大模型绝非 AI 的最终形态
想象两名学生参加一场考试。

学生甲提前做过一万道题，考试里的大多数题型都似曾相识。他答得又快又准，甚至可以在许多科目上超过普通人。但当第一万零一道题换了一套前所未见的规则，既没有讲解，也没有标准套路时，他突然不知道该从哪里开始。

学生乙记住的题目远没有那么多，却能观察几个例子，尝试几次，迅速发现隐藏规则，然后把新学到的方法用到后面的题目中。

今天的大模型，更接近一位能力极其惊人的学生甲。

它读过海量文本、代码和图像，在训练中压缩了人类积累的大量知识与技能，因此能写文章、做翻译、编程、解题和调用工具。这些都是真实而有价值的能力。但“会答一万道题”，不等于“能自己学会第一万零一道题”。一旦问题真正脱离训练经验，没有现成说明、标准答案或明确评分方法，它的适应能力仍可能突然下降。

法国 AI 研究者 François Chollet 认为，真正的通用智能更像学生乙：它不只拥有很多知识，还能进入陌生环境，判断什么信息重要，形成对规则和因果关系的理解，并用很少的尝试获得一种新技能。

这个区别，正是理解他对大模型态度的钥匙。

围绕大模型的未来，舆论经常被压缩成两个极端。

一边认为，只要继续增加数据、算力和参数，大模型迟早会自然长成通用人工智能；另一边则认为，大模型已经吃完互联网数据、性能提升趋缓，马上就要撞墙。

法国 AI 研究者 François Chollet 给出的答案更复杂，也更值得重视：大模型不会停止进步，扩大规模和改进训练仍会持续带来更好的产品；但“越来越强的大模型”与“真正的通用智能”并不是同一件事。

2025 年 8 月，Chollet 在公开发言中专门纠正过外界对他的误读。他说，自己从未声称深度学习将撞墙、不会再有进展。恰恰相反，他在 ChatGPT 出现之前的判断就是，扩大深度学习规模会持续产生越来越好的结果；他同时认为，这条路线并不能直接通向他所定义的 AGI——具有人类水平的技能获取效率。

这句话的关键不是“行”或“不行”，而是他在谈两种不同的进步：一种是让机器掌握更多已有技能，另一种是让机器遇到陌生问题后，能够像人一样迅速学会新技能。AI反常识howto AI搞学习howto 具身智能 howto用好AI 大模型 人工智能未来 多模态人工智能 人工智能就业