這位深度學習領域權威學者認為，智能形態的演化空間遠比人類想象中廣闊。人類智能作為生物進化的產物，其運行機制深深植根于數百萬年的自然選擇過程。相比之下，當前主流的大語言模型通過完全不同的進化路徑產生，二者在底層邏輯上存在根本性斷裂。

人工智能的進化軌跡則遵循截然不同的邏輯。大模型的訓練過程本質上是統計模擬游戲，通過對海量文本數據的模式識別構建認知框架。其能力發展高度依賴訓練數據的分布特征，導致在特定任務上表現卓越，卻在未充分訓練的簡單任務中出現意外失誤。這種"尖刺狀"的能力分布，正是數字智能與生物智能的關鍵差異。

兩種智能形態的硬件基礎存在代際鴻溝。人類大腦依靠神經元的生物電信號傳遞信息，具備持續學習與世界互動的動態特性。而大模型運行在數字計算機架構之上，通過矩陣運算處理信息，其權重參數在部署后即固定不變。這種靜態特性限制了模型的實時適應能力，使其無法像生物體那樣通過持續互動優化認知模式。

學習機制的分野更為顯著。盡管深度學習中的隨機梯度下降算法已取得驚人成果，但與人類大腦的學習方式相比仍顯簡陋。生物智能具備元學習能力，能在不同任務間遷移知識，而當前AI系統需要針對每個具體任務進行專門優化。這種差異使得人工智能在處理陌生場景時顯得笨拙，即便該場景在人類認知體系中屬于基礎范疇。