算法不重要，AI的下一个范式突破，「解锁」新数据源才是关键

AIGC动态2天前发布 almosthuman2014

114 0 0

文章摘要

人工智能在过去十五年里取得了显著进展，尤其是在深度神经网络、Transformer语言模型、基于人类反馈的强化学习（RLHF）和推理模型等领域。这些突破并非源于全新的算法创新，而是得益于新数据源的利用和更高效的数据处理方式。康奈尔大学博士生Jack Morris指出，未来的范式转变可能依赖于视频数据（如YouTube）和实体世界数据（如机器人）。这些数据源不仅数量庞大，而且包含丰富的信息，可能为人工智能的进一步发展提供关键支持。

近年来，人工智能的进步呈现出指数级增长的趋势，被称为“人工智能的摩尔定律”。尽管这一说法存在争议，但人工智能在智能性、速度和成本效益方面的提升是显而易见的。学术界和工业界的持续研究推动了这一趋势，尤其是在降低模型成本和提高效率方面。例如，FlashAttention、推测解码、Muon优化器和DeepSeek-R1等技术的出现，展示了去中心化全球化科学研究的成果。

然而，尽管研究取得了显著进展，一些人认为人工智能的进步正在放缓。最新的模型如Grok 3和GPT-4.5仅在前代基础上实现了微小改进，某些任务（如数学奥林匹克考试）的表现仍然有限。这表明，尽管模型能力有所提升，但其实际应用效果可能被夸大。

回顾人工智能的“四大发明”——深度神经网络、Transformer语言模型、RLHF和推理模型，可以发现这些突破的基础机制早在1990年代甚至更早就已存在。这些突破的关键在于从新的数据源中学习，如ImageNet、互联网文本、人类反馈和验证器。每一次突破都标志着新数据源的大规模使用，并引发了后续的研究热潮。

未来，人工智能的下一个范式转变可能不会来自新的算法或神经网络架构，而是源于对新数据源的解锁和利用。视频数据和机器人数据被认为是潜在的突破点。YouTube每分钟上传的视频量远超互联网上的文本量，而机器人数据则可能提供关于物理世界的丰富信息。这些数据源的使用将需要更高效的模型和更强大的计算能力。

总之，人工智能的进步不仅依赖于技术创新，更在于对新数据源的探索和利用。未来的突破可能更多地来自于数据的扩展和优化，而非全新的算法发明。这一趋势提醒我们，在追求人工智能发展的过程中，应更加注重数据的多样性和质量。