Redis 之父 Antirez 最新博客文章：《Reflections on AI at the end of 2025》，談?wù)摿怂麑θ斯ぶ悄艿乃伎肌?br/>

從“隨機(jī)鸚鵡”到現(xiàn)實(shí)：多年以來，盡管功能證據(jù)和科學(xué)線索不斷積累，某些 AI 研究人員仍堅稱大語言模型（LLM）只是“隨機(jī)鸚鵡”：即一種僅憑概率運(yùn)作的機(jī)器，它們：1. 對提示詞（Prompt）的含義沒有任何表征。2. 對自己將要說的話沒有任何表征。直到 2025 年，幾乎所有人終于都不再這么說了。

思維鏈（CoT）的本質(zhì)：思維鏈現(xiàn)已成為提升 LLM 輸出質(zhì)量的基礎(chǔ)手段。但 CoT 究竟是什么？為什么它能提升輸出？我認(rèn)為原因有二：1. 在模型表征中進(jìn)行采樣（即一種形式的內(nèi)部搜索）。當(dāng)與提示主題相關(guān)的空間信息和概念進(jìn)入上下文窗口后，模型能更好地做出回復(fù)。2. 結(jié)合強(qiáng)化學(xué)習(xí)（RL）：模型學(xué)會了為了收斂到某個有用的回復(fù)，而將一個個 Token 依次排列（每個 Token 都會改變模型狀態(tài)）。

擴(kuò)展定律（Scaling）的新高度：“擴(kuò)展受限于現(xiàn)存 Token 數(shù)量”的觀點(diǎn)已不再成立，這歸功于帶有可驗(yàn)證獎勵的強(qiáng)化學(xué)習(xí)。雖然我們尚未到達(dá) AlphaGo 的“第 37 手”時刻，但未來這真的不可能嗎？在某些任務(wù)中（例如優(yōu)化程序的運(yùn)行速度），理論上模型可以在清晰的獎勵信號引導(dǎo)下，在極長的時間內(nèi)持續(xù)取得進(jìn)步。我相信，應(yīng)用于 LLM 的強(qiáng)化學(xué)習(xí)改進(jìn)將是 AI 領(lǐng)域的下一個重大突破。

編程界的轉(zhuǎn)變：程序員對 AI 輔助編程的抵觸情緒已顯著降低。即使 LLM 會犯錯，但其交付有用代碼和提示的能力已提升到讓大多數(shù)懷疑論者也開始使用的程度：現(xiàn)在的投資回報率（ROI）對更多人來說已是可接受的。編程界目前仍分為兩派：一派將 LLM 視為“同事”（例如，我所有的交互都是通過 Gemini、Claude 的 Web 界面完成的），另一派則將 LLM 視為獨(dú)立的編程智能體（Agents）。

范式之爭與 AGI：少數(shù)知名 AI 科學(xué)家相信，Transformer 的奇跡可以循著不同路徑再次發(fā)生，甚至表現(xiàn)更好。他們已組建團(tuán)隊和公司，研究 Transformer 的替代方案，以及具有顯式符號表征或世界模型的模型。但我認(rèn)為，LLM 是在能夠逼近離散推理步驟的空間上訓(xùn)練的微分機(jī)，即使沒有根本性的新范式出現(xiàn)，它們也有可能帶我們走向通用人工智能（AGI）。AGI 很可能通過多種截然不同的架構(gòu)獨(dú)立實(shí)現(xiàn)。

關(guān)于 CoT 的“謊言”：有人聲稱思維鏈從根本上改變了 LLM 的本質(zhì)，并以此為借口辯解：他們過去認(rèn)為 LLM 局限性很大，現(xiàn)在改口是因?yàn)?CoT 讓 LLM 變成了不同的東西。他們在撒謊。架構(gòu)依然如故，目標(biāo)依然是預(yù)測下一個 Token，思維鏈也正是這樣由一個個 Token 堆疊而成的。

ARC 測試的轉(zhuǎn)型：如今，ARC 測試（抽象推理基準(zhǔn)）看起來不再像最初認(rèn)為的那樣不可逾越。針對特定任務(wù)優(yōu)化的小型模型在 ARC-AGI-1 上表現(xiàn)尚可，而帶有大量思維鏈的超大型 LLM 在 ARC-AGI-2 上取得了令人印象深刻的成績——盡管許多人曾斷言這種架構(gòu)無法實(shí)現(xiàn)此類結(jié)果。在某種程度上，ARC 已從“反 LLM 測試”轉(zhuǎn)變?yōu)椤癓LM 驗(yàn)證測試”。

終極挑戰(zhàn)：未來 20 年，人工智能面臨的根本挑戰(zhàn)是避免人類滅絕。

https://weibo.com/2194035935/QjrihBlme