生成式人工智能的另一条轨迹

生成式人工智能 (AI) 生态系统正经历快速变革，威胁其可持续性。随着模型从研究原型转向高流量产品，能源负担已从一次性训练转向持续且无上限的推理。推理模型因每查询计算成本增加数个数量级而加剧了这一问题。追求通过单一规模化模型实现人工通用智能的主流路径遇到了硬性物理约束：电网故障、用水问题以及数据规模的报酬递减。这种轨迹导致的模型虽在事实记忆方面表现突出，但在需要深层推理的领域却难以胜任，这可能源于训练数据中缺乏足够的抽象结构。当前的大型语言模型 (LLM) 仅在数学和编码等领域展现出真正的推理深度，因为这些领域已有严谨的、预先存在的抽象提供了结构性支撑。而在其他领域，当前方法难以有效泛化。我们提出一种基于领域特定超级智能 (DSS) 的替代轨迹。我们主张首先构建显式符号抽象（知识图谱、本体和形式逻辑）以支撑合成课程，使小型语言模型能够在不遭遇 LLM 基于合成数据方法常见模型崩溃问题的前提下，掌握领域特定的推理能力。而非单一的通用巨型模型，我们设想“DSS 模型的社群”：动态生态系统，其中调度代理将任务路由到 distinct DSS 后端。这种范式转变将能力从规模中解耦，使智能能够从能源密集型数据中心迁移到安全、嵌入式的专家系统。通过将算法进步与物理约束相结合，DSS 社群将生成式 AI 从环境负担转变为可持续的经济赋能力量。