Hinton加入Scaling Law论战，他不站学生Ilya

文章摘要

【关 键 词】 人工智能、Scaling Law、师徒分歧、数据瓶颈、AGI

人工智能领域的Scaling Law争议成为焦点，围绕其有效性和未来发展，业界权威人士形成了不同观点阵营。Geoffrey Hinton与Demis Hassabis代表”持续有效派”，认为Scaling Law仍具潜力，当前面临的数据瓶颈可通过AI自主生成训练数据来解决。Hinton以AlphaGo系列为例，指出模型自我对弈创造数据的可行性，哈萨比斯则强调需要构建包含环境交互的”世界模型”，实现更广义的系统规模化演进。

Ilya Sutskever与Yann LeCun则对单纯规模扩张持怀疑态度。Ilya指出预训练时代面临数据瓶颈，认为继续扩大规模带来的边际效益递减，需要转向研究范式重构。他特别强调当前技术可能缺失情感等关键认知要素，这些难以通过数据规模解决。LeCun直接质疑”更多数据等于更智能”的假设，主张探索大语言模型之外的AGI路径。

争议背后反映出技术演进的关键命题：规模化扩张与质变突破的平衡点。Noam Brown的中间观点揭示学界共识——现有技术已具重大影响力，但AGI需要新突破。核心分歧实质聚焦于规模化对象的重定义：是继续扩大参数数据量，还是转向架构创新、认知机制等更深层要素的扩展。这场辩论不仅关乎技术路线选择，更将深刻影响AI未来发展方向与资源分配格局。

原文和模型

【原文链接】 阅读原文 [ 2676字 | 11分钟 ]
【原文作者】 量子位
【摘要模型】 deepseek/deepseek-v3-0324
【摘要评分】 ★★☆☆☆

派欧算力云 – AI 云端一体化解决方案: 模型 API、Serverless、GPU 租赁

派欧算力云提供全面的 AI 云端平台解决方案,包括模型 API、Serverless 和高性能 GPU 实例等,帮助您节省高达 50% 的成本,并同时加速 AI 产品的构建和业务发展,助力企业实现创新突破,赢得市场竞争优势。