Redis 之父 2025 年对人工智能的思考

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。

Stable Video

Stability AI 发布的开源AI视频大模型，用文字或图像创建视频，把你的概念变成迷人的电影

227

查看详情

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

以上就是Redis 之父 2025 年对人工智能的思考的详细内容，更多请关注php中文网其它相关文章！