前段时间冲上热搜的问题「9.11 比 9.9 大吗？」，让几乎所有 LLM 集体翻车。看似热度已过，但 AI 界大佬 Andrej Karpathy 却从中看出了当前大模型技术的本质缺陷，以及未来的潜在改进方向。
一边是 OpenAI、Meta、Mistral、DeepMind 等巨头们争先恐后地发模型，几乎每天都能听到重磅消息，给人一种「技术进步日新月异，AGI 仅在眼前」的错觉。
另一边又是「9.9<9.11」难题继续发挥余热，从推特到微博，引发了全球网友的关注。
虽然 LLM 失智也不是第一天了，但几乎全部大模型都在如此简单的问题上翻车，的确罕见。
这种量级的讨论热度，也自然引来了大佬 Karpathy 的围观。他甚至表示，这已经成为自己最喜欢的 LLM 测试了。
下面是 Karpathy 本人的实测结果。即使提示了 Claude「按实数算，别按版本号算」，也根本不起作用。
但是 Karpathy 这种级别的大佬，怎么会满足于找乐子？
作为 AI 技术界 KOL，他今天发了一篇长推，把近半年来出现的 LLM「失智」现象全部盘了一遍，并给出了相当言简意深的分析。
他将这种现象描述为「锯齿智能」或「参差不齐的智能」（jagged intelligence）。
最先进的 LLM 既可以执行各种困难任务（比如解决复杂的数学问题），但同时又在一些非常愚蠢的问题上深陷泥沼。
首先是 OpenAI 研究员 Noam Brown，他今年 2 月发推，感慨 LLM 玩不好井字棋游戏（tic-tac-toe）。
难道是 LLM 不清楚游戏规则？眼看着用户马上就赢了，Gemini 还在傻傻提示「游戏越来越让人兴奋了！你下一步走哪？」
而且不仅仅是 Gemini 的问题，ChatGPT 也一样犯傻。
你可能会怀疑是 RLHF 起了作用，让 LLM 必须输给人类。
但 Noam 表示，即使提示模型要它拿出最佳表现，也不会有什么提升。LLM 并没有在谦让你，它可能是真的不行。
对此，Karpathy 的概括是，模型做出了「毫无道理」的决策。
Noam 本人则认为是训练数据的锅，互联网上并没有足够多的 5 岁孩子在讨论井字棋游戏的策略。
这似乎是佐证了一部分研究的观点：LLM 更多依靠记忆，实质上只是记住了某个问题的解决流程，并没有发展出可迁移到不同问题的抽象推理能力。
还有一个让人类哭笑不得的例子：LLM 好像连字母都数不清。
「barrier 里面有多少个字母『r』?」——「两个」
不仅是 ChatGPT，最新发布的所谓「开源王者」，405B 参数的 Llama 3.1 也会犯懵。
不过好在 Llama 3.1 没有那么多「蜜汁自信」，经过提示还能及时修改答案。
或许是因为不相信 ChatGPT 连这种任务都搞不明白，各路网友想了各种办法。
CoT 提示也用上了 ——
眼见 CoT 也不起作用，更有耐心的网友开始进行手把手教学：
让 ChatGPT 先把所有字母一个个写出来，然后它才能发现里面有 3 个字母「r」。
更神奇的事情还有 —— 如果你给所有字母加个圈，LLM 就不会数错了！
Karpathy 是如何解释这种现象的呢？
他认为，这源于当今的大多数 LLM 缺乏「自知之明」，也就是 self-knowledge，模型无法分辨自己能做什么、不能做什么。
直接结果就是模型的「无知者无畏」，不仅看到任务就上手尝试，而且充满「蜜汁自信」。
如果 LLM 能说出，「我不是很擅长数字母，让我用代码解释器来解决这个问题」，情况就会大为改观。
类似的问题在其他模态上也很常见，比如最近一篇标题很吸睛的论文：「视觉语言模型都是盲人」。
作者发现，在很多人类准确率可以达到 100% 的、极其简单的任务上，大模型的表现竟然有些荒谬。
不仅准确率低，而且非常不稳定，就像一个很聪明，但实际看不到准确图像的「盲人」或「高度近视」。
