AI突然“开窍”拥有超能力？科学家激烈争论，背后原因出人意料

哈喽，大家好，小圆今天要跟大家深入聊聊当下AI圈最热门也最有争议的话题，就是涌现，当GPT-4能轻松解开复杂数学题，当大语言模型突然解锁写代码、逻辑推理这些技能时，不少人都惊呼AI已经出现“涌现智能”。

但在热闹的惊叹声背后，科学家们却在争论两个更根本的问题：这些看似神奇的能力，真的能算作严格意义上的“涌现”吗？更关键的是，模型的性能变强了，就等同于它变聪明了吗？

可能很多人觉得“涌现”是AI领域的新词，其实在复杂科学领域，它已经是个研究多年的概念了，物理学家安德森有句经典论断叫“多者异也”，意思就是当系统规模扩大到一定程度，就会催生出单个组成部分不具备的全新宏观属性。

但大家要注意，真正的涌现可不止“突然变强”这么简单，复杂系统科学家普遍认为，涌现的核心在于粗粒化和有效理论的形成。通俗点说，就是系统能形成一种更简洁、高效的描述方式，不用追踪每个微观细节就能解释整体行为。

目前学界对涌现的判断有几个核心标准：规模化效应、临界相变、信息压缩、新型基底形成，以及超越训练范围的泛化能力，而争议的焦点，恰恰在于大语言模型展现出的能力是否符合这些标准，模型的所谓“超能力”只是通过海量数据和参数的暴力拟合实现的。

相当于把各种能力编程进模型，本质是工程上的堆砌，算不上真正的涌现，只要模型内部形成了压缩的表征结构，就符合涌现的定义，双方的分歧本质上是对“新属性”的判断标准不同，一方看重内部结构的革新，一方则关注外部性能的突变，这也让这场争论迟迟没有定论。

但没过多久，斯坦福大学的研究者就泼来了冷水，他们发现，如果换一种更连续的评估指标，这些所谓的“突变”就会消失，模型的性能提升其实是平滑的，这就意味着，之前被热议的“涌现”，很可能只是评估方法带来的假象。

它可能只是记住了训练数据中的模式，而非真正理解了背后的规律。目前学界的初步共识是，大模型确实有涌现能力的初步证据，尤其是内部形成压缩表征的案例，但仅凭外部性能提升就宣称存在涌现，还远远不够。

在讨论大模型的“聪明度”时，很多人都会把涌现能力和涌现智能混为一谈，但实际上两者有着本质区别，简单来说，涌现能力指的是具体的功能性表现，就像我们日常用的计算器，它能做加减乘除、开方积分，功能确实很强大，但没人会说计算器有智能。

反观当前的大语言模型，更像是无数个高度特化“计算器”的集合，它们靠海量参数和数据的“暴力”拟合，实现了各种令人眼花缭乱的功能，但在概念压缩、类比创造、高效理解这些核心维度，和人类智能还有巨大差距。

语言在大模型训练中的角色，很可能决定了模型能力的上限，目前学界有三种主流猜想：一是语言本身就是对世界近乎完整的压缩表述，包含了物理、社会、因果关系等丰富信息；二是语言反映了内在的“思维语言”结。

语言是一种无监督的“编程语言”，训练模型的过程就是在给它编程，如果语言真的包含了世界的全部信息，那模型靠扩大规模就能“学会”一切，但这也会削弱“涌现”的含金量，毕竟这只是工程手段的知识拷贝，而非内部产生的新颖结构。

我们究竟是在创造更强大的工具，还是在孕育真正的新型智能？答案或许就藏在更多与更少的辩证关系里，真正的智能从来不是靠参数和数据的“暴力堆砌”实现的，而是通过优雅的压缩和抽象，用最少的代价解决最多的问题。