这位深度学习领域权威学者认为，智能形态的演化空间远比人类想象中广阔。人类智能作为生物进化的产物，其运行机制深深植根于数百万年的自然选择过程。相比之下，当前主流的大语言模型通过完全不同的进化路径产生，二者在底层逻辑上存在根本性断裂。
人工智能的进化轨迹则遵循截然不同的逻辑。大模型的训练过程本质上是统计模拟游戏，通过对海量文本数据的模式识别构建认知框架。其能力发展高度依赖训练数据的分布特征，导致在特定任务上表现卓越，却在未充分训练的简单任务中出现意外失误。这种"尖刺状"的能力分布，正是数字智能与生物智能的关键差异。
两种智能形态的硬件基础存在代际鸿沟。人类大脑依靠神经元的生物电信号传递信息，具备持续学习与世界互动的动态特性。而大模型运行在数字计算机架构之上，通过矩阵运算处理信息，其权重参数在部署后即固定不变。这种静态特性限制了模型的实时适应能力，使其无法像生物体那样通过持续互动优化认知模式。
学习机制的分野更为显著。尽管深度学习中的随机梯度下降算法已取得惊人成果，但与人类大脑的学习方式相比仍显简陋。生物智能具备元学习能力，能在不同任务间迁移知识，而当前AI系统需要针对每个具体任务进行专门优化。这种差异使得人工智能在处理陌生场景时显得笨拙，即便该场景在人类认知体系中属于基础范畴。
