【读书推荐】读《人工智能简史》有感，这波 AGI 的浪潮是否到了尾声？

问题描述：

之前就在论坛看到有佬友发帖讨论书的事情，最近刚好读完了这本《人工智能简史》，颇多感悟，发出来和大家交流。

最大的体会就是，自从22年GPT-3.5发布到现在，AI技术的这一次浪潮让我们感觉似乎AGI要到了，但是最近又感觉LLMs的发展似乎没那么快了。新模型虽然推出的越来越频繁，但是似乎相比之前变化开始小了（比如MiniMax M2.1到M2.7，感觉都是在训练策略的调整）。是不是说这一次的浪潮也已经开始到尾声了呢？

说回这本书，这本书写的比较早了，首版发于2017年（Transformer的论文也是这一年发表），所以里面的很多观点在现在看来比较过时了，不过作为一本 “简史”，里面介绍到的很多历史的故事还是很有意思的。

下面我摘抄几个点。

1. 比如70-80年代，专家系统的火热，是不是当时的人们和我们一样觉得AI即将超越人类。专家系统准确率超过一些医生，是不是在当时也有类似VibeCoding、OpenClaw的舆论影响。
   image708×624 115 KB

2. 80年代以专家系统为代表的AI浪潮，其实是日本第五代计算机计划推动的。（联想一下，第一次浪潮是控制论为基础，主要是美苏对抗推动。第二次是日本的五代机计划。第三次AlexNet之后感觉是Google推动，到现在主要都是几家大型公司在推动，明显的一个感受AI的发展背后都有金融的推动力。）
   image714×357 68 KB

网友解答：

---

--【壹】--：

是，我也有这种感觉。从Claude Code、Open Claw开始感觉整个发展的趋势，从基模型为主，转向更实践的环节来了，新发布的模型宣传的卖点也都是在使用中，更高效、更可靠、更听话了。

说到这点，这本书里有些内容感觉说的也很有道理。从这个角度看，我们现在比起当年在商业上至少是成功的多的。
image734×547 82.6 KB

---

--【贰】--：

学习到了！本人拙见，在模型层面来看感觉现在确实进入平台期，但是在不同领域的应用上，还没看见底线在哪？有一种新工业革命的味道出现，短期内能硬件突破的话，或许还会有爆发增长，现在估计是卡在硬件上了。。。 還有token钱钱不够

---

--【叁】--：

我感觉还没有，只要硬件还在进步，就永远有可能通过扩展模型参数提高能力

从参数量看，外界猜测gpt5系列是t级别的模型和opus是2t级别的模型

对于提高模型性能，除了优化模型和积累优质语料，提高参数规模仍然是必须的，但提高模型参数规模又有赖于硬件

现在虽然摩尔定律失效了，但在ai领域仍然有办法提高参数规模。况且，现在ai硬件制造领域是高度垄断的，如果发生技术扩散，对ai能力提升又是一波利好

---

--【肆】--：

就是在想继续堆参数会不会像现在这样，一直能有显著的提升。专家系统的年代，当时也有很多学者以为只要构建够大的规则库和知识库，AI就能获得和人一样的智能。但是，后续的发展也说明了，这种理论上的强大知识库、规则库，实际上构建不出来。LLMs现在会不会也在面临这个问题，真的还能大下去吗？

---

--【伍】--：

硬件是一方面，我们需要 QML (Quantum Machine Learning) 来为 BNN 网络提供物理层面上的支持，其次模型架构本身也没有走到尽头: JEPA / FF 这些网络架构还没有被完全探索. 我们需要设计更好的网络架构，更佳的监督信号传递方式，来促使模型在 latent space 中进行学习.

---

--【陆】--：

可以去听听谢赛宁新一期播客，我挺认同他的观点的。llm会是所谓的“AGI”中重要的一环，但是不是全部。这一代的llm有本质缺陷，比如语言本身更多是一种交流工具而不是智能的载体，llm相比人脑能量消耗过大等等。他们在探索的世界模型如JEPA还是挺有意思的。