斯坦福教授激辩 AI 前景：数据瓶颈与「就这么管用了」的转变

斯坦福计算生物学家 Anshul Kundaje 与同事 Batzoglou 就 AI 能力边界展开多轮公开交锋。Kundaje 批评对模型能力做无边界的趋势外推，称 Scaling、ASI、RSI 这类说法没有给出能力实现的具体路线图，感觉像算命而非科学；Batzoglou 此前也持类似怀疑立场，但表示近期态度已发生转变——「我以前和你一样，直到最近，看起来它就是真的管用了」。

已确认

• Kundaje 认为 AI 模型能力存在清晰天花板，根源在于可训练数据的性质，并以数据匮乏的硬核生物学问题为例，指出前沿模型在该领域迄今表现不佳。
• 他质疑「AI 将在 5-10 年内治愈所有疾病」的说法，认为这是缺乏路线图时趋势外推可以走多远的例证，很容易得出荒谬结论。
• 针对 TuXinming 提出的「在交互轨迹而非纯文本上训练」路线，Kundaje 回应称此类方案已被多次提出，但提议者大多低估了所需数据的多样性与规模，物理层面的瓶颈会挡在前面。
• Kundaje 进一步表态：数据瓶颈要等到 AI 驱动的检测/实验技术递归式改进，以及配全自动供应链的、真正超大规模的全机器人实验室出现，才可能解除。
• 他对近期的 AI 数学证明突破（包括千禧年大奖难题类成果）评价平淡：虽是 AI 能力的巨大里程碑，但据他所知大多没有直接的现实影响。
• TuXinming 给出的具体路径是：预训练本质是把「世界→观察→文字记录」压缩进模型，而工具使用提供了「行动→反馈→在轨迹上训练」的闭环，且实验室正通过大量工具调用和 agent 运行实践这一方向。
• Batzoglou 表示自己从长期怀疑转向认可 AI 近期确实「管用了」。

为什么重要

这场争论浓缩了当前 AI 圈的核心分歧：一方要求为能力跃升给出可验证的实现路径，另一方则以近期实际表现为由放弃怀疑。Kundaje 提出的「数据多样性与规模的物理瓶颈」为评估生物学等数据匮乏领域的 AI 前景提供了一个具体判据，而「全自动化机器人实验室」能否解锁这一瓶颈，将是后续值得跟踪的关键变量。

2026-09-09 ~ 2026-09-09 · 10 条相关

• 【源头】斯坦福计算生物学家：模型在数据匮乏的生物学上表现清醒地差 — anshulkundaje · 2026-09-09
• "Scaling、ASI、RSI 只是算命"：研究者批评无路径的能力预言 — anshulkundaje · 2026-09-09
• 斯坦福教授 Batzoglou 转向：AI「就这么管用了」 — s_batzoglou · 2026-09-09
• 斯坦福教授反讽「AI 十年内治愈所有病」：趋势外推太离谱 — anshulkundaje · 2026-09-09
• 【源头】突破数据墙的具体路径：让智能体在交互轨迹上训练，而非只读文本 — TuXinming · 2026-09-09
• 斯坦福教授与生物学研究者激辩：AI 十年内治愈所有疾病的说法靠谱吗 — anshulkundaje · 2026-09-09
• Stanford 教授泼冷水：AI 数学证明突破暂无现实影响 — anshulkundaje · 2026-09-09
• 斯坦福教授泼冷水：用交互数据替代预训练，低估了数据规模与物理瓶颈 — anshulkundaje · 2026-09-09
• Kundaje：真正的数据瓶颈要等 AI 驱动的全自动化机器人实验室 — anshulkundaje · 2026-09-09

另有 1 条近重复转述:anshulkundaje