到了2025年，业界普遍放弃了大型语言模型（LLM）只是“随机鹦鹉”的看法，转而承认其具备理解和推理能力。这一转变的关键在于链式思维（CoT）与强化学习（RL）的结合，它们显著提升了模型生成有用回答的效率。如今，程序员已广泛接纳 AI 辅助编程，而关于未来架构的讨论仍在继续，但现有技术路线被认为有潜力实现通用人工智能（AGI）。最终，人工智能领域未来几十年的核心挑战被认为是避免人类走向灭绝。
“随机鹦鹉”论的终结
多年来，尽管有大量证据表明大型语言模型具备理解能力，但部分研究人员始终坚持认为它们只是随机的概率机器，不理解提示词的含义，也不知道自己要生成什么内容。到 2025 年，这种观点几乎被所有人放弃。
有人声称，是链式思维从根本上改变了大型语言模型的性质，所以他们才改变了看法。他们在撒谎。模型仍然是相同的架构，以相同的“预测下一个词元”为目标，而链式思维正是通过这种方式逐个词元地创建出来的。
关键技术：链式思维与强化学习
链式思维（CoT）已成为提升模型表现的基础方法。它的作用主要体现在两个方面：
- 内部搜索： 通过在上下文中引入与主题相关的信息和概念，模型能够进行一种形式的内部搜索，从而给出更好的回答。
- 引导收敛： 与强化学习（RL）结合后，模型学会了如何通过逐个生成词元来改变自身状态，最终导向一个有用的答案。
由于强化学习可以提供可验证的奖励信号，那种认为模型扩展规模会受限于训练数据量的观点已不再成立。在某些任务上，例如优化程序以提高速度，模型理论上可以在清晰的奖励信号下持续取得进步。
AI 编程的普及
程序员对 AI 辅助编程的抵触情绪已大大降低。尽管模型仍会犯错，但它们提供有用代码和建议的能力已经提升到了一个临界点，使得投资回报变得可以接受，越来越多的怀疑论者开始使用它们。
目前，程序员使用 AI 的方式主要分为两类：
- 将模型视为同事，通过聊天界面进行交互。
- 将模型视为独立的编码代理。
架构的未来：Transformer 与新范式
一些知名科学家认为，类似 Transformer 架构的革命性突破可能会再次发生，并开始组建团队探索替代方案，例如具有显式符号表示或世界模型的架构。
然而，另一种观点认为，当前的 LLM 架构本身就可能足以实现通用人工智能（AGI），而无需等待全新的范式出现。AGI 很可能可以通过多种截然不同的架构独立实现。
ARC 测试：从挑战到验证
ARC 测试曾被认为是衡量模型能力的巨大障碍。但如今，情况发生了变化：
- 针对该任务优化的小型模型表现良好。
- 拥有广泛链式思维的大型语言模型也取得了令人印象深刻的成果。
这使得 ARC 测试的角色从一个“反 LLM 测试”转变为对 LLM 能力的一种验证。
未来的核心挑战
AI 未来 20 年的根本挑战是避免人类灭绝。