我们不必执着于把飞机造得更像一只鸟。
作者：内森·兰伯特
日期：2025年8月15日
Dwarkesh Patel 那篇广为流传的文章，核心观点是持续学习的瓶颈让他延长了对人工智能发展周期的预测。
但在我看来，我们现有的技术已经是通用人工智能了。所以，真正的问题应该是：持续学习真的是人工智能发展的瓶颈吗？
我认为，他所说的那种持续学习，对我们当前的人工智能发展路线其实无关紧要。
持续学习的问题最终会解决，但它的解决方案很可能会催生一种全新的人工智能，而不是对现有的大语言模型系统进行无尽的优化。
对于人工智能研究者而言，持续学习就像一个极具诱惑力的技术难题，让他们沉迷其中。
可现实是，我们只需持续扩大系统规模，就能自然而然地获得与人类学习方式几乎无异的能力。
首先，我们来回顾一下 Dwarkesh 对持续学习的看法，以下是其文章的核心内容：
“人们常说，即便人工智能的所有进展戛然而止，现有系统的经济变革潜力也远超互联网。我并不同意。
我承认今天的大语言模型很神奇，但财富500强公司迟迟没有用它来改造业务流程，并非因为管理层太保守。
根本原因在于，我们很难从大语言模型那里获得像普通人一样稳定的劳动输出，这背后是模型能力的根本性缺失。
我自认为在人工智能领域非常前沿，曾花上百小时为我的后期制作流程打造大语言模型工具，但这些经历反而让我拉长了对未来的预期。
“我试着让模型像人一样重写自动生成的文稿，让它们从稿子里找出适合发推文的片段，或者和我一起逐段写文章。
这些任务都非常简单、独立、短期，纯粹是语言的输入和输出，本该是大语言模型最拿手的看家本领，但它们的表现最多只能打5分。
这已经很了不起了，但根本问题在于：大语言模型不会像人一样持续进步。
缺乏持续学习是个天大的问题。虽然模型在许多任务上的初始表现可能超过普通人，但我们没办法给它高层次的反馈。
你只能接受它出厂时的水平。无论怎么调整系统提示词，都无法实现像人类员工那样真正的学习和成长。
这个论点最让我无法认同的地方，就是那种总想让我们今天的大语言模型模仿人类的执念。
我很惊讶 Dwarkesh 和其他关注通用人工智能的顶尖人士会陷入这种思维。这和那些声称 AI 不会推理的批评者，犯的是同一个根本性错误。
“执着于让 AI 更像人，反而可能把技术进步引向一条死胡同。
人类智能曾是 AI 的灵感灯塔，但我们早已驶过那个阶段。如今整个行业都已 all-in，不惜代价地打造最强的语言模型。
我们不再是想造一只机械鸟，而是要用最短的时间，把莱特兄弟的飞机迭代成波音737。
简单来说，我的观点可以总结为：
语言模型会像人类一样推理吗？不。 语言模型会推理吗？会。 语言模型系统会像人类一样持续学习吗？不。 语言模型系统会持续学习吗？当然会。
Dwarkesh 说：“很难从大语言模型那里获得像普通人一样的劳动输出。” 这是因为我们还处在技术发展的黎明时分。
人类的工作需要海量的背景知识和极快的反应速度，而这正是我们正通过语言模型逐步解锁的能力。更重要的是，我们的目标或许本就不是替代人力，而是增强人力。
把大语言模型当作人类即插即用的替代品，既不是通用人工智能的必要条件，也不是技术发展的根本瓶颈。
正如弗朗索瓦·肖莱在一次活动中巧妙地向 Dwarkesh 指出的那样：“适应新任务的能力和即时学习的能力，你要如何区分？在我听来，这不就是一回事吗？”
语言模型已经能飞快地领会微妙的语境。就我个人体验，ChatGPT 的记忆功能已经今非昔比。
等到未来18个月内更强大的模型问世，这种能力将近乎魔法。即使我们不主动提供，模型也极其擅长推断上下文。
很快，我们就能通过输入海量的、明确的上下文，彻底激活这个强大的关联引擎。
我还没见过有谁把工作中的所有相关信息都彻底数字化，并整理成大语言模型易于读取的格式。
