最近的股市涨得不错，尤其是AI相关的几支股票。原因之一，不可否认是与2023年初OpenAI的chatGPT快速出圈有关，它引发了随后的百团大战。

两年过去了，我们看到了大量新的突破，比如Sora-2短视频的制作水平提升，谷歌人工智能套餐包括Gemini-3、NotebookLM和Nano banana Pro的推出。我们也看到了最近Meta收购全自动智能体Manus的争议。这些都意味着人工智能又向前迈进了一个台阶。

但是，我们还是需要思考下，人工智能的方向是否走对了。

带着这个疑问，前两天我与学生在贵州调研期间，和我其中一位研究生孙睿有了一段有趣的讨论。

我们先讨论了Transformer这个架构到底能不能像人一样做长的思考。小孙说，Transformer这样的架构已经可以对足够长的Token进行回溯和关联，比如25万字的长篇小说，因此，大模型是可以做到比人有更强的长思考能力。

我接着说，这种能力是需要代价的。因为需要大量的数据来学习和训练，模型的参数调整又需要好的并行能力。所以，我们现在大模型的方案基本上都是高耗能的。

这在自然界几乎上不可想象的。试想，如果在一个能源需要自给的自然环境下，耗能的动物有没有可能生存下来，比如曾经为地球主宰的恐龙。

而自然界能生存下来的都是比较节能的，像七星瓢虫，也许十来粒米的能量就能够飞一天。这可能是自然界长期随机演化的结果。虽然，这种演化不一定时时刻刻都朝着最优的方向，有的时候还会倒退，但总体来看，它获得了一种平衡。

这一平衡，如果用人工智能对大模型的调参来比拟，那它是自然界通过上亿年的调参获得的。只不过，结构上和现在人工智能的做法可能是完全不同的。

我们的大模型是建立在巨量参数基础上的，但受限于人类所能提供的算力影响，输入的特征却不多。像面向图像的深度网络，输入特征一般是256*256，1024*1024这样的，而特征层则会将需要学习的参数变得异常巨大。类似的，受自然语言处理和注意力启发的Transformer、LLM也是如此，中间层的参数非常大。从某种角度来看，这两种网络都是更多的关注对“抽象层”的统计特征学习。而要学习好这些参数，必不可少的需要巨量的数据。又为了形成高的计算效率，我们不得不依赖显卡或GPU集群来加速。

与之相反，人类或其它生命的输入层要复杂得多，比如有着极其丰富的传感器。它也导致了一个无法攻克的莫拉维克悖论的出现，即人类觉得简单的，机器觉得复杂；人类觉得复杂的，机器觉得简单。后者的复杂主要表现在学习上，可是，如果学习一旦可以程序化、流程化、规范化，机器必然会觉得简单。这一点在围棋上已经得到印证，也正在在所有与学习相关的任务中逐渐验证人工智能的强大。

而人类觉得简单的，却是自然演化出来的丰富传感器导致的。这些传感器的设计，大多数远比人类设计的要精妙且难以模仿。比如即使是一根针，蚊子的针、蝎子的针，和人类的注射针头相比，都要复杂得多。与学习相比，它有可能会导致与身体技能相关的一些工作很难被人工智能取代。

由此推开来看，我和小孙同学似乎有了一个更有意思的观点。

如果把自然界的演化看成是一种神经网络或深度网络，那这个网络的输入层会是巨量的参数，比如10的22次方或更高数量级的，而网络也许很浅，模型的优化也并一定聪明，甚至还会有极强的随机性掺杂其中。

但是，和人类相比，自然界的优化最不缺的不是能源，而是时间。它可以用上亿年来优化这个模型。相反，人类，作为单个人，能够贡献出来工作或投身人工智能研究的时间就少得可怜，只有自然界认为可以忽略不计的一瞬间。

因此，也不得不退全而求次，只针对智能的某一个方面来穷极一生进行优化。现在能找到的、也能形成成就感的优化点是预测相关的，或任何能转成预测问题的。比如人脸识别、大语言模型等。

为了能让这些预测问题的性能变好，人类会通过消耗大量的能源来换取时间上的加速。

事实上，这种时间换空间的做法不仅在人工智能方面是如此，在气候变化方面，人类也有类似的行为。比如自汽车发明以来，人类短时间内消耗的能源总和是自然界可能千万年的积累，于是它不可避免地影响了全球气候。

也许，从自然界的角度来看，人类就是一个极其贪婪的动物，即使现在有了人工智能的夹持和赋能。而这种做法，从短时来看，人类可以获得巨大的收益。但如果放到自然界的时间尺度来看，人类的这种加速就不一定是对的，甚至目前人工智能的做法也不一定是对的。