AI遇天花板?复杂性科学家为AI设计更智能的底层蓝图 | Engineering

多客科技

作者：微信文章


AI 是否因其逻辑与现实不匹配而遭遇瓶颈（天花板）？两位中国研究者持此观点。他们认为，当今的模型或许强大，却建立在摇摇欲坠且不匹配的基础之上——而复杂性科学或许能提供更优的解决方案蓝图。

AI 研究的最新思考

在《工程》期刊最新发表的同行评议论文中，郭力和李静海提出了一项大胆的突破性（重置）方案：调整 AI 系统的逻辑结构——包括数据集、模型、软件和硬件——以反映现实世界系统的多层次复杂性。

文章作者们指出，当前的 AI（尤其是神经网络）缺乏内在一致性。数万亿参数或许能产生结果，但这些结果并不能有意义地反映其所建模系统的时空模式。他们认为，这种脱节导致 AI 系统变得脆弱且不透明。

文章作者们提出应以介科学为基础进行范式转变，特别是采用竞争中协调（CIC）原理。通过融入 CIC 原理并采用多尺度建模理念，他们相信未来的 AI 系统有望突破黑箱预测的局限，实现可解释性与鲁棒性。

这一愿景需要协调研究对象、AI 模型、软件平台和计算硬件在逻辑结构上的一致性。他们建议从现实工程案例出发，然后基于反映物理系统中复杂性实际运作方式的统一逻辑，逐步构建数据、模型和基础设施体系。

这可能会改变什么

这一转变若被采纳，将产生深远影响。开发者将不再依赖单纯的数据规模推动 AI 进步，而是根据建模对象的特性来构建系统架构。试想 AI 系统如构建望远镜般来构建——具备层次分明的结构、精确校准的部件和严密的逻辑连贯性——而非黑箱式的猜测引擎。

对工程学科而言，这意味着能用更少数据实现更精准的模拟和预测；对 AI 安全性的倡导者来说，该研究为提升系统透明度提供了切实框架；而对受困于大语言模型幻觉的研究人员，这无疑是个警示：单纯扩大规模并非解决之道。

专家洞见

“它们在某些问题解决领域将超越人类，但也会犯下人类基本不会犯的错误”，OpenAI 联合创始人 Andrej Karpathy 在本月另一场主题演讲中表示。他的观点与郭力和李静海呼吁的“需要更缜密、可错误感知的架构”不谋而合。

GAZEON 观点：为何这篇论文当下至关重要

这篇论文读起来像是 AI 2.0 时代的哲学宣言——它用速度换取了实质。在这个由数十亿参数模型主导的领域里，郭力和李静海正指向一场更为悄然的革命：让AI 少一些模仿，多一些融合。

读者提示

你认为 AI 系统应该反映现实世界的运作方式—还是基于黑箱的性能就已经足够了？

论文来源：https://doi.org/10.1016/j.eng.2025.05.004

关于作者

Eli Grid 是一位科技记者，专注于报道人工智能、政策与创新的交叉领域。Eli 拥有计算语言学背景及十余年 AI 研究与全球科技战略报道经验，他以深度调查报道和清晰的数据驱动分析见长。其报道在技术突破与现实影响之间架起桥梁，为读者带来 AI 革命前沿及时、深刻的见解。Eli 的作品曾登上顶尖科技媒体的版面，并被全球学术机构与政策研究机构引用。

来源：GazeOn

更多内容

让AI更智能，李静海院士团队提出“四一致”新范式

人工智能在天气预报中有望发挥重要作用

内蒙古高原积雪中发现微塑料，值得关注

Engineering 2025年7月刊目录 |  水能耦合科技前沿专题

Engineering征稿启事：人工智能赋能工程科技

点赞/分享让更多小伙伴看到 ↓