新智元報(bào)道

編輯：Aeneas

【新智元導(dǎo)讀】剛剛，一位AI公司CEO細(xì)細(xì)扒皮了關(guān)于Llama 4的五大疑點(diǎn)。甚至有圈內(nèi)人表示，Llama 4證明Scaling已經(jīng)結(jié)束了，LLM并不能可靠推理。但更可怕的事，就是全球的AI進(jìn)步恐將徹底停滯。

令人失望的Llama 4，只是前奏而已。

接下來我們恐將看到——全球局勢的改變，將徹底阻止AI進(jìn)步！

最近，一位AI CEO做出長視頻，逐級對Llama 4身上的六大疑點(diǎn)進(jìn)行了扒皮。

同時(shí)，NYU教授馬庫斯發(fā)出博客，總結(jié)了目前這段時(shí)間AI圈的狀況。

Scaling已經(jīng)結(jié)束；模型仍然無法可靠推理；金融泡沫正在破裂；依然沒有GPT-5；對不可靠的語言模型的過度依賴讓世界陷入了困境。我的25個(gè)2025年預(yù)測中的每一個(gè)，目前看起來都是對的。

大語言模型不是解決之道。我們確實(shí)需要一些更可靠的方法。

OpenAI和Anthropic這樣的公司，需要籌集資金來資助新模型本后的大規(guī)模訓(xùn)練運(yùn)行，但他們的銀行帳戶里并沒有400億或1000億美元，來支撐龐大的數(shù)據(jù)中心和其他費(fèi)用。

問題在于，如果投資者預(yù)見到了經(jīng)濟(jì)衰退，那就要么不會投資，要么投資較少。

更少的資金，就意味著更少的計(jì)算，也就是更慢的AI進(jìn)展。

布魯金斯學(xué)會2025年的一份報(bào)告稱，若科研成本持續(xù)上升，美國在人工智能、生物技術(shù)和量子計(jì)算等關(guān)鍵領(lǐng)域的領(lǐng)先地位可能受到威脅。據(jù)估算，當(dāng)前政策若持續(xù)實(shí)施五年，美國科研產(chǎn)出可能會下降8%-12%。

在以前的一個(gè)采訪里，Anthropic CEO Dario曾被問到：到了如今這個(gè)階段，還有什么可以阻止AI的進(jìn)步？他提到了一種可能——戰(zhàn)爭。

沒想到，在這個(gè)可能性之外，我們居然提前見證了系統(tǒng)的另一種混沌。

而Dario也提前預(yù)測到，如果出現(xiàn)「技術(shù)不會向前發(fā)展」的信念，資本化不足，AI進(jìn)步就將停止。

AI CEO五大問，逐級扒皮Llama 4

最近鬧出大丑聞的Llama 4，已經(jīng)證明了這一點(diǎn)。

我們很難說，Llama 4系列三款模型中的兩款代表了多少進(jìn)展，顯然在這個(gè)系列的發(fā)布中，夸大宣傳的水分要比誠實(shí)的分析多得多。

疑點(diǎn)1：長上下文大海撈針，其實(shí)是騙人？

Llama擁有所謂業(yè)界領(lǐng)先的一千萬個(gè)token的上下文窗口，聽起來似乎很酷炫。

可是等等，24年2月，Gemini 1.5 Pro的模型，就已經(jīng)達(dá)到1000萬token的上下文了！

在極端情況下，它可以在視頻、音頻和共同文本上，執(zhí)行驚人的大海撈針任務(wù)，或許，是谷歌忽然意識到，大海撈針任務(wù)意義非常重大。

正如這篇Llama 4博客所說，如果把所有哈利波特的書都放進(jìn)去，模型都能檢索到放入其中的一個(gè)密碼。

不過，這位CEO表示，這些48h前發(fā)布的結(jié)果，不如24小時(shí)前更新的這個(gè)fiction livebench基準(zhǔn)測試這么重要。

這個(gè)基準(zhǔn)測試，用于長上下文的深度理解，LLM必須將數(shù)萬或數(shù)十萬個(gè)token或單詞拼湊在一起。

在這里，在這個(gè)基準(zhǔn)測試中，Gemini 2.5 Pro的表現(xiàn)非常好，而相比之下，Llama 4的中等模型和小模型，性能極其糟糕。

而且隨著token長度的增加，它們的表現(xiàn)越來越差。

疑點(diǎn)2：為何周六發(fā)布？

這位CEO察覺到的第二大疑點(diǎn)就在于，Llama 4為何選在周六發(fā)布？

在整個(gè)美國AI技術(shù)圈里，這個(gè)發(fā)布日期都是史無前例的。

如果陰謀論一點(diǎn)想，之所以選在周六發(fā)布，是因?yàn)镸eta自己也心虛了，希望盡量減少人們的注意力。

此外，Llama 4的最新訓(xùn)練數(shù)據(jù)截止時(shí)間是2024年8月，這就很奇怪。

要知道，Gemini 2.5的訓(xùn)練知識截止時(shí)間是2025年1月。

這就意味著，在過去的9個(gè)月里，Meta一直在使盡渾身解數(shù)，拼命讓這個(gè)模型達(dá)到標(biāo)準(zhǔn)。

有一種可能性是，或許他們本打算早點(diǎn)發(fā)布Llama 4，但就在9月，OpenAI推出了o系列模型，今年1月，DeepSeek R1又來了，所以Meta的所有計(jì)劃都被打亂了。

