马毅新解智能：DNA为鉴，大模型需减熵 | AIGC.Bar

type

status

date

slug

summary

智能的起源：DNA——宇宙最早的“大模型”

马毅教授认为，要理解智能，必先回溯其历史。在宇宙的浩瀚背景下，生命是智能最显著的载体。而DNA，作为生命信息的编码者，堪称宇宙间最早的“大模型”。它通过亿万年的进化，不断学习和适应外部世界的规律，将这些“知识”固化在基因序列中，指导生命的繁衍与存续。

这个过程，本质上是一个对抗宇宙熵增的过程。宇宙的自然趋势是无序和混乱（熵增），而智能，从DNA开始，就在不断地从环境中提取信息，形成有序结构，从而在局部实现“减熵”。生命通过学习和适应，将无序的能量和物质转化为有序的生命活动和复杂的生态系统，这正是智能的体现。从这个角度看，无论是古老的DNA，还是如今的chatGPT等先进AI，其核心都在于学习规律、利用规律，以达到某种有序和高效的目标。

当前大模型的“智能”：是真理解还是高级模仿？

面对当下大模型展现出的惊人能力——从流畅对话到复杂编程，甚至进行数学推理——许多人认为AGI（通用人工智能）已曙光初现。但马毅教授对此持谨慎态度。他将逻辑推理能力划分为三个层次：

模仿：通过大量数据记忆模式，类似填鸭式学习。

理解并严谨运用：真正掌握逻辑方法，能解决新问题。

抽象出新规律：如欧几里得建立公理体系，从经验中发现新逻辑。

马毅教授指出，目前的大部分LLM，包括备受瞩目的推理模型，其表现更多停留在第一层次，即高级的模仿。例如，模型可能在训练过的奥数题上表现优异，却在简单的小学数学问题上出错，这表明其并非真正具备严密的逻辑推理能力。所谓的“思维链”（long CoT），也往往需要人工精心设计Prompt（提示词）或通过监督微调（SFT）和强化学习（RL）进行引导生成，并非完全自主的逻辑构建。学术界更关注的是厘清这些方法在系统中具体的作用机制，而非简单追求“炼丹”式的效果。

开源的突破与行业的冷静剂：DeepSeek的启示

对于近期DeepSeek等开源大模型的亮眼表现，马毅教授并不感到意外。他认为，当前大模型在核心技术和方法上并无绝对的护城河，真正的壁垒在于数据、算法优化、试错成本以及在此过程中积累的经验。因此，开源模型凭借其开放性和社区协作的力量，迟早会追赶甚至超越闭源模型。

DeepSeek的成功，在某种程度上像《皇帝的新衣》中的那个孩子，揭示了行业内可能存在的过度包装和炒作。它证明了通过SFT和RL等已知方法，结合优质的基础模型和数据，同样可以达到顶尖水平，并非某些公司掌握了不可告人的“秘密”。正如DeepSeek的例子所揭示的，人工智能的发展路径并非单一，开源社区的力量正在重塑大模型的竞争格局。对于希望深入了解AI新闻和行业动态的读者，https://aigc.bar 提供了丰富的AI日报和前沿解读。

回归本质，展望未来：智能研究的“减熵”之路

马毅教授强调，理解智能的诞生和发展历史，对于指导当前的AI研究至关重要。他本人正致力于探索“白盒大模型”以及能够实现“闭环、反馈、纠错”的机器智能，这代表了对更可解释、更鲁棒、更接近生命智能本质的AI系统的追求。

此外，香港大学面向所有本科新生开设AI通识必修课，由马毅教授亲自讲授智能历史部分，这体现了普及AI认知、培养批判性思维的远见。当AI和大模型日益渗透我们生活的方方面面，理解智能、思考智能，已不再仅仅是研究者和工程师的专利。我们需要更多像马毅教授这样冷静而深刻的声音，引导我们拨开AI产业的迷雾，回归对智能本质的探索。

结论

马毅教授以其深邃的洞察，从DNA的演化到现代大模型的崛起，为我们勾勒出一条智能发展的“减熵”主线。他提醒我们，在为openai、claude等模型的惊人表现欢呼时，更应关注其能力的真实边界和智能的深层机制。无论是学术研究还是产业应用，乃至探讨AI变现的路径，对智能本质的理解都是我们行稳致远的关键。未来AI的发展，或许正需要这种回归本源的思考，才能真正实现从模仿到理解，再到创造的飞跃。欢迎持续关注 https://aigc.bar，获取最新的AI资讯、Prompt技巧与行业洞察。