大模型扭转了此前人工智能研究的思路，放弃了可解释性，而开始拥抱复杂网络和大规模参数。

这些让现代神经网络的能力超越前代，但也带来了不少问题。

• 巨大的成本：训练模型需要的数据和算力都是海量，动辄数百万千万，提高了使用 AI 的门槛；
• 不可扩展：模型一旦训练好，很难进行扩展，只能通过有限手段进行微调。

重新思考人工智能科技的演化历史，或许能给我们一些启发。

正如华山武学有气宗和剑宗之争，人工智能也有路线之争。大致可以分为两大派：推理派 vs 概率派。

推理派相信可以通过让机器学习人提前总结归纳好的知识，以达到超越人的智能的水平。

概率派则认为人无法将整个世界的完整知识进行正确表达，应该将更原始的数据直接灌输给机器，让机器自行去发现规律。

在算力稀缺的年代里，推理派更占上风，毕竟依靠人的先验知识，可以节约机器进行学习的时间。

后来随着算力资源和数据的丰富，概率派依托超大规模神经网络，目前已经成为主流。

从千亿级到万亿级，眼看着网络模型已经逼近人类文明能做到的极限，那么未来路在何方？

与大模型形成鲜明对比的，是普通的儿童。他们观察接受世界的数据，训练大脑网络，却比软件高效得多。区别在哪里？

最关键的区别有 3 点：

• 人类大脑是动态的。神经连接在不断的产生和消灭，并不是训练完成就停了，而是不断扩展。
• 人类大脑可以泛化。人类不光能学习裸数据，也能学习规则，甚至能推理规则，学习规则以上的概念。
• 人类大脑可以分区。人类大脑分为多个区，有的侧重存储记忆，有的侧重理性推理，有的侧重情绪管理。

或许，下一代的人工智能要想更加高效，应当向人类的大脑学习。采用动态链接模型，分区结构，强化泛化能力。只有这样，才可能设计出能不断学习的超级大脑，为全人类带来福祉。