谷歌首席执行官桑达尔·皮查伊最近公开承认，公司并未完全控制其人工智能系统的内部运作，这就像打开了潘多拉的盒子，揭示了人工智能黑匣子运作的深层谜团。
人工智能新兴能力：从培训到“自我学习”的飞跃
近年来，大型语言模型（LLM）在大规模训练后常常展现出超出预期的新技能。这种“涌现行为”并非魔法，而是海量数据和复杂计算的统计结果。例如，谷歌的PaLM模型仅接收少量孟加拉语提示即可流利翻译孟加拉语。这一现象最初被描述为AI的“自我学习”能力，但后续分析显示，模型的训练数据中已包含孟加拉语元素，更像是基于现有模式进行强力概括，而非从零开始的奇迹。
专家指出，当模型参数数量达到数十亿时，系统会突然展现出抽象推理和跨语言翻译等能力。这些技能并非被明确编程，而是从训练数据片段中隐含地显现出来。然而，这一飞跃也带来了不确定性：人工智能可能朝有利的方向创新，但也可能带来不可预测的风险。
黑箱行动：人类理解的盲点
人工智能系统的内部逻辑常被比作“黑匣子”，即使是开发者也难以完全解释他们的决策过程。谷歌高管承认，他们可以观察人工智能行为并进行测试，但无法精确追踪每个“神经元”的作用，就像人脑的运作方式一样。我们理解大脑的基本原理，但不知道为什么特定神经元会在特定时刻被激活。
这一黑箱特性引发了广泛关注：当为数百万用户部署人工智能系统时，如果我们无法彻底理解其机制，如何保障安全？业内人士强调，人工智能的“智能”本质上是统计模式匹配，而非真正的“意识”。然而，当模型规模扩大时，这种不透明性可能会放大潜在问题，如误导性输出或意外行为。
谷歌案例研究：炒作还是真正的威胁？
聚焦谷歌事件：PaLM的孟加拉语翻译能力曾被宣传为“自适应自学”，但技术论文显示其780亿个令牌多语言训练数据中已包含孟加拉语及100多种其他语言。这并非“未知语言的自学”，而是由提示驱动的高效泛化。尽管如此，这一能力依然令人惊叹，凸显了人工智能在大规模数据上的潜力。
然而，也有观点认为此类报告可能被夸大。人工智能并非“失控的天网”，而是一种依赖数据训练的工具。谷歌的透明声明被视为明智之举：承认未知界限有助于促进行业对人工智能风险的讨论，而非盲目部署“黑匣子”系统。
未来展望：机遇与挑战共存
人工智能新兴能力的崛起标志着一场技术革命，同时也是一个警示。投资者需要警惕加速AI进程可能带来的社会影响，如就业变化或伦理困境。AIbase认为，加强AI可解释性研究是关键路径，例如通过绘制人工神经网络与生物神经网络之间的对称性，构建更透明的混合模型。
