Richard Sutton 称单纯堆算力不足以实现智能,引发 LLM 扩展路线之争
图灵奖得主 Richard Sutton 发帖称,单纯算力不足以实现智能,AI 科学需要更聪明的新方法,且"远未完成"。他此前曾批评 LLM 扩展的局限,称合成数据是"大错误",主张智能体通过世界模型持续学习。OpenAI CEO Sam Altman 与 Anthropic CEO Dario Amodei 则反驳称 LLM 扩展远未耗尽。
图灵奖得主 Richard Sutton 发帖称,单纯算力不足以实现智能,AI 科学需要更聪明的新方法,且"远未完成"。他此前曾批评 LLM 扩展的局限,称合成数据是"大错误",主张智能体通过世界模型持续学习。OpenAI CEO Sam Altman 与 Anthropic CEO Dario Amodei 则反驳称 LLM 扩展远未耗尽。
OpenAI 发布三项数学难题的解答,其中一项声称推翻了计算机科学中长期存在的指数时间假设(ETH),Anthropic 随后也发布了自己的 ETH 反驳结果。
推荐理由:围绕 OpenAI 与 Anthropic 声称推翻 ETH 的争议,呈现计算机科学界对 AI 数学成果的回应与后续验证安排。
作者 Ankit Maloo 分析 OpenAI、Anthropic 近期在数学开放问题上的进展,提出用最短提示序列长度 k 与分支因子 b 判断问题对 LLM 是否可解。他认为模型以深度优先方式把每条可行路径走完,配合自动验证器剪枝,把人类需要数月判断的尝试压缩到几分钟,因此擅长概念跳跃已完成、剩余工作繁重的证明。人类优势仍在搜索树深且分支多、需要直觉剪枝的问题上。
推荐理由:文章用提示序列与分支因子两个变量解释模型为何在数学证明上占优,并指出人类直觉仍占优的问题类型。
数学家指出 OpenAI 的 Navier-Stokes 潜在证明与西班牙数学家 Diego Córdoba 和 Luis Martínez-Zoroa 的方法只是表面相似,EPFL 的 Gonzalo Cao-Labora 称细节上其实是另一种路径。
Anthropic 的 Andrej Karpathy 称外界只看到了 AI 实际能力的预览,并把大语言模型用户分为四个层级。约 60 亿人几乎没接触过 LLM,10 至 20 亿人是免费产品的普通用户,约 2000 万数学和编程领域的专业用户已看到智能体完成过去需数周数月的项目,而约 5000 人可接触内部前沿系统,看到数千智能体协作数周、挖掘零日漏洞和推进数学前沿。
Ornn、Silicon Data 与 Bloomberg 截至 2026 年 8 月的数据显示,AI token 价格持续下跌,但 H100 GPU 租赁价格保持稳定甚至上涨,a16z 称这是 AI 市场的教科书式杰文斯悖论。
Google DeepMind 的 Pushmeet Kohli 与 Biohub 的 Sal Candido 在一场对谈中指出,AlphaFold 的突破只是开始,蛋白质折叠远未被解决,静态结构预测无法覆盖蛋白质动态与无序性。
曾钻研 Barnette 猜想长达 24 年的 Jake Boggan 在 Hacker News 评论称,该问题(problem 180)据称已被证明,相关讨论出现在 openai/math 项目下。他表示自己曾投入数千小时,去年夏天还一度以为已解决,如今听闻被证明反而感到一种遥远的悲伤。
神经科学家 Paul Cisek 提出,大脑并非图灵机式的信息处理器,而是随进化不断向世界延伸控制力的反馈控制系统。文章据此认为,AI 如同心智的垃圾食品,即时诱人却损害人类数千年演化出的认知系统。
前 Google DeepMind 研究员指出,LLM 靠逐个预测 token 生成答案,其链式推理仍由同一套 next-token 预测完成,并非真正独立的推理机制。他认为这类模型缺乏可检视的持久认知状态、知识与推理的分离,且链式推理常是事后编造;主张借鉴 AlphaGo 的游戏树搜索架构来构建真正的机器推理。
MIT 的 Alex Zhang 提出递归语言模型(RLM),其基于 RLM 的 harness 成为首个接近解决 ARC-AGI-3 的方案,早于 OpenAI 的 Astra。
Michael Levin 提出“柏拉图心智空间”假说,认为心智是非物理模式,身体与机器只是这些模式进入物理世界的接口,并用 xenobots、anthrobots 及排序算法扰动实验作为线索。同期内容还涉及 TPU 上太空,以及智谱启动一个外层 RSI 循环。
TypeSafe AI 发布首个大型可编程模型 Jev,定位为面向代码消费的 System 1 模型,按每美元智能优化,取名自杰文斯悖论。其核心创新是未发表的 RLCD(Reinforcement Learning for Calibrated Decisions),优化 System 1 任务上具有认知诚实概率的答案,而非 RLHF 的人类评分反馈或 RLVR 的可验证输出。
推荐理由:Jev 提出面向代码消费的 System 1 模型与 RLCD 训练目标,读者可据此理解程序化 AI 与聊天模型的路线差异。