gè)AI基礎(chǔ)設(shè)施層最核心的技術(shù)目標(biāo)。要想實(shí)現(xiàn)這個(gè)目標(biāo)，我們需要擴(kuò)展性更好的并行計(jì)算技術(shù)，無論是軟件還是硬件。

在更上層的探索中，我們需要讓AI模型在單位時(shí)間內(nèi)「吃下」更多能源，并真正將其轉(zhuǎn)化為智能。

個(gè)人感覺大概有以下幾點(diǎn)方向：

1. 更高精度的計(jì)算能力。

   今天，從FP16到FP32，甚至FP64，模型智能并未出現(xiàn)明顯躍升。這本身就是一個(gè)瓶頸。理論上，更高精度應(yīng)當(dāng)帶來更可靠的計(jì)算結(jié)果，這一點(diǎn)在傳統(tǒng)科學(xué)計(jì)算中早已得到驗(yàn)證。這個(gè)觀點(diǎn)可能與主流機(jī)器學(xué)習(xí)共識(shí)并不一致，而且真正發(fā)生可能需要很長(zhǎng)時(shí)間，但從本質(zhì)上看，智能仍然需要更精準(zhǔn)的計(jì)算。這與過擬合并無直接關(guān)系，過擬合的根源在于數(shù)據(jù)規(guī)模不足或參數(shù)與數(shù)據(jù)不匹配。

2. 更高階的優(yōu)化器。

   Google的朋友告訴我，他們有時(shí)候已經(jīng)不用類Adam優(yōu)化器，而是用更高階的優(yōu)化器在訓(xùn)練模型。高階優(yōu)化器理論上能在學(xué)習(xí)過程中給模型更好的指導(dǎo)，算出更好的梯度，這是模型智能提升的本質(zhì)。當(dāng)然，高階優(yōu)化器的全面替代可能需要很長(zhǎng)的時(shí)間。

3. 擴(kuò)展性更好的模型架構(gòu)或Loss函數(shù)。

   我們?nèi)匀恍枰环N擴(kuò)展性更好的整合和利用算力的方式。這點(diǎn)我們需要注意：優(yōu)化效率不一定能提升智能。比如Mamba出來的時(shí)候，宣傳重點(diǎn)是吞吐量的提升，用更小的模型獲得同水平的智能。但是，本文關(guān)注的是：在最健全的AI基礎(chǔ)設(shè)施上，用最大的可接受成本，能否訓(xùn)出更好的模型，獲得更高的智能。比如，今天Google告訴你：預(yù)算300億美元，半年內(nèi)給我訓(xùn)出一個(gè)更好的模型，不考慮省錢問題，花10億和花100億沒區(qū)別。在這個(gè)場(chǎng)景下，你最終是否會(huì)用Mamba這樣的架構(gòu)？你是否需要設(shè)計(jì)更好的Loss函數(shù)？

4. 更多的Epoch和更好的超參數(shù)

   迫于成本壓力，我們今天其實(shí)并沒有對(duì)AI模型進(jìn)行深度優(yōu)化，甚至沒有深度搜索超參數(shù)。這其實(shí)也是我之所以對(duì)AI模型的智能繼續(xù)增長(zhǎng)有信心的原因。我這里的意思不是直接訓(xùn)練更多的Epoch。明知無效卻生硬地跑更多Epoch其實(shí)是方法不對(duì)（比如參數(shù)量和數(shù)據(jù)量不匹配）。但是，根本上，更多的Epoch代表更多的浮點(diǎn)數(shù)、更多的能源。我們需要找到方法去「吃下」更多能源，并轉(zhuǎn)化出更高智能。

有些技術(shù)對(duì)大規(guī)模落地AI非常重要，比如低精度訓(xùn)練、剪枝、量化、蒸餾、PD分離等推理優(yōu)化技術(shù)。

但是，在一個(gè)「算力轉(zhuǎn)智能」極端有效的情況下，這些技術(shù)跟提升智能上限無關(guān)。

筆者對(duì)這些技術(shù)的貢獻(xiàn)者非常尊重，它們?cè)趯?shí)際落地中至關(guān)重要，只是與本文探討的主題無關(guān)。

智能增長(zhǎng)歸根到底還是算力利用問題。假定算力無限大，比如一個(gè)集群的算力達(dá)到今天的萬億倍，可能我們會(huì)發(fā)現(xiàn)更簡(jiǎn)單的模型結(jié)構(gòu)比Transformer和Next-Token Prediction的擴(kuò)展性更好。

從SVM到CNN、LSTM、BERT、GPT、MoE：我們始終在尋找能更高效利用算力且具備更好擴(kuò)展性的方法。

這個(gè)過程中，核心原因是問題的規(guī)模在不斷擴(kuò)大。

我們?cè)贏I時(shí)代到來之前便已實(shí)現(xiàn)天氣預(yù)報(bào)，然而至今仍未能攻克地震預(yù)報(bào)，盡管兩者本質(zhì)上都是針對(duì)地球數(shù)據(jù)的研究。

究其原因，地下結(jié)構(gòu)涉及比大氣更加錯(cuò)綜復(fù)雜、且變量規(guī)模呈指數(shù)級(jí)龐大的動(dòng)態(tài)多模態(tài)數(shù)據(jù)。

這種傳統(tǒng)計(jì)算模式難以駕馭的高維復(fù)雜性，恰恰是未來AI技術(shù)大有可為的機(jī)遇所在。

所以，我有信心我們未來會(huì)不斷找到更高效的算力使用方式。

雖然過程中可能會(huì)有很多困難和低潮，但大趨勢(shì)不可阻擋。

最后，借用Richard Sutton教授的一句話收尾：

人工智能70年的研究留給我們最大的經(jīng)驗(yàn)教訓(xùn)是，依托計(jì)算能力的通用方法才是最終的贏家，且具備壓倒性的優(yōu)勢(shì)。

https://zhuanlan.zhihu.com/p/1989100535295538013

秒追ASI

?點(diǎn)贊、轉(zhuǎn)發(fā)、在看一鍵三連?

點(diǎn)亮星標(biāo)，鎖定新智元極速推送！