AI的“超人表现”，不过是“伪智能”的幻象？一位AI研究员的惊世反思
你是否也曾被AI的飞速发展所震惊？SAT、AP考试高分通过、LeetCode难题迎刃而解、博士级别的数学物理问题也不在话下……社交媒体上，从扎克伯格宣称Meta将在2025年底拥有“中级AI工程师”，到无数KOL鼓吹AGI（通用人工智能）即将到来，一时间，AI取代人类的论调甚嚣尘上。我们仿佛生活在一个奇点临近的时代，科技巨头们正以前所未有的速度，将人类推向智能的彼岸。
然而，在这片喧嚣与狂热之中，一位来自AI研究前沿的观察者——Edan Meyer，却发出了截然不同的声音。他直言不讳地指出，“那些科技巨头和AI网红向你兜售的AGI概念，根本就是谎言，一派胡言！” 在他看来，我们对AI的进步存在根本性的误解，甚至在发展方向上南辕北辙。当前AI的“超人表现”，可能只是“伪智能”的幻象，而非真正意义上的智能跃迁。
Edan Meyer的“泼冷水”并非空穴来风。他犀利地指出，我们衡量AI进步的基准测试，从一开始就偏离了“智能”的真正内涵。当前所有流行的LLM（大语言模型）基准测试，都仅仅关注模型“应用知识”的能力，却完全忽视了“获取知识”的能力。他强调：“智能的真正定义，是获取和应用知识与技能的能力，而非你能够完成多少任务。” 简单来说，现在的AI就像一个学霸，能把背下来的知识用得出神入化，但它却缺乏像人类一样，从零开始、持续学习新知识的本能。这是一个巨大的盲区，也是阻碍AI走向真正AGI的“致命伤”。
那么，真正的AGI之路究竟在何方？Edan Meyer抛弃了业界普遍的“巨量数据+巨大模型”的“数据饕餮者”思维，转而提出了一个更贴近人类和动物学习本质的“三步走”方法论。他认为，我们不应追求一个无所不知、包罗万象的“全能AI”，而应该打造一个能像人类婴儿般，从互动中持续成长的“学习者”。
第一步：打破“一次性学习”的桎梏——拥抱持续进化
当前的AI模型，本质上都是“一次性学习者”。它们在完成初始训练后，虽然可以通过微调（fine-tuning）适应新任务，但这并非一个持续的过程。更糟糕的是，这种模式常常导致“灾难性遗忘”（catastrophic forgetting），即模型在学习新知识时，会忘记旧知识；或是“塑性丧失”（loss of plasticity），即学习能力随时间退化。这就像一个学生，每次学新课，都要把以前的知识都忘光，或学着学着就变笨了。
Edan Meyer主张，AI应该永不停止学习。这意味着训练、微调、测试、部署，不应是独立的阶段，而应融合成一个持续不断的学习过程。AI必须在“边做边学”中，不断积累和更新知识。我们需要的，不是一个“毕业即巅峰”的学霸，而是一个“终身学习”的伙伴。
第二步：告别“数据碎片”，构建“生命体验流”——模拟真实世界的学习
目前，大语言模型的训练依赖于从海量、碎片化的文本数据中随机采样。书籍章节、文章、研究论文、YouTube视频转录……这些不连贯的文本片段被打包成巨大批次喂给模型。这种“碎片化学习”的模式，导致AI无法像人类一样，拥有一个连续的“生命体验流”。
Edan Meyer深刻指出，人类的智能和决策，建立在一生中连续的经验流和情景记忆之上。我们通过与世界的持续互动，生成经验，并从中学习。而当前的AI，因缺乏这种连续的经验，导致它们难以进行长期推理，也无法形成复杂而独特的认知。例如，ChatGPT给出的YouTube视频创意总是平淡无奇，因为它无法理解Edan Meyer独特的个人风格，也无法将他过去所有与AI研究、创业失败相关的经历串联起来，形成真正有洞察力的内容。大模型并非万能药，它只是一个“一次性学习”的巨婴，无法理解生命叙事的连续性。
第三步：从“数据吞噬”到“算力提炼”——重塑扩展策略
在过去几年，AI领域遵循着一个看似有效的扩展路径：投入更多的算力，喂养更多的数据，模型性能就会更好。但现在，这一模式正遭遇瓶颈。当模型已经“吞噬”了几乎整个开放互联网的公共数据和科技巨头的私有数据集后，AI界开始面临“数据荒”。
Edan Meyer认为，这并非“数据问题”，而是“方法论问题”。人类一生中接触到的数据量，远不及LLM，却能变得极其聪明。这说明，问题不在于数据多寡，而在于如何从有限的经验中进行更高效的提取和学习。他强调：“我们需要的不是能吞噬更多数据的方法，而是那些在给定更多算力时，能利用这些算力从瞬间经验中提取更多价值的方法。” 这包括模型强化学习（Model-based RL）、辅助任务（Auxiliary tasks）等前沿研究方向，旨在让AI像“经验炼金术士”一样，从每一次交互中榨取最大化的知识和智慧。
Edan Meyer的洞察，为我们揭示了AI发展的一个关键拐点。我们不能再被表面的“跑分”和“超人表现”所迷惑，而必须回归“智能”的本质。真正的AGI，不应是“全知全能”的百科全书，而应是一个像婴儿般，拥有持续学习、从经验中成长、并能高效利用算力进行提炼的生命体。这场关于AGI路线图的深刻反思，不仅是Edan Meyer的个人研究方向，更是未来AI研究和商业化面临的宏大命题。那些在短期内追求“跑分胜利”的公司，或许正在加速驶向一条错误的航道。而真正能撬动未来的，将是那些敢于重新定义“智能”，并致力于培养AI“学习本能”的探索者。
