当智能不再“靠谱”，我们该何去何从？

想象一下，你向最新的GPT模型提问：“9.9和9.11哪个大？”这本应是个小菜一碟的问题，却足以让不少高科技的“大脑”陷入沉思，

甚至给出令人啼笑皆非的答案。近日，一篇由00后国人学者周乐鑫撰写的论文在国际顶尖科学期刊《Nature》上发表，

犹如一颗石子投入平静的湖面，激起了层层涟漪。论文直指一个令人惊愕的发现：那些更大、更“听话”的大模型，在某些情况下，反而变得愈发不可靠了。

GPT-4在某些回答上的可靠性，竟然还不如它的前辈GPT-3！这一结论迅速在网络上发酵，20多万网友纷纷围观讨论，Reddit论坛上也是议论纷纷。这不禁让人疑惑：我们追求的智能之路，究竟通向何方？

难度迷雾：智能与预期的错位

在探索智能模型的可靠性时，论文首先揭示了一个令人困惑的现象：随着任务难度的增加，模型的正确率显著下滑，这本在意料之中。

然而，令人惊讶的是，这些模型在解决一些极其简单的任务时，也同样力不从心。就像是让一个数学博士去解一道小学生的算术题，结果却错得离谱。

GPT-4与其前身相比，虽然在高难度任务上有所提升，但在简单任务上的表现并未明显改善。这种与人类预期的不一致，

让智能模型的安全操作空间变得模糊不清，让人不禁反思：我们真的能够信任这些前沿的机器智能吗？

任务回避：智能的“勇敢”与“愚蠢”

与早期的模型相比，最新的大模型似乎变得更加“勇敢”，它们不再像过去那样谨慎地回避超出能力范围的任务，而是更多地给出了错误或荒谬的答案。

这种“勇敢”的行为，在一些基准测试中，甚至导致了错误率的急剧上升，远超准确率的提升速度。这就像是一个初学者，明明不懂却硬要装懂，最终只会让人失望。

人类在面对困难任务时，往往会选择含糊其辞，但智能模型却似乎并不懂得这一“智慧”。

这种不一致的规避行为，让用户对模型的依赖大打折扣，不得不亲自上阵验证输出的准确性。

提示敏感：智能的“玻璃心”

除了难度和任务回避，智能模型还对问题的表述方式异常敏感。同样的问题，换一种说法，就可能导致截然不同的准确性。

就像是一个敏感的孩子，对每一个细微的变化都反应强烈。论文发现，即使一些可靠性指标有所改善，模型仍然对同一问题的微小表述变化感到“困惑”。

这种对提示语的敏感性，使得人类在使用智能模型时，不得不小心翼翼地选择问题的表述方式，以确保得到准确的答案。

然而，即使是最优的表述格式，也可能只对高难度任务有效，而对低难度任务则可能适得其反。

智能之路，任重而道远

周乐鑫的这篇论文，无疑为我们敲响了警钟：在追求智能的道路上，我们不能仅仅关注模型在困难任务上的表现，而忽视了其在简单任务中的可靠性。

智能模型的不可靠性，不仅是一个技术问题，更是一个关乎人类信任与安全的重大问题。正如周乐鑫所说，

通用人工智能的设计和开发需要进行根本性转变，特别是在高风险领域，因为可预测的错误分布至关重要。

在未来的智能时代，我们需要更加谨慎地评估模型的能力和风险，不仅仅要关注其“聪明”的一面，更要警惕其“愚蠢”的一面。

或许，这正是智能发展的必经之路：在不断试错与修正中，我们终将找到那条通往真正智能的道路。而在这条道路上，人类的智慧与监督，将始终是不可或缺的力量。