文章摘要
【关 键 词】 AI研究、Scaling Law、AGI发展、结构主义、智能压缩
Scaling Law虽然能通过「穷举」达成目标，但其本质是用无限资源换取伪智能。斯坦福大学博士后刘子鸣指出，当前大模型依赖庞大的算力和数据，但这种做法只是表面上显得聪明，而非真正的通用人工智能（AGI）。他认为，真正的AGI应遵循简洁的结构，而非盲目扩大规模。资源有限性将成为Scaling Law的两大瓶颈：能源与高质量数据的枯竭将迫使研究者寻找更高效的路径。
智能的核心在于压缩，而结构是实现压缩的关键。刘子鸣以自然科学的发展为例，指出开普勒和牛顿通过发现行星运动的规律性结构，实现了对复杂现象的简化描述。相比之下，现代AI仍停留在数据驱动的「第谷时代」，尽管Scaling Law提供了经验性规律，但并未触及更深层的理论。正确的物理结构不会因模型规模的扩大而自动涌现，缺乏显式结构的设计会限制AI的效率和泛化能力。
不同于符号主义或联结主义，刘子鸣提出结构主义作为第三条路径。结构主义强调任务的可压缩性差异，主张根据任务类型施加合适的结构。例如，类物理任务高度可压缩，符号公式可能从中涌现；类化学任务结构清晰但符号不完整；类生物任务则依赖统计归纳。Kolmogorov-Arnold Networks（KANs）被视作结构主义的实践，其设计既能捕捉多变量函数的组合结构，又避免了神经-符号混合的不稳定性。抽象能力被列为AGI的核心瓶颈，而抽象的本质在于结构的比较与复用。
当前AI系统的结构化更多依赖外部干预，如思维链（CoT）数据监督。未来突破需转向内在结构主义，即让通用结构在模型内部自然涌现。刘子鸣认为，高效、可适应且具备物理基础的AGI必须依托于对世界结构的建模，因为物理世界本身具有高度的可压缩性和组合性。结构主义并非妥协，而是对联结主义和符号主义的统一，其长远潜力可能超越Scaling Law的工程化路径。
原文和模型
【原文链接】 阅读原文 [ 2709字 | 11分钟 ]
【原文作者】 新智元
【摘要模型】 deepseek/deepseek-v3-0324
【摘要评分】 ★★★★☆
相关文章
