IT之家 8 月 26 日消息，尽管 AI 行业在大模型领域取得了显著进展，但在认知能力和实际生产力方面，距离人类水平仍有较大差距。《麻省理工科技评论》援引斯坦福大学认知科学家迈克尔 ·C· 弗兰克等专家的研究指出，人类婴儿的语言学习能力远超当前的 AI 聊天机器人，学习效率呈现数量级的差异。数据显示，幼儿仅需接触 1000 万至 3000 万个词汇，即可掌握语言规则并说出清晰的句子。相比之下，若使用同等规模的数据训练 GPT-2 模型，得到的仅是生成胡言乱语的程序。弗兰克直言，为了重现普通家庭中婴儿一年自然习得的里程碑，AI 产业却需要“烧掉一片森林”并消耗几乎全部的人类知识数据。这种巨大的效率差距表明，单纯通过扩大模型规模和数据投喂的“大力出奇迹”路线，可能根本无法通往真正的人类水平智能，如何提升样本效率成为行业亟待解决的难题。
事件分析
该研究揭示了当前大模型发展的核心瓶颈——样本效率低下。现有的 Transformer 架构依赖海量数据进行暴力训练，与人类大脑利用因果推断和少量样本快速学习的能力存在本质鸿沟。从技术演进看，这意味着单纯依赖 Scaling Law（扩展定律）堆叠算力和数据的路线面临边际效益递减甚至失效的风险。产业界或将因此被迫转向，从追求万亿级参数的“大而全”转向寻求更高效的学习范式，如具身智能、神经符号 AI 或类脑计算，试图以更少的数据实现更强的逻辑推理与泛化能力。
核心观点：数据饥渴掩盖不了算法缺陷，大模型若想进化至人类水平，必须从“暴力堆料”转向追求类脑的高效认知机制。
原文链接：Linux.do
