Chollet 调整 LLM 天花板判断：长期仍看好符号学习

Keras 作者、Google 研究员 François Chollet 近日在 X 上发文，更新其对大语言模型能力上限与未来技术路线的判断。他承认，2022 至 2024 年期间他曾认为基础 LLM 路线会遇到能力天花板，但 2024 年末 o3 展示的测试时计算（test-time compute）让他改变了看法：当前 LLM 路线有可能实现「无上限」的能力扩展。「不会再有墙（There will be no wall）」，他在帖文中写道。

从「平台期」到「无墙」的观点转变

Chollet 表示，他在 o3 演示后意识到，新一代模型展现出了「真正的流体智能（fluid intelligence）」，这意味着仅靠测试时计算扩展，LLM 路线就有望持续突破能力上限。他提到，自己此前已在 X 和博客中详细阐述过这一观点的转变。值得注意的是，他强调这一转向针对的是推理类大模型（LRM / reasoning models），而不是单纯的基础 LLM。

长期路线仍倾向「符号学习」

尽管放弃了短期内的能力平台期判断，Chollet 对更长远的时间尺度（约 15 年）仍持不同看法。他明确表示：

• 他不相信未来的 AI 仍会建立在 LLM 技术栈之上；
• 终极形态的 AI 将「不得不」更接近其最优形式——符号学习（symbolic learning）；
• 这是一个冒险且逆势的判断，「安全的赌注」仍是押注 LRMs。

效率差距仍是核心论据

Chollet 进一步指出，当前主流 AI 训练范式与「最优形态」之间存在巨大效率鸿沟：

• 在数据效率方面，当前技术距最优约差 4 到 6 个数量级；
• 在测试时计算效率方面，同样存在 4 到 6 个数量级的差距；
• 真正的远期 AI 应当「接近最优（near-optimal）」，而非像今天这样依赖海量算力与数据堆叠。

他总结称，当前讨论中「唯一有意义的差异」是效率，而非任务层面的具体技能。在他看来，谁能率先把数据与测试时计算的效率提升 4 至 6 个数量级，谁就更接近下一代 AI 的门槛。

作为 ARC-AGI 通用智能基准的发起人，Chollet 的这一表态也被视为对当下「靠算力堆出 AGI」主流叙事的间接回应，呼应了他近期在多个场合强调的「效率」与「泛化」议题。