多年来，人工智能（AI）产业一直遵循着“扩展定律”的原则，即模型性能主要取决于模型参数数量、数据集大小和用于训练的计算量。然而，随着AI领域的快速发展，越来越多的专家开始质疑这个看似万能的定律。

根据外媒BUSINESS INSIDER报道，Meta首席AI科学家杨立昆（Yann LeCun）近日在新加坡国立大学表示，单纯依靠扩展来实现超级智能是不够的。他认为，扩展定律的误区在于──人们将AI在简单任务上的成功，推断也能解决复杂问题。杨立昆强调，当今大型语言模型的训练内容仅相当于四岁儿童视觉皮层（指大脑皮层中主要负责处理视觉消息的部分）的资讯量，这意味着目前的AI突破在解决现实世界中存在模糊性和不确定性的问题时，效果有限。

杨立昆指出，最近AI进展放缓，部分原因是可用的公共数据量正在减少。他并非唯一一位质疑扩展定律的专家，Scale AI首席执行官Alexandr Wang和Cohere首席执行官Aidan Gomez也分别将扩展定律视为AI业界最大的问题，且不利于改进AI模型。

面对扩展定律显现的问题，杨立昆提倡另一种训练方法。他认为，未来的AI系统需要能够快速学习新任务，理解物理世界，具备常识、推理和规划能力，以及持久记忆。他表示，与仅能根据模式预测下一步的大型语言模型相比，世界模型具有更高的认知水平，能够预测世界将如何因行动而演变。

（首图来源：Meta）