在人工智能领域，一场关于通用人工智能（AGI）发展路径的激烈讨论正持续升温。斯坦福大学博士后、即将赴清华大学担任助理教授的刘子鸣，将批判的矛头指向了当下占据主导地位的Scaling Law，为AGI的发展提出了全新思路。
Scaling Law在过去数年中成为AI界的“黄金法则”，它揭示了模型性能与模型规模、数据量、计算量之间的幂律关系。简单来说，当模型参数、训练数据和算力不断增加时，模型性能会持续提升。这种“大力出奇迹”的方式，让大模型在诸多任务上取得了显著进展，但刘子鸣认为，这背后隐藏着严重问题。
刘子鸣指出，Scaling Law本质上是用无限资源换取伪智能。如今的大模型，更像是依靠无限算力和数据进行穷举，所获得的只是看起来聪明的假智能。真正的AGI应当像物理学定律一样，以简洁的“结构”驾驭无限世界。他直言，要聪明地创造AGI，缺乏的不是规模，而是结构。
在他看来，Scaling Law虽然提供了可靠的发展路径，但却是低效的。其背后的逻辑简单粗暴：由于AI在分布外任务上表现不佳，最直接的解决办法就是收集更多数据、训练更大模型，使所有任务都变为“分布内”。然而，现实世界并非如此理想，算力、能源和高质量数据都是有限的。当这些资源耗尽时，Scaling Law的发展道路也将走到尽头。
为了说明结构的重要性，刘子鸣以多个例子进行阐述。以雪花为例，若允许分形结构，雪花的内在复杂度极低，是高度可压缩的；但若不允许结构、必须逐点描述，其表观复杂度则几乎无限。今天的Scaling Law就如同后者，用越来越多的参数和计算去拟合巨大的表观复杂度。再看天体力学，对行星运动建模最直接的方法是存储行星在每个时刻的位置，成本高昂。但开普勒发现行星轨道是椭圆，实现了第一次压缩；牛顿发现局部动力学定律，完成了第二次压缩，用更少参数解释了更多现象。相比之下，现代AI在结构学习上还有很大差距。Keyon Vafa和合作者的研究表明，Transformer并不会自然地学出牛顿式的世界模型，这意味着正确的物理结构不会因模型规模扩大而自动涌现。
刘子鸣认为，AI发展在很大程度上仍处于“第谷时代”，以实验和数据驱动；刚刚进入“开普勒式阶段”，出现Scaling Law这样的经验规律。但问题在于，人们将经验规律奉为信条，选择激进Scaling、围绕其做工程化系统，而非将其作为通往更深理论的线索，这从思想层面看可能是一种退步。
刘子鸣并非否定基础模型，而是主张从“压缩”角度理解不同任务。他将任务大致分为三类：类物理任务，高度可压缩，符号公式可能从连续数据中涌现；类化学任务，可压缩性强、结构清晰，但符号不完整或只能近似；类生物任务，只能弱压缩，更多依赖经验规律与统计归纳。理想的智能系统应能判断任务类型并施加恰当压缩。
符号模型擅长类物理任务，但在类化学与类生物任务上表现不佳；联结主义模型虽原则上可处理所有类型，但因缺乏结构，在类物理与类化学问题上效率极低。因此，刘子鸣主张结构主义AI，它既不同于联结主义，也不同于符号主义，更不是两者的简单结合。结构主义旨在捕捉类化学任务这一中间状态，期望符号从结构中涌现，经验规律通过从数据中松弛结构而习得。
在监督学习中，线性回归是符号主义的，多层感知机（MLP）是联结主义的，方程学习器（EQL）是神经 - 符号混合，而Kolmogorov–Arnold Networks（KANs）则是结构主义的。KAN背后的表示理论能紧凑捕捉多变量函数的组合结构，既不像MLP无结构，也不像线性模型过度约束，避免了神经 - 符号不匹配带来的不稳定性。
刘子鸣还指出，抽象可能是AGI最核心的瓶颈之一。抽象来自对结构的比较与复用，而当下的注意力机制虽也是一种比较机制，但隐含了强假设，很多结构并不与向量空间同构，这种表示方式更多是为适配GPU计算范式。目前AI发展虽“暗地里”有结构主义倾向，如推理过程和AI智能体框架是结构化的，但底层模型仍是联结主义的，导致系统高度依赖Chain - of - Thought（思维链，CoT）数据，通过显式监督将结构“贴”在模型外面。
刘子鸣认为，下一波关键进展将来自内在结构主义，即把通用结构注入模型或让结构在模型内部自行涌现，而非持续依赖显式CoT监督。从应用角度看，真正需要的通用人工智能必须具备可适应、可泛化、具备物理基础等特点，而结构对这些都至关重要。物理世界本身高度结构化和可压缩，若模型无法出现这些结构，“世界模型”将遥不可及。结构主义AI代表了一条与Scaling Law根本不同的道路，虽可能更难，但更具趣味性和发展潜力。
