一場(chǎng)關(guān)于人工智能未來發(fā)展方向的激烈爭論，在兩位頂級(jí)科學(xué)家之間展開。圖靈獎(jiǎng)得主、“深度學(xué)習(xí)之父”Yann LeCun近日公開質(zhì)疑當(dāng)前硅谷主流的AI發(fā)展路線，認(rèn)為依靠大模型實(shí)現(xiàn)通用人工智能（AGI）的設(shè)想完全不切實(shí)際。這一觀點(diǎn)迅速引發(fā)了DeepMind創(chuàng)始人Demis Hassabis的反駁，雙方圍繞智能的本質(zhì)展開了深入探討。

在最新一期播客節(jié)目中，LeCun毫不留情地指出，當(dāng)前主流的AGI發(fā)展路徑存在根本性缺陷。他批評(píng)業(yè)界過度依賴擴(kuò)大模型規(guī)模、使用合成數(shù)據(jù)訓(xùn)練以及人工后訓(xùn)練的修正方式，認(rèn)為這些方法只是用規(guī)模掩蓋了結(jié)構(gòu)上的問題。他以人類大腦為例，指出雖然理論上具備圖靈完備性，但在實(shí)際計(jì)算任務(wù)中效率極低，遠(yuǎn)不及專門的棋類引擎。這種高度專門化的特性，使得"通用"一詞用于描述人類智能并不準(zhǔn)確。

LeCun進(jìn)一步通過數(shù)學(xué)計(jì)算論證其觀點(diǎn)。他估算人類大腦連接組能表示的布爾函數(shù)上限為2^(3.2×101?)，而一個(gè)簡單的視覺任務(wù)涉及的函數(shù)空間高達(dá)2^(2^1000000)，兩者相差懸殊。這表明人類智能在可能函數(shù)空間中實(shí)際上是極端專門化的存在，只是由于絕大多數(shù)函數(shù)對(duì)我們而言如同隨機(jī)噪聲，才產(chǎn)生了通用的錯(cuò)覺。基于此，他斷言當(dāng)前大模型路線無法實(shí)現(xiàn)真正的AGI，并宣布將離開meta創(chuàng)辦AMI Labs，專注于"世界模型"的研究。

針對(duì)LeCun的批評(píng)，Hassabis從概念辨析的角度展開回應(yīng)。他指出對(duì)方混淆了"通用智能"與"普適智能"的區(qū)別：前者強(qiáng)調(diào)系統(tǒng)在不同任務(wù)間遷移學(xué)習(xí)的能力，后者則要求在所有任務(wù)上達(dá)到最優(yōu)性能。Hassabis認(rèn)為，人類大腦作為已知最復(fù)雜的系統(tǒng)，雖然受限于無免費(fèi)午餐定理會(huì)產(chǎn)生一定專門化，但其能夠在科學(xué)發(fā)現(xiàn)、工程制造等領(lǐng)域取得驚人成就，正是高度通用性的最好證明。他強(qiáng)調(diào)，基于Transformer的大模型與人類大腦都是近似圖靈完備的系統(tǒng)，擴(kuò)大規(guī)模仍是實(shí)現(xiàn)AGI的關(guān)鍵路徑。

這場(chǎng)爭論背后，是兩種截然不同的技術(shù)路線之爭。LeCun押注的"世界模型"路線，試圖通過構(gòu)建能夠理解物理世界的系統(tǒng)來實(shí)現(xiàn)智能突破；而Hassabis領(lǐng)導(dǎo)的DeepMind則沿著Transformer架構(gòu)和擴(kuò)展法則（Scaling Law）持續(xù)推進(jìn)，近期在AlphaFold、Gemini等項(xiàng)目上取得重大突破。Hassabis更因蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)領(lǐng)域的貢獻(xiàn)，與團(tuán)隊(duì)共同獲得2024年諾貝爾化學(xué)獎(jiǎng)，這為他的觀點(diǎn)增添了實(shí)踐依據(jù)。

特斯拉CEO馬斯克也加入討論，公開支持Hassabis的觀點(diǎn)。這場(chǎng)爭論已超越學(xué)術(shù)范疇，成為關(guān)乎AI未來十年發(fā)展方向的重要分歧。隨著LeCun以35億美元估值為AMI Labs融資5億歐元，以及DeepMind持續(xù)加大模型規(guī)模投入，兩種路線的競(jìng)爭將進(jìn)入白熱化階段。五年后，這場(chǎng)爭論或許將迎來階段性答案，但無論結(jié)果如何，它已促使學(xué)界重新思考智能的本質(zhì)與實(shí)現(xiàn)路徑。