过去两年，我们见证了大模型最狂野的青春期。参数从百亿飙升至万亿，训练数据从网页扩张到整个互联网的文本残骸。人们像追逐跑分一样追逐榜单，仿佛数字越大，智能就越近。但最近，风向变了——连最激进的实验室也开始谈论“效率”、“推理成本”和“可解释性”。这不仅是技术路线的调整，更像是一场集体清醒：规模本身不是目的，它只是通往认知彼岸的粗糙船桨。
我越来越觉得，大模型真正的分水岭不在参数多少，而在于它是否完成了从“统计复读机”到“结构理解者”的蜕变。早期模型擅长拼贴语料库中的碎片，生成流畅却空洞的段落；而新一代模型开始展现出对因果、逻辑甚至隐含矛盾的敏感。比如，当被问及一个违背常识的假设时，它们不再机械作答，而是会质疑前提。这种“不配合”的瞬间，恰恰是智能的微光。它意味着模型内部不再是扁平的概率云，而是生长出某种立体的知识图谱——尽管我们仍无法完全看清它的形态。
另一个被忽视的转向是“记忆”与“遗忘”的重新平衡。传统AI追求无所不包的知识库，但海量冗余正在拖慢推理速度，也让模型变得僵化。于是，检索增强生成、稀疏激活等架构开始流行，让模型学会“按需调用”而非“全盘背诵”。这像极了人类大脑的机制：重要的不是存储多少，而是能在对的时间调取对的信息。这种“战略性遗忘”反而让模型更灵活，也更接近认知科学中“工作记忆”与“长期记忆”的协作模式。
更微妙的变化发生在价值对齐领域。早期对齐是外部强加的规则清单，像给野兽套上缰绳；现在，研究者试图把伦理判断内化为模型自身的推理偏好，让它在面对两难时能像人一样权衡，而非机械套用“第一原则”。这意味着大模型开始拥有某种“品格”——不是被编程的善良，而是在互动中形成的稳定倾向。当模型拒绝生成有害内容时，不是因为它被禁止，而是因为它“觉得”那样不对。这种内在化，是技术演进中最具哲学意味的一跃。
当然，我们不该浪漫化这个过程。大模型仍会犯错，仍会一本正经地胡说八道。但相比两年前，它的错误从“荒谬”变成了“可理解”——就像孩子从胡言乱语到逻辑颠倒，虽然仍不对，却显露出推理的雏形。这进步或许不够炫目，却比参数翻倍更值得庆祝。因为这意味着，我们正在从“教会机器说话”走向“教会机器思考”，尽管思考的定义本身也在被不断改写。
站在2025年的门槛回望，大模型的演进像一场漫长的认知断乳。它不再贪恋数据的汪洋，而是开始练习在知识浅滩中潜水；不再执着于全知全能，而学会在不确定中做判断。当技术褪去规模的华服，露出认知的骨架，我们才真正开始理解智能的复杂与谦卑。这场突围没有终点，只有不断拓荒的地平线。