你可能想象不到，就在几天前的NeurIPS会议上，OpenAI的联合创始人Ilya Sutskever抛出了一个令整个AI圈震惊的观点：'我们熟知的预训练模式必将终结。'
等等，预训练不是AI发展的基石吗？为什么会终结？
预训练是 AI 模型开发的第一阶段，大语言模型通过互联网、书籍等海量未标记数据来学习模式。
让我们先回到AI发展的核心驱动力 -算法、算力、数据这'三驾马车'。如今，随着硬件升级和数据中心扩建，算力呈指数级增长；随着技术突破和持续创新，算法不断进步。
不过，笔者对这个观点并不完全认同。
中国古人讲“温故而知新”，同样的内容在不同阶段重新学习，往往能获得新的理解和启发。对AI系统来说也是如此，随着算法的进步和模型架构的改进，重新处理已有数据可能会挖掘出此前未能发现的模式和关联。
而且，现有的互联网数据质量参差不齐，如果能通过更好的数据清洗和筛选提升训练数据的质量，可能比简单地扩大数据规模带来更显著的效果提升。
当然，高质量的新数据依然是AI发展的重要推动力，它能为模型带来全新的知识领域和应用场景。关键在于如何平衡和优化这两个维度：一方面深化对已有数据的理解，另一方面不断拓展新的数据来源。而且，互联网也并非静态存在，每天都有海量新的内容被创造出来。
更值得深思的是，如果说目前的数据已经接近枯竭，那就意味着现有的大模型已经用尽了世界上所有的有效数据，却只达到了目前这样的水平——这显然不够令人信服。事实上，我们有理由相信，无论是在数据利用效率还是模型架构上，都还有很大的优化空间。
因此，仅仅因为可能面临'数据枯竭'就断言AI发展将遇到天花板，似乎还为时尚早。
从十层神经网络到现实的瓶颈
为了更好的理解预训练，让我们回溯到10年前。2014年，Sutskever提出了一个看似简单的'深度学习假设'：一个十层神经网络就能模仿人类在瞬间完成的任何任务。选择十层的原因很实际——当时的技术条件只能支持这个规模。这个假设建立在人工神经元和生物神经元的相似性基础上。
但有一个关键的区别：人脑可以自我重构，而AI系统需要与其参数规模相匹配的海量训练数据。这就像一个永远饥饿的巨人，需要越来越多的“养料”才能继续成长。
这个想法开创了预训练时代，催生了GPT-2、GPT-3等里程碑式的模型。这一重大进展要归功于前OpenAI同事Alec Radford和Anthropic创始人Dario Amodei的贡献。但现在，Sutskever认为这种方法似乎已经触及天花板。有意思的是，Alec Radford和Dario Amodei倒没有提出这样的观点。
-AI代理：发展具有真正独立思考能力的系统， 不再依赖纯数据训练
-合成数据：创造高质量的新型训练数据，他称这是'重大挑战'
-增强推理计算：在推理阶段投入更多计算资源，而不是一味扩大预训练规模
他预测，下一代模型将具有'真正的代理特性'。'代理' (Agent) 已成为 AI 领域的热词，虽然他没有详细解释，但业内普遍认为这指的是能够自主执行任务、做决策并与软件交互的 AI 系统。尽管当前系统的'代理性'还很初级，但随着独立思考和推理能力的发展，这种情况将发生改变。
除了代理特性，他表示未来的系统还将具备推理能力。不同于当前主要依赖模式匹配的 AI，未来的 AI 系统将能够像人类思考一样逐步推理。
Sutskever 指出，系统的推理能力越强，其行为就越难预测，就像顶级国际象棋 AI 的走法经常让特级大师也感到意外一样。
'它们能够从有限数据中获取洞察，'他说，'而且不会产生混淆。'而且向真实推理的转变可能有助于减少AI的'幻觉'现象。
这场“数据危机”很可能重塑整个AI行业的发展路径。但与1970年代的石油危机不同，数据资源的优化还有更多可能性：提升数据质量、改进处理方法、深化对已有数据的理解，以及探索新的学习范式。
在这个充满挑战和机遇的时代，谁能在数据质量提升、已有数据深度挖掘以及新数据获取三个维度取得突破，谁就可能成为下一个AI时代的引领者。