疑點(diǎn)3：大模型競技場，究竟有沒有作弊？

不過，這位CEO也承認(rèn)，盡管全網(wǎng)充斥著對Llama 4群嘲的聲音，但它的確也展示出了一些堅(jiān)實(shí)的進(jìn)展。

比如Llama 4 Maverick的活動參數(shù)量大概只有DeepSeek V3的一半，卻取得了相當(dāng)?shù)男阅堋?/p>

那現(xiàn)在的核心問題就在于，Meta究竟有沒有在LM Arena上進(jìn)行作弊，在測試集上進(jìn)行訓(xùn)練？

目前，LM Arena已經(jīng)迅速滑跪，公開了2000多組對戰(zhàn)數(shù)據(jù)給公眾檢閱，并且表示會重新評估排行榜。

目前姑且按照沒有算，那就意味著我們擁有一個(gè)強(qiáng)大得驚人的基礎(chǔ)模型了。

看看這些真實(shí)數(shù)字，假設(shè)沒有任何答案進(jìn)入Llama 4的訓(xùn)練數(shù)據(jù)，這個(gè)模型在GPQA Diamond上的性能（谷歌驗(yàn)證的極其嚴(yán)格的STEM基準(zhǔn)測試）實(shí)際上是比DeepSeek V3更好的

而在這個(gè)基礎(chǔ)上，Meta就完全可以創(chuàng)建一個(gè)SOTA級別的思維模型。

唯一的問題是，Gemini 2.5 Pro已經(jīng)存在了，而DeepSeek R2也隨時(shí)會問世。

疑點(diǎn)4：代碼很差

還有一點(diǎn)，當(dāng)Llama 4走出舒適區(qū)時(shí)，性能就會開始狂降。

以ADA的Polyglot這個(gè)編碼基準(zhǔn)測試為例，它測驗(yàn)了一些系列編程語言的性能。

但與許多基準(zhǔn)不同，它不僅僅關(guān)注Python，而是一系列編程語言，現(xiàn)在依然是Gemini 2.5 Pro名列前茅。

但是想要找到Llama 4 Maverick，可就很難了，得把鼠標(biāo)滾動很久。

它的得分當(dāng)然慘不忍睹——只有15.6%。

這就跟小扎的言論出入很大了，顯得相當(dāng)諷刺。

就在不久前，他還信誓旦旦地?cái)喽ㄕf，Meta的AI模型將很快取代中級程序員。

疑點(diǎn)5：「結(jié)果僅代表目前最好的內(nèi)部運(yùn)行」

這一點(diǎn)，同樣已經(jīng)在AI社區(qū)引發(fā)了群嘲。

在下面這個(gè)表格中，Meta將Llama 4和Gemini2.0 Pro、GPT-4.5等模型進(jìn)行了比較，數(shù)字非常漂亮。

但仔細(xì)看腳注，卻說的是Llama模型的結(jié)果代表了目前最好的內(nèi)部運(yùn)行情況，所以很大可能是，Meta把Llama 4跑了5遍或10遍，取了其中的最好結(jié)果。

而且，他們還故意不將Llama 4 Behemoth跟DeepSeek V3進(jìn)行比較，后者比它在整體參數(shù)上小三倍，在互動參數(shù)上小八倍，性能卻相似。

如果從消極的角度下判斷，就可以說Llama 4最大的模型參數(shù)上DeepSeek V3基礎(chǔ)模型的許多倍，性能卻基本處于同一水平。

還有在Simple Bench中，Llama 4 Maverick的得分大概為27.7%，跟DeepSeek V3處于同一水平，還低于Claude 3.5 Sonnet這類非思維模型。

另外，這位CEO還在Llama 4的使用條款中發(fā)現(xiàn)了這么一條。

如果你在歐洲，仍然可以成為它的最終用戶，但卻沒有權(quán)利在它的基礎(chǔ)上進(jìn)行構(gòu)建模型。

馬庫斯：Llama 4的慘痛教訓(xùn)表明，Scaling已經(jīng)結(jié)束！

而Llama 4的慘淡表現(xiàn)，也讓NYU教授馬庫斯寫出長文，斷言Scaling已經(jīng)結(jié)束，LLM仍然無法推理。

他的主要觀點(diǎn)如下。

大模型的Scaling已經(jīng)徹底結(jié)束了，這證實(shí)了我三年前在《深度學(xué)習(xí)正在撞墻》中的預(yù)測。

一位AI博士這樣寫道：Llama 4的發(fā)布已經(jīng)證實(shí)，即使30萬億token和2萬億參數(shù)，也不能讓非推理模型比小型推理模型更好。

規(guī)模化并不奏效，真正的智能需要的是意圖，而意圖需要遠(yuǎn)見，這都不是AI能做到的。

即使LLM偶爾能提供正確的答案，往往也是通過模式識別或啟發(fā)式的捷徑，而非真正的數(shù)學(xué)推理。

最終，生成式AI很可能會變成一個(gè)在經(jīng)濟(jì)回報(bào)上失敗的產(chǎn)品。

泡沫可能真的要破滅了。英偉達(dá)在2025年的跌幅，就已經(jīng)超過了三分之一。

而Meta的Llama 4的殘酷真相，再次證實(shí)了馬庫斯在2024年3月預(yù)測——

達(dá)到GPT-5級別的模型，將會非常困難。很多公司都會有類似模型，但沒有護(hù)城河。隨著價(jià)格戰(zhàn)進(jìn)一步升級，許多只會有微薄的利潤。

最終，馬庫斯以這樣的方式總結(jié)了自己的發(fā)言——

「大語言模型絕對不是解決之道，我們需要一些更可靠的方法。Gary Marcus正在尋找對開發(fā)更可靠替代方法有興趣的投資者。 」

參考資料：

https://www.youtube.com/watch?v=wOBqh9JqCDY

https://garymarcus.substack.com/p/scaling-is-over-the-bubble-may-be