DeepMind 发了篇论文，把我看笑了(5)

人学会进行这么大规模的归纳，实际上是低能耗的，但是大模型则不然，想要训练一个百亿级别参数的模型，其耗费的资源是相当巨额的，恐怕会超过一个人从出生到成长为领域专家所耗费的所有资源。

但是笔者认为，这篇文章提到的一些例子，倒是还有一些其他的价值，比如：

已被模型抽象过的表示，其上层映射起来的确更加简单，如颜色的那个例子，或许这方面工作的拓展，可以对多模态模型提供指导经验，例如 Google 今年的 imagen，用大规模语言模型训练，抽象了语义之后再去指导图片生成，就是一篇不错的尝试

现有的统计模型，及其对应的归纳学习机制，的确部分实现了对大部分基本概念的学习，尤其是增加了多模感知信号之后，那么跳出现有框架，探索新的机制或许更加可行

总结：DeepMind 想干什么

笔者认为，DeepMind 的科学家们一定比笔者厉害得多，它们不可能不知道，这篇文章预设的结论有多么不合理，找到的证据又有多么无力，但是它们为什么要发表呢？

答案是， 这篇文章应该不是写给内行看的，而是写给外行看的。

哪怕行内人对当前人工智能的现状是什么样的认知，但是几个简简单单的例子，足够震慑到外行人了，而相比于从业者，其他人显然是更多的，那么只要将这些东西放出来，就足以吸引很多人的眼球，那么这个行业的热度就维持住了。

说这么多，也只是希望，从业者，以及想要从业的同学们，别也被这篇文章唬住了，或者被各路大模型的 PR 唬住了，脚踏实地一些，或做出真东西，或探索新套路。

最后，类人也不应该是 AI 的目标，如果 AI 真的类人了，人类又将如何自处？人类想要的也无非是更廉价、更专业、工作时间更长，且不需要为之安全有多负责的助手，而非另一个竞争者。

毕竟，1（数）2（百）年前，人类在潘（新）多（大）拉（陆）星球上，面对从未见过的人类时，都已痛下杀手，又怎会允许现在的人们，造出一个或许能超越自己的智能呢？[doge]

以上。