人类
在不涉及技术细节的前提下，让我们聊聊一些易于理解的概念。GPT的迭代某种程度上反映了
人类学习能力的进步。例如，
OpenAI的首席技术官米拉?穆拉蒂曾指出，训练
AI需要大量的素材作为基础。对于
本科生或
研究生阶段的知识体系来说，其结构和内容通常逻辑清晰、系统性强且丰富多样。然而，博士生的学习与研究则呈现出截然不同的特点。许多博士的研究方向往往非常小众和冷门。比如，一个看似普遍的生物学博士学位背后，其实隐藏着极其狭窄的研究领域。我有一个朋友，在博士期间专注于研究太空微重力环境下植物细胞的生长情况。自从她的师姐毕业后，整个学校就只有她一个人在做这个方向的研究，甚至在全球范围内，从事相同研究的人也寥寥无几。这种高度专业化的领域对
AI的训练提出了极大的挑战。此外，博士阶段的核心任务是科研，旨在探索未知并创造新知识。而当前的
AI并不具备这种创新能力。因此，
人类必须不断产出新的知识供
AI学习，但从目前的情况来看，我们创造新知识的速度远远落后于GPT吸收和处理信息的能力。简单来说，如果
人类的知识积累到2米高，那么很难训练出能够超越2.1米高的
AI。尽管如此，我们可以在现有知识范围内尽量提升
AI的能力水平。基于上述原因，在某些领域达到专业博士的智力水平成为了
OpenAI早期的重要目标之一。然而，实现这一目标并非易事。当前，部分
AI模型尝试通过高质量的数据生成其他高质量模型来进行自我优化，但这种方式存在一定的风险，可能导致每一代模型的表现逐渐下降。因此，新版GPT并未采用这种方法，而是着重提升了推理能力，力求将GPT-3的推理水平提升至博士级别。但是，如何定义博士级推理能力本身就是一个难题。目前，许多大模型都在进行类似
研究生级别的推理测试（GPQA），并且预期新一代模型可能会超过博士生的推理水平。即便如此，即便
AI达到了这样的推理水平，它是否就能真正参与到科研活动中，创造出全新的知识？答案并不明确。很多
AI领域的
专家寄希望于
AI之间相互协作，共同创造新知识的美好愿景，但这在短期内恐怕难以实现，甚至能否最终达
成都还是未知数。现阶段所谓的
AI新发现或新创造，实际上更多地体现在通过对已有模式的组合、推断和变形来生成看似新颖的内容，如文章、代码或设计中的独特组合。这些成果固然令人瞩目，但它们本质上仍依赖于已有的知识框架，并未真正实现从无到有的创新。尽管
AI在模仿
人类思维和处理复杂问题方面取得了显著进展，但在独立创造新知识的道路上，还有很长的路要走。