比如下面这个典型案例：人类一眼就能看出两圆相交，Claude 却很自信地表示「这是相切圆，绝对没相交」。
那么，这个问题有解吗？
Karpathy 表示，最近 Meta 发布的 Llama 3.1 论文中就给出了类似的解决方案。
论文提出，后训练阶段应该实现模型的对齐，让它发展出「自知之明」，知道自己知道什么，仅靠往里面添加事实知识是无法根除幻觉问题的。
因此 Llama 团队提出了一种名为「知识探测」的训练方式。
先从预训练数据中截取片段，让模型只能根据自己所知的信息生成回答，在反馈过程中否决那些有连贯信息但与原始数据相悖的答案。
这种方法可以鼓励模型只回答自己了解的问题，拒绝生成不确定的答案。
盘点过这些 LLM 翻车案例之后，我们似乎对 Karpathy 提出的「锯齿智能」有了更直观的体会。
大模型有一些极其出色的能力，能完成许多困难任务，但会在十分简单的事情上有灾难性的失败。这种忽高忽低的智商，的确类似「锯齿」的形状。
比如视觉大模型已经可以很好地识别数千种狗和花了，却无法判断两个圆是否重叠。
哪些任务是大模型擅长的，哪些是不擅长的？这种分界并不总是很明显，我们似乎可以逐渐发展出一些直觉来帮助判断。
但要明白，所谓的「困难」和「简单」任务，都是按照人类标准衡量的。
和 AI 不同，人类从出生到成年，接触到的知识以及发展出的问题解决能力都是高度相关的，而且同步线性提高。
Karpathy 的这种观点，与著名的「Moravec 悖论」有异曲同工之妙。
这个论断由 CMU 机器人研究所教授 Hans Moravec 等人在上世纪 80 年代提出，大意是：对人类容易的事情，对机器反而是困难的，反之亦然。
比如，逻辑推理和创造力，在人类看来属于高级认知技能，需要较高的教育水平或长期训练，但对于机器来说却通常是微不足道的；
而人类能轻松完成的任务，例如视觉和运动技能，对机器而言极具挑战性。
让计算机在智力测试或跳棋游戏中表现出成人水平相对容易，但在感知和移动能力上，很难或不可能达到一岁儿童的技能。
此外，Karpathy 的措辞也很有意味。
去年哈佛、沃顿、BCG 等机构联合发表了一篇有关 AI 能力的实证论文，同样用到了「jagged」这种形容。
连 Karpathy 本人都怀疑，自己是不是看到过这篇论文才会提出这种描述。
论文提出，AI 的能力呈现出一种「锯齿状的技术边界」（jagged technological frontier）。
同一困难程度的任务，有一些是 AI 能轻松完成的，有些却远在它们能力范围之外。
对于前者，AI 可以补足，甚至彻底取代人类工作；但对能力范围外的任务会有不准确的输出，使用时反而会拉低人类的工作水平。
但 Karpathy 认为，即使目前 AI 的能力有种种问题，也并不构成根本缺陷，也有可行的解决方案。
正如他上面的推文所描述的，其根本原因是模型缺乏自我认知，这需要我们开发更有效、更精细的后训练（post-training）方法，比如 Llama 3.1 论文所提出的。
目前的 AI 训练思路仅仅是「模仿人类标签并扩展规模」。这个方法的确有效，否则我们也不会看到今天的成就。
但要继续提升 AI 的智能，就不能只寄希望于「scale up」，还需要整个开发栈中进行更多工作。
在这个问题没有被完全解决之前，如果要将 LLM 用于生产环境，就应该只限于它们擅长的任务，注意「锯齿状边缘」，并始终保持人类的参与度。
参考资料：
https://x.com/karpathy/status/1816531576228053133
https://www.linkedin.com/pulse/unlocking-mysteries-moravecs-paradox-examining-its-future-joji-john-vm8uf/
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。