作者 | https://www.youtube.com/watch?v=4__gg83s_Do 编译 | Eric Harrington 出品丨AI 科技大本营（ID：rgznai100） 在这个 AI 技术浪潮席卷全球，几乎人人都在谈论大语言模型潜能无限的时代，一个根本性的问题摆在我们面前：既然 AI "读完"了整个互联网，为何 仍未诞生下一个爱因斯坦？在原创性的科学发现上，这些大模型为什么仍如此"笨拙"？它们真的"理解"我们这个复杂而充满规律的物理世界吗？还是仅 仅在进行一场规模空前的模式匹配游戏？ 如果你也曾对这些问题感到困惑，那么图灵奖得主、 Meta 首席 AI 科学家杨立昆（ Yann LeCun ）的这场深度对话，或许能为你拨开迷雾，提供一个 清醒而富有洞察力的视角。本文编译自 YouTube 频道 Big Technology Podcast 的精彩访谈，杨立昆此次并非简单地唱衰当前 AI 的成就，而是以一 位资深研究者的严谨和一位前瞻思想家的锐利，直指当前主流大模型（ LLM ）的"天花板"。 他深入剖析了为何仅靠"记住"海量文本不足以催生真正的智能，为何当前的 AI 架构难以进行真正的抽 ...

诺贝尔经济学奖得主罗伯特·索洛（Robert Solow）曾说过："你能在各处看到计算机时代，唯独在生产 力数据中看不到。"这一现象如今被称为"索洛悖论"。如今的人工智能（AI）也是如此——我们到处看 到AI的身影，却不见生产力的显著提升。 结果？如今美国的放射科医生数量不降反升。 还有像埃里克·布林约尔松（Erik Brynjolfsson）、安德鲁·麦卡菲（Andrew McAfee）这样的学者，以及 麦肯锡、埃森哲等咨询巨头，过去十年来也都不断发出"AI将大规模取代工作岗位"的警告。 那现实到底是怎样的？利润呢？大型语言模型（LLM）确实有些用处：它们能回答简单事实类问题 （人类可检查其准确性），可以写些简单文本草稿或代码（人类也能检查并调试）。这些功能有用，但 无法带来巨大利润。 根本问题在于：LLM无法生成可靠答案。而在医疗建议、法律论证等可能带来巨大利润的应用场景 中，一旦出错，代价巨大。 更糟糕的是，我们也看不到显著的收入，而收入通常应该在生产力提升之前就能显现。计算机行业的收 入从上世纪50年代至80年代持续增长，直到90年代初才出现生产力的跃升。至于AI，显著的收入尚未 出现，生产力的提升可 ...