就在整个行业沉迷于参数军备竞赛与昂贵的微调时，Transformer架构的奠基者之一却投下了一枚重磅炸弹。他直言不讳地指出，当前以数据为中心的AI发展路径正陷入死胡同，对单一任务进行海量数据的微调或许只是在重复制造昂贵却僵化的‘专家傻子’。这篇文章将带您深入剖析其核心观点，并思考AI的未来究竟是继续堆砌数据，还是需要一次根本性的范式革命。
Transformer曾是AI革命的巅峰之作，但其发明者Llion Jones警告：它并非终点。就像RNN被取代一样，当前无数微调研究可能只是局部优化，而真正的AGI突破或藏在生物启发的全新架构中。
Transformer是AI的终点吗？
不是，绝对不是。
那Scaling是唯一通向AGI的路径吗？
在Transformer架构上研究最久的人，告诉你：不是。
Sakana AI的创始人、研究科学家Llion Jones，和其他7位合著者，一起发明了Transformer。
除了那七位共同作者，没有人比他在Transformer上的研究更久。
尽管如此，去年，他做出了一个重要决定：大幅减少自己在Transformer上的研究投入。
不是因为这个领域没有新鲜事，而是因为它已经被挤得水泄不通。
他直言，他成了自己成功的受害者：
我不认为Transformer就是终点，也不相信我们只需要继续无限扩大规模。
某一天，我们会再次迎来突破，然后回头发现，现在很多研究其实在白白浪费时间。
在Transformer出现之前，RNN是主流。
RNN的确是AI历史上的重大突破。
突然间，所有人都开始致力于改进RNN。
但结果总是对同一架构做些微调，比如把门控单元换个位置，将语言建模的性能提升到 1.26、1.25 比特每字符。
在Transformer出现后，当我们把非常深的仅解码器Transformer应用于同一任务时，立刻就达到了1.1 比特/字符。
于是，所有关于RNN的研究突然之间显得白费了。
而现在的论文，似乎又回到了老路子：在同一个架构上，做无数微小的改动——比如调整normalization层的位置，或略微改良训练方式。
2020年，时任谷歌DeepMind的研究员Sarah Hooker提出了「硬件彩票」：
通往AGI的道路不止一条， 深度神经网络刚好碰上了GPU这样的硬件彩票。
论文链接：https://hardwarelottery.github.io/
「硬件彩票」这一术语，描述了某种研究思路之所以胜出，是因为它恰好契合现有的软件和硬件条件，而非因为该思路在所有备选研究方向中具有普遍优越性。
而Llion Jones则认为，Transformer是一种架构彩票，而业界恐怕重蹈RNN的覆辙。
哪怕已经有一些架构在论文中表现得比Transformer还好。但问题在于，新架构还不足够好到让整个行业放弃Transformer。
原因很现实：大家对Transformer的理解已经非常成熟，训练方法、微调方式、配套软件工具一应俱全。
你要大家从头换一套，除非新架构好到「碾压式胜出」，否则不可能。
Transformer取代RNN，是因为差距大到无法忽视。
深度学习的兴起也是一样。曾经大家还相信符号主义更靠谱，直到神经网络在图像识别上展现出压倒性的优势。
Llion Jones认为Transformer太成功了，反而让大家陷入了「陷阱」：
这就像有个巨大的「重力井」，所有尝试离开的新方法都会被拉回来。
哪怕你真的做出了一个效果更好的新架构，只要OpenAI再把Transformer扩大十倍，那你的成果就被比下去了。
Llion Jones进一步指出，目前的大语言模型并非通用智能，呈现出「锯齿状智能」（jagged intelligence）的特性。
也就是说，它们能在某些任务上表现得像天才一样，但转眼就能犯出低级错误，让人出戏。
它刚才还解出了一个博士级的问题，下一秒却说出一个连小学生都不会错的答案，这种反差非常刺眼。
他认为，这其实揭示了当前架构中某种根本性的问题。
问题在于，它们太「万金油」了。
你可以让它们做任何事，只要训练足、调参准。
但正因为这样，我们反而忽视了关键问题──「有没有更好的方式来表示知识、思考问题」。
现在，大家把所有东西都往Transformer里堆，把它当成万用工具来用，缺什么功能，就往上面硬加模块。
我们明明知道要有不确定性建模、要有自适应计算能力，但我们却选择把这些特性外挂上去，而不是从架构本身去重新思考。
为了逃脱这个循环，Jones在2025年初大幅减少Transformer相关研究，转向更具探索性的方向。
他和Sakana AI的同事Luke Darlow等人，借鉴生物学和自然启发，设计了连续思维机（Continuous Thought Machines，CTM）。
传送门：https://sakana.ai/ctm/
这不是天马行空的发明，而是对大脑运作的简化模拟。
大脑里的神经元不是静态的开关，而是通过同步振荡来传递信息。
CTM捕捉了这个精髓：它用神经动态作为核心表示，让模型在「内部思考维度」上逐步展开计算。
他说，「我们并没有追求完全生物学可行性，因为大脑并不是靠有线方式让所有神经元同步的。但这种思路带来了全新的研究可能。」
重要的是，他们在做这项研究时，并没有任何学术圈常见的「抢发压力」。
因为没人做这个方向。他们有充分的时间去打磨这篇论文，把研究做实，把对照实验做足。
他希望这项研究能成为一个「示范案例」，鼓励其他研究者去尝试那些看似风险高、但更可能通向下一个大突破的研究方向。
这是近期AI领域最坦诚的言论之一。
Llion Jones承认，当前多数研究可能只是在局部最优解上修修补补，而真正的突破或许在完全不同的方向。
他对此深有体会——毕竟他曾亲手让上一代研究者的成果黯然失色。
令人不安的是：如果他是对的，那么所有埋头改进Transformer变体的人都在浪费时间。
所有混合专家模型、所有架构微调、所有注意力机制变体——都可能在新范式出现时瞬间过时。
但陷阱在于：除非有人真正突破，否则你永远无法确定自己是否困在局部最优里。
身在局中时，一切看似都是进步。直到Transformer出现前，RNN的改进不也看起来势不可挡吗？
同样， Ilya近期也评论道，仅靠Scaling当前架构并不足以实现AGI：
Scaling时代的一个后果是：Scaling吸走了房间里所有的氧气。
正因如此，所有人开始做同样的事。我们走到了今天这个局面——公司数量多于创新电子的世界。
那么该如何抉择？
Llion Jones并未声称知道未来方向，只是坦言Transformer可能不是长期答案。这很诚实，却缺乏可操作性。
这个难题在于：每次范式转移，在事后看来都像是徒劳，但在当时却是必要的探索。我们无法跳过这个阶段，只能祈祷有人能更快找到出口。
编辑：KingHZ
本文由人人都是产品经理作者【新智元】，微信公众号：【新智元】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。