這位深度學(xué)習(xí)領(lǐng)域權(quán)威學(xué)者認為，智能形態(tài)的演化空間遠比人類想象中廣闊。人類智能作為生物進化的產(chǎn)物，其運行機制深深植根于數(shù)百萬年的自然選擇過程。相比之下，當前主流的大語言模型通過完全不同的進化路徑產(chǎn)生，二者在底層邏輯上存在根本性斷裂。

人工智能的進化軌跡則遵循截然不同的邏輯。大模型的訓(xùn)練過程本質(zhì)上是統(tǒng)計模擬游戲，通過對海量文本數(shù)據(jù)的模式識別構(gòu)建認知框架。其能力發(fā)展高度依賴訓(xùn)練數(shù)據(jù)的分布特征，導(dǎo)致在特定任務(wù)上表現(xiàn)卓越，卻在未充分訓(xùn)練的簡單任務(wù)中出現(xiàn)意外失誤。這種"尖刺狀"的能力分布，正是數(shù)字智能與生物智能的關(guān)鍵差異。

兩種智能形態(tài)的硬件基礎(chǔ)存在代際鴻溝。人類大腦依靠神經(jīng)元的生物電信號傳遞信息，具備持續(xù)學(xué)習(xí)與世界互動的動態(tài)特性。而大模型運行在數(shù)字計算機架構(gòu)之上，通過矩陣運算處理信息，其權(quán)重參數(shù)在部署后即固定不變。這種靜態(tài)特性限制了模型的實時適應(yīng)能力，使其無法像生物體那樣通過持續(xù)互動優(yōu)化認知模式。

學(xué)習(xí)機制的分野更為顯著。盡管深度學(xué)習(xí)中的隨機梯度下降算法已取得驚人成果，但與人類大腦的學(xué)習(xí)方式相比仍顯簡陋。生物智能具備元學(xué)習(xí)能力，能在不同任務(wù)間遷移知識，而當前AI系統(tǒng)需要針對每個具體任務(wù)進行專門優(yōu)化。這種差異使得人工智能在處理陌生場景時顯得笨拙，即便該場景在人類認知體系中屬于基礎(chǔ)范疇。