据 GPT-5 Pro 估算，我博客上所有的文章加起来也只有50万个 tokens，完全可以塞进一个现有的模型里，但我从未试过。
Dwarkesh 遇到的困境，源于我们仍主要以单次生成的模式在使用大语言模型。
尽管推理模型的出现极大地改善了这一点，但在复杂的知识领域里，要想发挥出真正的经济价值，就需要一种深度研究式的应用模式——让模型全面掌握你近期的所有工作交互。
目前，没人给模型提供这种级别的上下文，我们手头的工具也无法有效积累这些信息。
但我相信，变革很快就会到来。ChatGPT、Claude 等产品都在全面引入跨会话的记忆功能和各类数据连接器。
这些全模态的记忆功能，将是释放 Dwarkesh 所期待价值的关键。没有它们，现在的语言模型在持续学习上确实毫无希望。
我猜想，传闻中每月2000美元的 ChatGPT 订阅服务，就是要解决这类问题。
每个定制任务都需要消化海量的上下文和推理 tokens，才能给出基本正确的输出。
如果有人能为我的博客做一个类似 Claude Code 的工具，分析每篇文章的主题和数据表现，我相信 AI 能轻易地为我的内容创作提供极具价值的建议。
因此，Dwarkesh 所说的持续学习，本质上是一个系统问题，而非学习算法问题。
我预计到2026年，我们会拥有更好的信息与上下文管理系统。到2027年，AI 公司将懂得如何最高效地利用这些信息，实现那种如同快速适应般的在上下文学习。
2025年发布的模型将让这一切变得触手可及。推理模型极大地增强了在上下文学习的能力，让 AI 在 ARC-AGI 这类复杂的未知领域取得了飞速进步。
同时，模型的上下文窗口也迎来了巨大飞跃。Claude 和 Gemini 的上下文长度都超过了100万+ tokens，GPT-5 也达到了40万 tokens，并且还在稳步增长。
关键在于，评测显示这些增长是实打实的，模型能够智能地利用这些超长上下文。
借助强大的推理模型和智能的上下文检索，我们正在构建的系统，其表现将与持续学习别无二致。
这必然是多个大语言模型协同工作的结果，其运行模式将和我们今天还在使用的初代 ChatGPT 完全不同。
通往持续学习的道路，就是更多的上下文和更强的算力。这与当前人工智能的投资方向完全吻合。
这根本不是瓶颈，而是一个我们正在着手解决的产品问题。
当然，这种形式的持续学习，或许无法实现 AI 领袖们口中那种被称为超级智能的原始智能与完全自主。
要想训练模型胜任更艰巨的任务，比如原创性的生物学研究，就需要掌握从零开始学习的智能体行为。
这类任务不存在互联网规模的预训练数据。但我的观点是，并非所有需要持续学习的工作，都要求达到智能的极限。
我非常期待，能在我未来的 ChatGPT 6 联合编辑的帮助下，轻松愉快地写博客。
当然，这项即将到来的技术也伴随着挑战。当初读到 Dwarkesh 的文章时，我的第一反应不是思考技术的可行性，而是社会还没准备好。
在此，我必须重申我的警告：
“人工智能的风险之所以更高，是因为它与我们互动的方式极其个人化。
作为一个日益强大的独立实体，我们需要在 AI 和人类之间设置一些绝缘体，增加一点点摩擦，从而更好地引导技术走向善的结果。
简而言之，当你自己就是环境的一部分时，千万不要轻易许愿一个端到端的强化学习系统。那是一条通往反乌托邦的捷径。
我们今天拥有的，已经是通用人工智能的一种形态。借助更好的上下文和记忆能力，它很快会变得更加强大。
大语言模型的产业化，正在各行各业为我们带来惊人的进步，并将轻松超越几十年来激励 AI 发展的许多人类智能的基本要素。
继模型学会推理之后，具备持续学习能力的系统即将到来。这才是大多数 AI 公司真正在做的事——无论他们对外如何宣传超级智能的宏大叙事。
一键三连「点赞」「转发」「小心心」
欢迎在评论区留下你的想法！
