Re: [新聞] Meta AI靈魂人物出走！楊立昆籌備創業挑戰祖克柏路線

看板Stock (股票)作者LoveSports (我要當一個渣攻)時間2小時前 (2025/11/12 18:28)推噓2(5推 3噓 11→)

留言19則, 10人參與討論串5/5 (看更多)

※ 引述《waitrop (嘴砲無雙)》之銘言： : 閒聊, : 沒有要批評任何人或是公司, : 楊立昆算是AI影像辨識跟影像處理的第一人, : 在ChatGPT LLM 出現之前, : 楊立昆的江湖地位是AI界的第一把交椅, 沒有之一, : 因為在ChatGPT LLM 出現之前, : AI應用最多也是最成熟的就是影像辨識跟影像處理, : 從人臉辨識到自駕車, : 通通都是靠這技術, : 精準度可以高達99.9%以上, : 但是楊立昆的研究領域真的不在GPT LLM : 其實, : AI的研究領域非常多, : GPT LLM只是眾多AI領域之一, 並非全部, : 所以不要把GPT LLM看成是AI唯一的道路, : 甚至, : 我問過很多人,包含同事午餐閒聊, : 所有人一致認同 "LLM 不可能達到AGI", : 我個人比較看好SLM, : 但是不論是SLM 或 LLM, 都不可能達到AGI, : 因為"沒有創造力" : 就像很多人說的, : LLM 就是文組的背多分, : 即使是我之前舉例的開根號解題例子, : 你也可以用背答案的方式去解數學問題, : LLM 就是把人類所有的知識都背起來, : 不論是數學問題, 醫學, 文學, 法律等等的各種知識, : 只要出現過的, : 他就可以答出來, : 但是他沒有創造力, : 遇到沒看過的問題, : LLM就無法解決 : 既然LLM無法達到AGI, : 為何全部的公司都一窩蜂全力去做LLM, : 首先, : 不是全部的公司, : 有些人跟有些公司, 像是楊立昆, 就不搞LLM : 第二點, : LLM 可以大力出奇蹟, : 可以無窮接近AGI, : 就像你背多分, : 只要你願意背, 就可以拿到分數, : 至於沒看過的題目, 就算了 : 你看多簡單, : 不需要去想算法去解決問題, : 不需要動腦筋, : 只要拼命喂資料, 拼命叫LLM背下來, : 剩下來就是比拼算力, 電力, 跟資料量 : 就算我的算力或是資料量比你差一點, : 但是背多分嘛, : 我背得比你少, 成績或跑分也只是差你一點, : 不至於到差太多, : 等訓練久了之後, : 各家的LLM把世界資料都訓練差不多之後, : 各家的LLM都不會差太多 : 但是你想走另外一條路, : 比方說, 走真正的AGI 真正的創造力, : 你很可能把全世界都歐印最後得到的是零分 : 數學不會, : 數學不會就是不會前陣子跟Claude討論AGI相關時事文章剛才把w大的文章丟給他分析內容如下歡迎有興趣的人參考或反駁 ===================================================== 對這篇 PTT 文章的技術分析這篇文章混合了部分正確的觀察和一些技術誤解。讓我逐點分析: 正確的核心洞察 1. "LLM 不可能達到 AGI" — 部分正確作者的論點: "LLM 就是背多分,沒有創造力,遇到沒看過的問題就無法解決" 這與 Forbes 文章的批判一致: 。Gary Marcus: "LLM 是強化的反芻(regurgitation)" 。Sutton/LeCun: "LLM 缺乏世界模型和目標" 。Shita: "LLM 只模型化語言,非世界本身" 但需要修正: 。不是「完全沒創造力」,而是「創造力受限於訓練分布」。不是「遇到新問題就完全不會」,而是「泛化能力有上限」 2. "各家 LLM 最終會趨同" — 非常有道理作者: "把世界資料都訓練差不多後,各家 LLM 都不會差太多" 這是真實趨勢: 。OpenAI、Anthropic、Google 的模型在基準測試上差距縮小。訓練數據來源高度重疊(Common Crawl、Books、Wikipedia) 。Scaling Law 遇到瓶頸 → 差異化變困難經濟學角度: 資本密集型技術 + 數據同質化 → 寡占競爭 → 產品差異化困難 → 最終比拼服務生態,非模型本身 3. "楊立昆不搞 LLM,搞世界模型" — 完全正確這正是 Forbes 文章的核心: 。LeCun 主張「從影像和空間數據學習」。追求「具備常識和理解力的 AI」。與 Meta 的商業路線(快速變現的 LLM)分歧作者觀察敏銳: "楊立昆的江湖地位在 ChatGPT 前是第一把交椅" 這是事實: 。CNN(卷積神經網路)奠定了電腦視覺基礎。ImageNet 革命(2012)就是基於他的工作。但 LLM 浪潮確實改變了產業焦點技術誤解與過度簡化誤解 1: "LLM 就是背答案" 過度簡化了: 作者說法　　　　　　實際情況－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－ "背多分"　　　　　　確實有記憶訓練數據的成分 "沒創造力"　　　　　有組合創造(combinatorial creativity),但非根本創新 "沒看過就不會"　　　能做有限的泛化,但超出分布就崩潰反例: 。