📢 转载信息
原文链接：https://www.bbc.com/news/articles/c77zxx43x4vo?at_medium=RSS&at_campaign=rss
原文作者：BBC News
# 深度学习模型：我们离真正理解世界还有多远？
人工智能（AI）的最新进展，特别是大型语言模型（LLMs），在许多方面令人印象深刻。它们能写出流畅的文章、通过复杂的代码，并击败人类在各种游戏中取得胜利。然而，一个深刻的哲学和科学问题依然存在：这些系统是否真正“理解”了它们所处理的信息，还是仅仅在执行极其复杂的模式匹配？
许多专家和研究人员对目前的进展持谨慎态度。他们认为，尽管目前的深度学习模型在特定任务上表现出色，但它们的核心机制仍依赖于从海量数据中识别和复制统计规律。
缺乏常识和因果推理能力
批评者指出，当前的AI系统往往缺乏人类所具备的常识知识和对因果关系的深刻理解。例如，一个模型可能知道“水是湿的”，但它不理解“湿”的物理含义，也无法推断出如果将一块糖扔进水里会发生什么，除非它在训练数据中明确见过大量类似例子。
“当前的成功很大程度上是基于关联性，而不是真正的因果理解，”一位不愿透露姓名的AI研究员表示。“如果你改变了输入数据的某个微小方面，模型可能会崩溃，因为它没有一个内在的、可泛化的世界模型来支撑其预测。”
通往通用人工智能（AGI）的障碍
实现通用人工智能（AGI）——即具备像人类一样学习、适应和解决广泛问题的能力的AI——被认为是AI领域的终极目标。研究人员普遍认为，要达到这一目标，AI必须超越表面的统计关联。
“我们需要构建能够形成内部世界表征的系统，”一位认知科学家解释道。“这不仅仅是记住数据，而是能够构建、测试和完善对现实运作方式的内在模型。目前的深度学习架构似乎在这一点上遇到了瓶颈。”
未来的研究方向可能需要结合符号推理、神经科学的见解，以及更精细的、受控的学习环境，以确保AI不仅能做出准确的预测，还能真正“理解”其预测背后的机制。在这一目标达成之前，人类对AI能力的评估必须保持清醒和审慎。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区