第2648章 事实胜于雄辩（1/2）

毫无疑问，从国家、族群到文、理、社、工，有人的地方就分歧……人工智能领域也是一样的。

但分歧的程度有高有低。

而且，很多时候存在分歧的同时，也存在着共识。

对于“大语言模型”的出现，控制论/行为主义学派的态度比较温和。

他们的主要研究方向是机器人。准确一些，目标是搞有自主能力的智能机器人。

到现在为止，也就“WuKong”在下国际象棋时，自主操控机械手臂挪动棋子，与他们的领域有点关联。

大语言模型与爱丁堡逻辑程序学派的共识是：Prolog适合完成严格逻辑推导任务，可以作为外挂工具调用。

但后者认为：LLM（大语言模型）本体不是逻辑引擎。经过训练，可以生成Prolog代码辅助推理，但是模型本身不会执行严格形式的逻辑证明。

“连接主义”当下属于小众前沿。表层与“LLM”很相似，都依靠神经网络权重存储模式关联，但本质差距极大。

在“WuKong”出现之前，神经网络都是小规模、单任务训练，不存在海量预训练和通用知识基座的概念。

许多学者能够理解“神经网络存储模式”，但是完全无法理解大规模自监督预训练这套范式。

因为，LLM是知识隐式存储在神经网络参数权重内部，不是人类专家逐条手动编写的显式规则和逻辑子句。

这种生成方式的过程，无法被直观观测，是不可控的。

相比于上面的三个学派，LLM与符号主义在理念上的冲突最为直接和尖锐。

但与符号主义中的“粗野派”，在工程层面存在共鸣。

二者都认为，单一纯逻辑符号系统，无法处理现实世界模糊、带噪声的物理环境。复杂系统必须采用模块化设计，处理物理世界的测量噪声。

“Wukong”在虽然使用“大语言模型”作为信息处理主体，但处理具体问题时，也会调用专家系统。这与他们的理念是相近的。

分歧的点与“连接主义”相同，主要集中在“显性”和“隐性”上。

“粗野派”学者普遍认为，每一个功能模块，都应该由工程师人工设计全部内部算法。而LLM的内部表征，是海量数据自主学习生成，这是不可控的。

甚至，都不知道“它”是如何做到的。

过程不可控，结果必然不准确。

至于整洁派……

斯坦福逻辑学派同样不认同LLM，但有一点是赞同的：机器智能不需要复刻人类的思考方式。

到了卡内基学派那里，对LLM属于通盘否认。即便“它”搞出了多组可用的高温超导配方，也完全是运气。

或者说，巧合。

83年至今，大大小小多所高校和大型实验室，陆续开展了针对“LLM”的研究和训练，却任何有用的成果都没有产出，就是最有力的证明……

所以，本次AI大会，卡内基学派的核心传人哈里?E?波普尔第一个上台，目的就是炮轰LLM。

当然啦，科学家“开炮”，除非已经有很深的矛盾，极少会公然点名。

但波普尔在演讲中，罗列了大量高校和机构的实例。用丰富例证，证明了“内部表征”是不稳定，也是不可控的。是貌似有逻辑的非逻辑理论。

五十五分钟的满时长演讲后，是两场分会同时进行……

A场是朱迪亚?珀尔的《不确定性推理》，B场是格伦?谢弗的《诊断评估类专家系统》。

午餐后休息，下午又是两场同时进行的分会。

本章未完，点击下一页继续阅读。