redis 之父 antirez 最新博客文章：《reflections on ai at the end of 2025》，分享了他对人工智能发展的深度观察与反思。
从“无意义复读机”到真实认知能力的跃迁： 长期以来，尽管大量实证结果和理论分析持续涌现，部分 AI 研究者仍坚持将大语言模型（LLM）贬称为“随机鹦鹉”——即仅依赖统计规律运作的黑箱系统，其核心缺陷被概括为两点：1. 无法形成对输入提示（Prompt）语义的内在表征；2. 对自身生成内容缺乏任何形式的意义建模。而到了 2025 年底，这种观点已在主流技术圈基本销声匿迹。
思维链（CoT）的真实作用机制： 如今，思维链已成为提升 LLM 推理质量的关键技术路径。但 CoT 的底层原理究竟是什么？为何它能显著增强模型表现？我的理解是：1. 它本质上是在模型隐空间中进行启发式搜索——当相关概念、上下文线索及任务结构被有效注入上下文窗口后，模型得以在更富信息量的表征区域内采样输出；2. 其有效性还高度依赖于强化学习（RL）的协同优化——模型逐步习得如何通过逐 Token 构造的方式，动态调整内部状态，以导向一个高价值的结果。
扩展性瓶颈的突破： “模型性能受限于当前可用训练 Token 总量”的传统认知已被打破，关键驱动力正是具备可验证奖励信号的强化学习框架。虽然我们尚未迎来类似 AlphaGo “第 37 手”那样的颠覆性时刻，但这是否真的遥不可及？至少在某些明确目标导向的任务中（如程序性能调优），只要存在清晰、可计算的反馈回路，模型完全可能在极长时间尺度上持续精进。我确信，面向 LLM 的强化学习演进，将成为下一阶段 AI 发展的核心引擎。
开发者生态的悄然重塑： 程序员群体对 AI 编程辅助工具的排斥心理已大幅减弱。即便 LLM 仍会出错，但其生成高质量代码与精准提示的能力，已达到足以说服多数持怀疑态度者的临界点——如今，投入产出比（ROI）对更广泛的工程师而言已具备实际吸引力。当前编程实践大致分化为两类范式：一类将 LLM 当作“协作者”使用（例如，我本人日常交互全部基于 Gemini 和 Claude 的网页界面）；另一类则致力于构建以 LLM 为核心的自主编程智能体（Agents）。
架构演进与 AGI 路径之争： 少数顶尖 AI 科学家坚信，Transformer 架构的辉煌并非终点，未来或将出现更优替代方案——他们正带领团队探索新型神经网络结构，包括融合显式符号推理能力或内嵌世界模型的新一代模型。但我个人倾向认为：LLM 本质是一种在离散逻辑推理空间上训练而成的可微分计算机器；即便没有革命性的新范式诞生，仅靠现有路线的持续深化，也完全有可能通向通用人工智能（AGI）。更重要的是，AGI 很可能由多种差异巨大的技术路径各自独立达成。
关于 CoT 的一种误导性叙事： 有观点声称，思维链从根本上重构了 LLM 的运行逻辑，并以此为由辩解：“我们此前低估了 LLM，是因为当时还没出现 CoT；现在它变了，所以我们的判断也该更新。” 这种说法并不诚实。模型架构未变，训练目标仍是预测下一个 Token，而 CoT 本身，也不过是由一连串 Token 按顺序拼接而成的产物。
ARC 基准测试的意义反转： 曾被视为 LLM “能力禁区”的 ARC 测试（抽象推理挑战），如今正经历角色转变。针对特定子任务微调的小型模型，在 ARC-AGI-1 上已展现出稳健表现；而配备海量 CoT 示例的超大规模 LLM，则在更具挑战性的 ARC-AGI-2 上交出了远超预期的成绩——要知道，这曾被许多专家断言为 Transformer 架构“天然不可解”的问题。某种程度上，ARC 已悄然从“证伪 LLM”的试金石，转变为“验证 LLM 潜力”的标尺。
最严峻的终极命题： 在接下来的二十年里，人工智能领域所面对的根本性挑战，是如何确保这项技术的发展不会导致人类文明的终结。
来源：https://www.php.cn/link/4ae0933519473723df3bebc3d2527aa9
源码地址：点击下载
