大模型越大越笨？理解抽象概念能力反降

我们长久以来都认定，AI模型越大便越具聪慧，然而浙江大学开展的一项全新研究却给出了全然相反的答案，当模型参数急剧增加十几倍之后，识别猫狗这类具体事物的能力的确有所提升，可是理解“生物”与“非生物”这种抽象概念的能力反倒出现了倒退。

大模型的规模神话正在被打破

以往的几年时间里，AI领域的主要做法便是将模型做得愈发庞大，从几千万的参数增长至几百亿的参数，众人坚信规模能够化解所有问题，这种观念源自一种直觉，即参数数量越多，模型就会越趋近于人脑的思考模式，科技企业为此投入了数额巨大的资金，堆砌起了成千上万块显卡。

然而，由浙大团队发表的论文，是在2026年4月1日发布的，此论文直接对这个观点发起了挑战。他们有所发现，当模型参数从2206万增长到3.0437亿之后，针对具体概念任务而言，其准确率从74.94%上升到了85.87%，可是，对于抽象概念任务来说，却反倒从54.37%下降到了52.82%。这表明，模型正变得愈发“死板”。

人脑和模型的分岔路口

当我们看到天鹅以及猫头鹰之时，人脑处理信息的方式颇为特别，尽管它们在外观上呈现出全然不同的模样，然而大脑会自然而然地将它们统统归拢到“鸟类”这一范畴之内。进一步而言，鸟和马又能够被放置进“动物”这个更为宽泛的类别之中。并且，这种具备分层分类特性的能力是自动进行发生的。

你看到一只从未见过的动物时，会本能去想，它跟什么存在相似之处，大概归属哪种类别，这便是抽象概念发挥作用，人脑无需见过所有事物，便能凭借已有的分类体系迅速判断新事物，这种能力使得人类的学习效率远超机器。

模型为什么越学越不会抽象

模型形成分类的方式全然不一样，它所依赖的是统计规律，要是某个物体在训练数据里频繁出现，模型便能将其识别出来，然而若要使其理解“鸟类”这个概念，它得抓住天鹅、猫头鹰、麻雀之间的相同点，接着把这些相同点归为同一类。

这个进程于现存模型而言极为艰难，参数持续增大之际，模型会將更为多的注意力置于具体对象的细节方面，反倒忽略了更高层级的共性，这便阐释了为何抽象概念任务的表现会降低，即模型正变得愈发善于辨认具体事物，却愈发不擅于归纳总结。

浙大团队的另类解法

针对这个问题，浙大团队并未选取去持续堆叠参数。他们采用的方案乃是借助人脑的活动信号来教导模型。具体的操作办法是：让志愿者观看图片，与此同时记录他们的大脑活动数据，随后把这些数据输入至模型，以使模型仿造人脑的分类方式。

实验采用了150个训练类别，以及50个测试类别。其结果表明，历经这种训练之后，模型跟大脑活动模式之间的距离持续呈现出缩小的态势。更为关键的是，这种改善在训练过的类别这一方面出现，而且在没训练过的类别这一方面也出现，这表明模型所学到的并非是死记硬背。

规模之外的进化新方向

在仅给出极少示例的情形下，要求模型去区分生物与非生物这种抽象概念，经过脑信号训练后的模型，平均提升幅度为20.5%，这个成绩超越了参数量大得多的对照模型，团队还进行了31组额外测试，各类模型均出现了接近一成的稳定提升。

这表明，AI的进化趋向或许遭到了我们的误判。以往，众人仅仅聚焦于训练时期的规模扩充，然而，在模型训练完结之后，其于现实世界里的持续演变同样具有重要意义。AI在直面真实反馈之际怎样进行自我调适，怎样于持续不断的预测与验证当中优化自身架构，这大概才是更为关键的难题。

让AI真正学会思考

浙江大学所开展的研究，与一些人工智能实验室当下正着力探索的方向，达成了高度的契合：致力于使人工智能不再仅仅是一台只会解答题目的机械装置，而是能够拥有真正意义上的思考能力。达成这一目标，需要对当前单纯一味追求参数规模的行为方式作出改变，将着重关注的重点重新移回到认知结构自身。

人体大脑的高阶视觉区域，会自然而然地划分出生物与非生物这样的大类，然而模型当前却没办法做到这一点。若要使AI拥有真正的抽象理解以及迁移能力，那就需要让其内部结构更趋近于人体大脑的分类方式。这大概才是通向通用人工智能的真正途径。

瞅见这儿，我要问你个事儿：要是你手机里有个大模型助手，你是期望它识别物体的精准度提升百分之五，还是期望它领会诸如“公平”与“正义”这般抽象概念的本事提升百分之五呢？欢迎于评论区分享你的见解，也别忘记给这篇文章点赞以及转发哟。