回顾这几年大模型领域的技术变化，多数进展集中在工程层面的辅助设计上。 从指令微调、函数调用，到代码执行脚手架、MCP 协议、多智能体编排，以及上下文窗口扩大… · @realchendahuang · TwKit

@realchendahuang

回顾这几年大模型领域的技术变化，多数进展集中在工程层面的辅助设计上。 从指令微调、函数调用，到代码执行脚手架、MCP 协议、多智能体编排，以及上下文窗口扩大和思维链引导。 这些方案主要是通过外部工程手段来规范和约束模型的输出，基础模型本身的能力机制并没有本质改变。 目前有几个基础问题依然没有解决： 一是抽象推理。目前的神经网络主要依赖概率分布和模式匹配，自身无法做到严格的逻辑验证，依然需要结合外部代码执行或者人工参与来保证逻辑可靠。 二是持续学习。模型难以像生物大脑那样从少量样本中低成本、实时地吸收新经验，仍然需要依赖定期的离线微调或全量重训。 三是具身控制。在物理世界中处理实时的传感器反馈，以及在三维空间里完成精细的物理动作，难度远大于处理文本和符号信息。 四是能耗与运营成本。人类大脑只需要大约 20 瓦的功率就能运转，而大规模运行 AI 模型需要巨大的电力和计算基础设施支持。硬件折旧、电力与水资源的消耗，会直接限制模型的大规模部署和应用范围。

曝光 55 · 评论 1 · 点赞 0 · 书签 0