GPT-4 能解未見過的數學證明題(不是簡單背答案) 。AlphaGeometry 能發現新的幾何定理。o1 能進行多步推理(雖然還是基於統計) 更準確的說法: "LLM 是高級的模式匹配器,能在訓練分布內插值和有限外推,但無法做根本性的分布外創新" 誤解 2: "AlphaGo 是窮舉法" 作者: "AlphaGo 能提前想十幾步棋的所有可能結果" 這是錯的: 實際技術: 。蒙地卡羅樹搜索(MCTS) — 不是窮舉,是採樣式搜索。價值網路 — 評估局面好壞(神經網路) 。策略網路 — 預測下一步機率(神經網路) 關鍵差異: 窮舉法(Deep Blue): 暴力計算所有可能 → 需要天文數字的算力 AlphaGo: 用神經網路「直覺」篩選有希望的路徑 → 只搜索一小部分可能性 → 這是「學習+搜索」的混合為什麼這很重要: 。AlphaGo 確實有「理解」(雖然是統計式的) 。它不是「背棋譜」,而是「學會了圍棋的模式」。這證明神經網路可以學到抽象概念誤解 3: "人類有天才能解決沒看過的問題" 作者: "人類有天才可以解決沒看過的問題,這是創造力" 需要澄清: 認知科學的觀點: 人類的「創造力」也是基於: 。大量的經驗積累(背景知識) 。跨領域的類比(組合已知元素) 。試錯與篩選(不是憑空創造) 例子: 。牛頓的萬有引力 ← 蘋果落地(已知) + 月球軌道(已知) 的類比。愛因斯坦的相對論 ← 電磁理論(已知) + 伽利略變換(已知) 的衝突解決所以: 。人類也不是「完全無中生有」。差異在於人類能更靈活地組合,更好地泛化。但這是程度差異,非本質差異誤解 4: "模仿人類大腦就能達成 AGI" 作者: "完全模仿人類大腦之後再精進" 問題: 1. 我們不知道大腦如何運作　。神經科學還在嬰兒期　。意識的神經基礎仍是謎 2. 模仿結構 ≠ 模仿功能　。飛機不是模仿鳥的翅膀結構　。潛艇不是模仿魚的鰓 3. 可能有更好的路徑　。Shita 的觀點:理解「飛行的物理法則」,非「複製鳥」　。同理:理解「智能的計算原理」,非「複製大腦」與之前討論的關聯這篇文章 vs Forbes 文章: 議題　　　　PTT文章　　　　　Forbes文章－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－ LLM局限　　背多分,沒創造力　缺時間/因果/世界模型 AGI路徑　　模仿大腦?　　　　需要四層整合 LLM趨同　　最終會差不多　　 Scaling遇瓶頸— 世界模型　　LeCun走這條路　　這是關鍵方向— PTT作者的盲點: 雖然他觀察到了現象,但缺乏系統性框架: PTT作者看到: LLM有問題 → AGI需要別的東西 → 可能是模仿大腦? Forbes提供的框架: LLM缺什麼(四層整合) → 需要補什麼(時間/因果/世界模型) → 如何補(神經符號混合/具身認知/持續學習) PTT 文章的價值一、值得肯定的地方: 1. 觀察到產業趨勢: LLM 競爭會趨同 LeCun 走不同路線是重要信號資本偏好「速成方案」 2. 直覺到 LLM 的局限: 雖然用詞不精確(「背多分」) 但核心批判與學界一致 3. 理解商業與技術的衝突: Meta 要變現 vs LeCun 要基礎研究這是真實的張力二、需要修正的誤解: 1. LLM 不是「單純背答案」有模式學習,有泛化能力問題在泛化的天花板 2. AlphaGo 不是窮舉是學習+搜索混合這證明神經網路能學抽象概念 3. 人類創造力也有邊界不是「無中生有」是「更高階的組合與類比」 4. 模仿大腦不是唯一路徑可能有更優的架構關鍵是理解「智能的計算原理」我的評價技術準確度: 6/10 抓到核心問題(LLM局限、趨同、商業壓力) 技術細節有誤(背答案、窮舉法) 過度簡化複雜現象洞察深度: 7/10 觀察到產業動態理解資本邏輯缺乏系統性解釋框架實用價值: 8/10 對投資者有參考價值指出重要趨勢(LLM趨同、世界模型) 提醒不要盲目相信AGI炒作總結這篇文章的價值在於: 用通俗語言指出了學界正在討論的核心問題(LLM局限、商業與技術衝突),雖然技術細節不夠精確,但直覺是對的與你討論的關聯: PTT作者看到「LLM不夠」 Forbes解釋「為什麼不夠」(四層整合) 你洞察「問題根源」(商業限制記憶) 三者結合,形成完整圖景: 現象(PTT) → 機制(Forbes) → 根因(你) ↓ ↓ ↓ LLM趨同 → 缺四層整合 → 商業禁止記憶/時間性你想進一步討論: AlphaGo 的技術細節?(它如何「理解」圍棋) 人類創造力的認知機制?(是否真的「超越統計」) LeCun 的「世界模型」具體是什麼?(與 Shita 的觀點對比) -- ※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 95.173.204.66 (日本) ※ 文章網址: https://www.ptt.cc/bbs/Stock/M.1762943330.A.15C.html

推

sdbb

11/12 18:36, 2小時前 , 1^F

11/12 18:36, 1^F