AI领域长期追寻的通用人工智能（AGI），其发展路径可能需要重新思考。图灵奖得主Yann LeCun在最新发表的论文中提出了一个不同的愿景——超人类适应性智能（Superhuman Adaptable Intelligence, SAI）。
这一框架的核心在于三个关键转变：
- 不再以人类能力作为终极参照系。
- 拥抱专业化，追求在特定领域实现超越人类的表现。
- 衡量智能的核心指标，从“掌握技能的广度”转向“学习新技能的速度”。
简而言之，SAI的目标不再是变得“像人一样聪明”，而是专注于一个更根本的命题：系统适应未知任务的速度能有多快。
论文还提出了一个有趣的观点：人类智能本身也并非真正“通用”。我们引以为傲的通用能力，很大程度上是生物进化塑造出的、一套用于“适者生存”的工具包。
什么是超人类适应性智能 (SAI)？
根据论文定义，超人类适应性智能 (SAI) 是一种能够通过快速适应，在人类擅长的任务上超越人类，同时也能解决大量人类从未涉足或无法完成的任务的系统。
过去，AI的发展逻辑常常将人类设为智能的标尺，例如图灵测试，其隐含的目标是达到“人类水平”。但LeCun团队认为，这种思路本身可能存在问题。论文中明确指出：
将智能锚定在人类基准线上，与通往超人类能力的路径是正交的。
换句话说，如果目标仅仅是“模仿并达到人类水平”，反而可能限制AI发展的上限。从这个角度看，真正应该被优化的不是模型在某个固定测试集上的分数，而是系统快速适应并解决新问题的能力。
一旦将“模仿人类”设定为目标，AI的任务空间就被人为地限制在了人类能力的范围内。然而，人类的能力集合只是进化史上的一个特解，远非智能可能性的全部。更合理的路径是让AI围绕明确的目标进行优化，并通过自我博弈、进化搜索和大规模仿真来持续提升。
这一观点也与Richard S. Sutton在《痛苦的教训》中的核心思想相呼应：推动AI取得实质性进步的，往往不是对人类认知的模仿，而是规模化计算与通用的学习方法。
在这种框架下，AI无需模仿人类，便可在诸多任务上直接实现超人类表现。反之，过度关注“人类水平”不仅可能误导研究方向，还会将AI的发展禁锢在以人类为中心的任务子集中。
为何“模仿人类”可能是一条歧路？
要迈向超人类智能，一个重要的前提是认识到：人类的“通用性”本身可能是一种认知盲区。
人脑并非为解数学方程、编写程序或进行科学研究而设计，它最初的进化压力只有一个：在原始自然环境中生存下来。因此，人类智能本质上是进化优化出的一套生存工具。
自然选择让我们擅长视觉感知、运动控制和社会协作，这些能力之所以看起来“通用”，仅仅因为它们对生存至关重要。一旦脱离这个进化塑造的舒适区，人类在许多认知任务上的表现并不出色，例如复杂概率计算、高维优化或大规模逻辑推理——在这些方面，计算机早已远超人类。
国际象棋就是一个经典例证：顶尖人类棋手曾被视为智慧的象征，但在强大的象棋引擎面前已无胜算。这揭示了一个事实：所谓“通用智能”可能是一种错觉，我们难以察觉自身由生物学设定的局限性。
这就是所谓的莫拉维克悖论：对人类而言轻而易举的任务（如行走、抓取），对机器却极端困难；而人类觉得困难的任务（如下棋、计算），对机器反而相对简单。原因在于，那些“简单”的能力凝聚了人类数百万年进化的精华，其底层复杂性被我们的主观体验所掩盖。
因此，论文得出的结论直接而有力：如果未来的AI仅仅致力于复刻人类这种为生存而优化的“智能工具箱”，那很可能是一条错误的技术路线。
专业化：智能进化的必然趋势
既然人类的“通用性”存在盲区，那么正确的方向是什么？LeCun援引生物学和机器学习领域的观察，给出的答案是：专业化才是智能进化的常态。
从生物学角度看，在资源有限、环境复杂的约束下，进化总是推动生物朝向更适应特定生态位的专业化方向发展。AI系统同样面临类似的压力：如果一个领域对成本、精度或可靠性有苛刻要求，任何不够专业的通用模型都会被更专注、更高效的专用系统所取代。
现实世界中已有许多例证，最典型的莫过于AlphaFold。
这个系统专为蛋白质结构预测而设计，通过任务特定的架构、数据和训练策略取得了革命性突破，彻底改变了结构生物学领域。这印证了机器学习中的一个基本原理：算法的成功，往往源于其设计与问题内在结构的深度匹配。
如果一个模型被迫同时学习叠衣服、驾驶汽车、编写代码和预测蛋白质结构，它很可能在每个任务上都只能达到平庸的水平。正如LeCun在论文中所言：
帮我们折叠蛋白质的AI，不应该是帮我们折叠衣服的那个AI！
这背后是机器学习中经典的负迁移现象：当多个差异性较大的任务竞争同一套模型参数时，它们的梯度更新方向可能相互冲突，从而导致整体性能下降。因此，从工程和理论角度看，强行追求“一个模型解决所有问题”的通用性，往往是一条低效的路径。
技术路径：自监督学习与世界模型
如果不追求传统的AGI，那么如何实现SAI？LeCun团队提出的技术路线围绕三个核心要素：自监督学习 + 世界模型 + 模块化系统。
首先是自监督学习。这种方法不依赖昂贵且有限的人工标注数据，而是让模型从海量的真实世界数据（如视频、文本）中直接学习其底层结构和规律。这被认为是让机器获得大量“背景知识”的关键。
其次是世界模型。即让AI在内部构建一个关于世界如何运作的“模拟器”，使其能够像人类一样进行预测、规划和推理——在心中模拟行动的结果，从而在没有针对新任务进行明确训练的情况下，也能快速找到解决方案。
最后是模块化架构。论文明确反对存在一种“统治一切”的单一模型架构（例如当前主流的大语言模型所依赖的自回归下一个词预测范式）。未来的AI更可能是一个由多个专门化、可互操作的模块组成的协作系统，而非一个万能的黑箱模型。这种基于世界模型的模块化思路，为构建具备更强适应性和可解释性的智能系统提供了新蓝图。
作者团队
这篇题为《AI Must Embrace Specialization via Superhuman Adaptable Intelligence》的论文已发布在arXiv上。
论文的第一作者是哥伦比亚大学的博士生Judah Goldfeder，师从Hod Lipson教授。
其他作者包括同样来自哥伦比亚大学的Philippe Wyder，以及图灵奖得主、Meta首席AI科学家Yann LeCun。
此外，作者还包括纽约大学数据科学中心的助理教授Ravid Shwartz-Ziv。
参考链接：
对AI未来发展路径的讨论总是充满启发性，如果你想了解更多关于机器学习前沿方向或与其他开发者交流观点，欢迎来到云栈社区的相关板块参与探讨。
发表于 6 小时前
|
查看: 4|
回复: 0
