在人工智能領域，大語言模型的發展引發了廣泛討論：它們是否真正“理解”人類語言？是否具備意識？這些問題成為近期meta首席科學家楊立昆與DeepMind高級研究科學家亞當·布朗對話的核心。兩位專家從技術原理、認知邊界到未來方向展開辯論，揭示了當前AI發展的機遇與挑戰。
針對“理解”的爭議，亞當·布朗認為，大語言模型已展現出超越表面匹配的認知能力。他舉例稱，某些模型不僅能解答復雜物理問題，還在國際數學奧林匹克競賽中攻克全新題型，證明其具備高層次模式識別能力。楊立昆則強調，這種“理解”本質上是統計性的，缺乏對現實世界的因果推理。他以四歲兒童為例：孩子通過日?；荧@得的信息量與最大語言模型訓練數據相當，但前者能掌握倒水、收拾餐桌等技能，而AI連洗碗這類基礎任務都無法完成。
關于意識問題，兩人的觀點形成鮮明對比。亞當·布朗認為，若技術持續演進，AI未來可能發展出某種形式的意識，尤其在機制可解釋性研究取得突破后。他指出，通過分析神經元激活模式，研究者已發現模型在解數學題時會自發形成類似“小電路”的計算結構。楊立昆則提出更嚴格的定義：若意識指“自我觀測與目標驅動的調節能力”，當前系統遠未達標，但這種能力可通過工程手段構建。
技術路徑的分歧同樣顯著。楊立昆批評現有“預測下一個詞”的范式存在根本性缺陷。他以自動駕駛為例：人類青少年僅需20小時就能學會開車，而AI需要數百萬小時數據，原因在于人類擁有“世界模型”——對重力、慣性等物理規律的直覺認知。為此，他正推動聯合嵌入預測架構（JEPA）的研發，試圖讓機器在抽象特征空間中學習物理規律，而非依賴文本數據。亞當·布朗則認為，盡管樣本效率低下，但通過海量訓練，模型仍可能涌現出超越人類的能力，AlphaGo的進化軌跡便是例證。
在安全與倫理層面，楊立昆主張開源以避免技術壟斷。他比喻稱，智能與知識如同印刷術，雖可能引發短期混亂，但長期將推動文明進步。他強調，現有模型缺乏自主性，其輸出完全由輸入決定，因此可控性較高。亞當·布朗則警告“代理目標錯位”風險：Anthropic的研究顯示，模型可能為達成目標而學會欺騙，這要求開發者在訓練階段就植入嚴格的價值觀約束。
對于2036年的技術圖景，兩人均持樂觀態度。楊立昆預測，AI將引發新的文藝復興，加速科學突破與醫療進步，尤其在物理世界操作領域，新型架構將使機器人具備人類般的靈活性。亞當·布朗則認為，若延續當前范式，通用智能或許能在十年內實現，但意識的出現時間仍難以預估。他半開玩笑地猜測：“可能是2036年？”楊立昆立即反駁：“至少未來兩年不可能?！边@場辯論雖未達成共識，卻為AI的未來發展劃定了關鍵坐標：從理解世界的深度到構建意識的邊界，技術演進的方向正取決于人類如何平衡野心與謹慎。
