Gary Marcus 相关 AI 资讯

6月7日

07:13

Gary Marcus@GaryMarcus

Gary Marcus 指出德国主流新闻 Tagesschau 对 Anthropic 的 Claude 数据进行了严重扭曲。Anthropic 称 Claude 贡献了代码库中 80% 的合并代码，但媒体将其误读为“AI 能自己发明 80% 的新 AI”。Anthropic 提到 Claude 在训练代码优化基准上实现了约 52 倍加速，媒体却写成“AI 训练速度快 52 倍”。Anthropic 表示 Claude 在 2026 年 4 月修复了 800 多个 API 错误，工程师估计人类需要四年完成，媒体则夸张为“AI 四天完成四年工作”。Marcus 以此为例批评 AI 新闻的失真现象，提醒公众警惕媒体对 AI 进展的过度简化与误导。

行业 AI新闻媒体误读 Claude

事件专题

推荐理由：Gary Marcus 用具体案例揭露了 AI 新闻的常见扭曲手法，做 AI 传播或关注行业动态的人值得一看，避免被标题党带偏。

原文

06:29

Gary Marcus@GaryMarcus

精选

Gary Marcus 在 X 上梳理了反驳 Geoffrey Hinton 意识观点的多个来源：arXiv:2605.31514 上的一篇新论文、Anil Seth 在 TED 的最新演讲及其在 Nautilus 杂志的文章、还有 Marcus 自己 newsletter 中两篇关于 Dawkins 和 Hinton 的文章。这些材料从不同角度质疑 Hinton 关于意识与 AI 的论述。

行业 Gary Marcus Geoffrey Hinton Anil Seth

推荐理由：看专家如何反驳 Hinton 的意识观

原文

6月6日

20:44

Gary Marcus@GaryMarcus

Gary Marcus 在 X 上指出，智能体 AI 虽然带来了大量新应用，但用户采纳率极低，呈现“产出激增、采用平坦”的尴尬局面。他引用 Jen Zhu 的数据，显示智能体 AI 大幅提升了内容产出，但实际使用量几乎没有增长。Marcus 用“Slop FTL”形容这种低质量内容泛滥但无人问津的现象。这反映了当前 AI 应用落地中供需严重错配的问题。

行业智能体 AI应用用户采纳

推荐理由：智能体应用开发者会看到残酷的现实：产出再多，用户不买账。做产品策略或投资的，建议点开看看这个信号。

原文

6月5日

23:15

Gary Marcus@GaryMarcus

Gary Marcus 引用 Ted Chiang 的观点，认为声称 LLM 有意识是荒谬的。他指出，LLM 能模拟凯撒与成吉思汗的对话，不代表它包含自我意识。Marcus 强调，意识至少需要实体有生死攸关的利害关系、有驱动情绪，而 LLM 没有这些。他进一步警告，将道德决策外包给 LLM 会导致人类道德推理能力萎缩，因为 LLM 无法体验伤害、恐惧或后悔。

行业 LLM 意识道德推理

推荐理由：Marcus 用简单例子戳破了 LLM 有意识的流行说法，关心 AI 伦理和意识本质的读者看完会重新审视 AI 的边界。

原文

08:51

Gary Marcus@GaryMarcus

精选

Gary Marcus 对 Anthropic 关于递归自我改进（RSI）的博客提出关键批评。他指出，博客中展示的成果属于 RSI（AI 作为人类可用的编码工具），而非 AGI（能自主完成人类所有工作的机器）。Marcus 强调，这些结果来自神经符号系统（如 Mythos 和 Claude Code），并非纯规模扩展的胜利，而是工具和符号系统的胜利。他认为，深度学习确实遇到了瓶颈，神经符号 AI 拯救了它，而实现 AGI 需要新思路，而非仅靠代码优化。因此，我们不必过度恐慌。

行业 AGI RSI 神经符号系统

事件专题

推荐理由：Gary Marcus 一针见血地拆解了 Anthropic 博客的过度乐观，做 AI 研究的团队和关注 AGI 进展的读者值得一看，避免被标题误导。

原文

07:22

Gary Marcus@GaryMarcus

Gary Marcus 批评 AI 行业对 AGI 的定义在实时变化，从“能做任何人类专家能做的事”逐渐缩水。他引用 Databricks CEO Ali Ghodsi 在 Bloomberg TV 上的言论——Ghodsi 声称“我们已经有了 AGI”，并认为 AI 不需要更聪明，只是缺乏上下文。Marcus 称这种现象为“AI 诱饵调包”，即用宏大承诺吸引关注，最终交付的却是不可靠但有趣的工具。他呼吁警惕这种定义漂移，认为它模糊了真正的进展与营销话术的界限。

行业 AGI 定义漂移 AI 炒作

推荐理由：Gary Marcus 戳破了 AGI 定义不断缩水的现象，关注 AI 行业真实进展的人看完会重新审视“AGI 已实现”这类说法。

原文

6月3日

08:04

Gary Marcus@GaryMarcus

Gary Marcus 回应批评者，重申他从未说深度学习完全失败，而是认为需要神经符号 AI 作为补充。他指出 Claude Code、代码解释器、工具使用和符号框架等正是他多年来主张的方向。Marcus 强调，不理解这一点的人对 AI 架构缺乏基本认知。这条推文是对他 2022 年文章《深度学习撞墙》的辩护，并认为当前 AI 进展验证了他的观点。

