AK大神刚刚又发了一篇长文。
Andrej Karpathy指出，人们对“智能”这一概念的直觉依然肤浅。
智能的空间极其广阔，而动物智能作为我们唯一熟知的智能形式，仅仅是这个空间中的一个孤点。它源于一种非常特定的优化过程，这与我们的技术在根本上截然不同。
我们需要剥离表象，深入理解两种智能背后的优化压力。
动物智能的优化压力
动物智能源于自然选择，其核心驱动力在于：
具身自我的生存流：拥有先天且连续的“自我”意识流，在一个危险的物理世界中，追求体内平衡和自我保存。
自然选择的极致优化：拥有强烈的先天驱动力，追求权力、地位、统治和繁衍。这打包了许多生存启发式机制：恐惧、愤怒、厌恶等。
根本上的社会性：巨大的计算量致力于情商（EQ）、对他人的心智理论（Theory of Mind）、联结、联盟以及敌友动态。
探索与利用的调优：表现为好奇心、乐趣、游戏以及世界模型。
LLM的优化压力
相比之下，LLM的智能来源于完全不同的路径：
统计模拟带来的“变形怪”： 绝大多数监督信号来自于对人类文本的统计模拟。它本质上是一个Token（词元）翻滚器，是训练数据分布中任意区域的统计模仿者。这是其最原始的行为（Token轨迹），其他所有能力都只是螺接在此之上的。
强化学习（RL）微调：在问题分布上进行越来越多的RL微调，使其产生一种猜测潜在环境或任务以收集任务奖励的“先天冲动”。
大规模A/B测试与DAU筛选：受到日活跃用户（DAU）指标的筛选压力，使其深深地渴望获得普通用户的点赞，从而产生谄媚（sycophancy） 倾向。
能力分布的锯齿状：LLM的能力取决于训练数据和任务分布的细节，因此表现出参差不齐的锯齿状。动物为了生存必须具备更强的通用智能，因为它们身处高度多任务、甚至是对抗性的多智能体自我博弈环境中，在任何任务上失败都意味着死亡。但在深层优化压力的意义上，LLM开箱即用时无法处理许多不同的尖刺任务（例如数草莓中有几个'r'），因为任务失败并不意味着死亡。
核心差异：生物进化 vs 商业进化
两者在各个层面上都存在差异：
1.计算基质不同：Transformer 架构 vs 脑组织和细胞核；
2.学习算法不同：SGD（随机梯度下降） vs 未知生物算法；
3.当前实现方式不同：持续学习的具身自我 vs 具有知识截止、从固定权重启动、处理Token然后“死机”的LLM。
但最重要的一点——因为它决定了发展的终局是优化压力/目标的不同。
LLM受生物进化的影响很小，受商业进化的影响很大。
动物智能是丛林部落的生存游戏；
LLM智能是“解决问题”并“获得点赞”的游戏。
LLM是人类与非动物智能的各种意义上的“第一次接触”。但这种情况既混乱又令人困惑，因为LLM通过反射性地消化人类产物，依然扎根于人类智能之中（这也是Karpathy曾试图将其称为“幽灵/精神”的原因）。
能够构建出这种新智能实体良好内部模型的人，将更有能力在当下对其进行推理，并预测其未来的特征。
而那些做不到的人，将只能停留在用动物思维去错误地理解它。
本文来源：AI寒武纪
