Chollet 总结 AI 两条主线：内化逻辑与神经符号架构

Keras 之父、知名 AI 研究者 François Chollet 近日在 X 平台发文，试图对人工智能的整体发展脉络做一个更准确的概念刻画。在他看来，AI 的演进并非由单一力量推动，而是两条主线并行、相互交织的结果。

趋势一：把更多逻辑内化进神经模型

Chollet 提出的第一条主线，是「在训练数据可以被密集采样的任务上，把越来越多的逻辑搬进神经模型内部」。他给出的例证跨越了深度学习的两个关键阶段：

• 2013–2016 年前后，行业从依赖人工特征工程的传统机器学习范式，转向端到端学习；
• 近期，越来越多的「harness（脚手架）」功能也被直接烘焙进模型本身，而不是留在外部代码里。

这条线的本质是：只要数据足够密，模型够大，神经网络就能吸收原本需要手工设计的逻辑环节。

趋势二：用神经符号架构撬动更强的通用性

第二条主线则指向「通过精巧的神经符号架构，借助神经模型撬动更强、更可泛化的系统」。Chollet 列出了三个标志性的节点：

• 2016 年的 AlphaGo：没有用纯端到端模型直接学下棋，而是把搜索与神经网络结合；
• 2020 年代初的 Waymo 自动驾驶方案：同样是神经符号架构，而非单一端到端控制模型；
• 当前的 TTA（测试时计算）推理大模型与 coding agent 脚手架：不再依赖「裸」的 LLM 推理，而是把模型嵌入到更强的外围系统中。

换言之，当任务复杂度超出「只靠一个神经模型就能学到」的范围时，外围的符号式架构（搜索、规划、工具调用、agent 框架）就成了放大模型能力的关键。

判断：双轨格局仍将继续

Chollet 的核心结论是一个相当直觉但重要的判断：在可预见的范围内，这两条主线会同时向前推进，并不会收敛为其中之一。他的依据是——「只要外面包着神经符号系统，你能做到的事情就总比只用里面那个神经模型更多」。

这一观点呼应了当前业界对 agent、推理时计算、工具增强 LLM 等方向的持续投入，也为「为什么纯端到端 scaling 并不能解释所有进步」提供了一个简洁的框架。