长文：GAN、扩散与自回归模型本质都是「模拟器」
torchcompiled · x · 2026-10-03
Ethan Smith 在 Substack 发文《Simulator AI》，重新审视深度学习生成模型的分类框架。
核心论点：
- GAN、扩散模型、自回归模型虽分解问题的方式不同、依赖的假设各异，但本质上都是在建模并从数据分布 p(x) 中采样；
- 无论「工具 AI」「预言家 AI」还是「Agent AI」的分类，作者认为最准确的描述是「模拟器」（simulator）——正如 Janus 与 GPT-3 合写的定义：模拟器被优化来生成系统的真实模型，除真实性外不优化任何目标，过程中可能生成 agent、oracle 等实例；
- 在预训练目标下，这些模型都被优化去重建所见的数据分布，成为世界的一面镜子——尽管因不精确而是「哈哈镜」；
- 作者以其训练的扩散模型为例：提示词「a boy with a toy sword」生成的图像在感知真实度上不错、大体正确，但与真实世界的样子存在偏差。
「研究」频道最新
- Moonlake AI 高管:世界模型需要因果与对象,而非漂亮像素 — chrmanning · 2026-10-03
- 自动 harness 搜索对比人工调优:药物设计任务上没有万能赢家 — niloofar_mire · 2026-10-03
- 多智能体跑 3 个月,首次写全 15973 个 6 阶半群基准 — KyleCranmer · 2026-10-03
- 开发者 11 个月从零训练二战专题小模型 Peacebell 并开源 — wayneworkman · 2026-10-03
- 开发者自建 AtlasBench 空间推理基准，GPT-6.1 登顶 84.7% — flowersslop · 2026-10-03
- 光驱动 AI 检测深伪视频，准确率接近 98% — ai-edition · 2026-10-03