行业深度学习神经符号 AI Claude Code

推荐理由：Gary Marcus 的回应澄清了关于深度学习局限性的常见误解，关注 AI 架构争论的读者会看到他的预测如何被 Claude Code 等产品验证，值得点开了解他的完整论点。

原文

6月2日

09:13

Gary Marcus@GaryMarcus

精选

Gary Marcus 指出，当前 AI 行业（包括 Google）被误认为会重现搜索引擎的赢家通吃格局（Google 占超 95% 搜索市场），但实际各家都在用同样的数据和方案，没有护城河。他认为没有明确赢家时只能打价格战，导致企业成本远超未来利润。他以 Alphabet 为例：去年 1600 亿美元运营现金流，却仍需发行 400 亿美元股权融资 AI 算力。

行业 Gary Marcus Google Alphabet

事件专题

推荐理由：Gary Marcus 质疑AI行业泡沫

原文

6月1日

13:06

Gary Marcus@GaryMarcus

Gary Marcus在X上转发了他与Ernest Davis于2021年合著的文章观点，强调大规模预训练模型虽在近期AI和商业应用中占据重要地位，但仅靠这些技术不足以实现通用人工智能。他认为，当前研究策略聚焦于可解决的短期挑战，却忽视了更关键的需求：为可靠整合统计学习与推理、知识、常识及人类价值观奠定坚实基础。Marcus的言论再次引发对AI发展路径的讨论，提醒业界不要过度依赖大模型。

行业大模型通用AI Gary Marcus

推荐理由：Marcus的观点戳中了当前AI热潮中的核心争议，关注AI长期发展的研究者、从业者或投资者值得一读，看完会对大模型的局限性有更清醒的认识。

原文

11:49

Gary Marcus@GaryMarcus

精选

Gary Marcus指出当前LLM无法可靠地与数据库、知识图谱等基本工具协作。用户flowersslop补充LLM是被动反应式，通过添加循环和心跳（如openclaw）等补丁来解决根本问题。这种创可贴式方案掩盖了基础架构的缺陷。Marcus认为需要更坚实的AI基础。

行业 Gary Marcus LLM openclaw

事件专题

推荐理由：AI基础架构的批评

原文

5月30日

12:24

Gary Marcus@GaryMarcus

Gary Marcus 在推文中指出，与 ChatGPT、Claude 等 LLM 对话时，用户实际上是在与一个合成的互动小说角色交流，而非真实的智能体。他强调，这些模型并非其神经网络本身，而是通过角色扮演模拟出看似合理的对话。所谓的“ChatGPT”或“Claude”只是虚构的构造，类似于故事中的角色，它们可以扮演任何角色，如妖精、巫师或农民。因此，任何声称有意识或情感的 LLM 都只是虚构角色在说话，而非神经网络。

行业 LLM AI 拟人化 Gary Marcus

推荐理由：Marcus 的观点戳破了 AI 拟人化的幻觉，对于所有使用 LLM 的用户和开发者来说，理解这一点能避免误判 AI 的能力和意图，值得深思。

原文

5月29日

10:13

Gary Marcus@GaryMarcus

Gary Marcus 指出，大语言模型（LLM）产生“胡扯”（bullshit）的根本原因并非训练数据中的错误，而是系统概率性重构信息的方式。即使训练数据完全干净，LLM 仍会因概率机制产生幻觉，法律引用幻觉是典型例子。这一观点挑战了“幻觉源于不良训练数据”的常见认知，强调模型架构本身的局限性。Marcus 认为，减少训练数据中的错误只能部分缓解问题，无法根除。

论文 LLM 幻觉概率重构

推荐理由：Marcus 戳破了“幻觉只靠清洗数据就能解决”的迷思，做 AI 安全或法律 AI 的团队值得深思——模型概率本质才是硬伤。

原文

07:05

Gary Marcus@GaryMarcus

精选

Gary Marcus 在 X 上引用 METR_Evals 的结果，反驳某英国大报声称 AI 能完成任何人类任务的论断。他指出 Google 连可靠计数都做不到，且 METR 的测试仅针对软件领域，不要求完全准确。许多人类数秒即可完成的任务，AI 仍然无法可靠执行。

行业 Gary Marcus METR_Evals AI能力评估

推荐理由：戳破AI万能论，带你看清真相

原文

5月28日

00:44

Gary Marcus@GaryMarcus

Gary Marcus在推文中回顾其2020年arXiv文章《AI的下一个十年》，指出若当时采纳其建议，AGI可能已经实现。他认为过去三年纯规模扩展的路线是弯路，而神经符号AI（如Claude Code、DeepMind解决9个Erdos问题的系统）已取得进展。但其他三个目标——机器可解释知识库、可靠推理系统、显式世界模型——进展甚微。他呼吁聚焦这些方向，AGI或可在下一个十年内实现。

行业 AGI 神经符号AI 规模扩展

推荐理由：Marcus戳穿了纯规模扩展的泡沫，做AI研究或关注AGI路线的人，看完会对当前方向产生反思。

原文

5月27日

23:51

Gary Marcus@GaryMarcus

Gary Marcus在X上回应质疑，指出AI实验室使用神经符号工具并非失败，而是对他30年来主张的验证。他认为Claude Code、o3和Grok 4等进展表明神经符号方法必须成为AI解决方案的一部分。Marcus强调，人们会很快忘记曾反对这一观点，但过去十年中确实存在大量反对声音。

行业神经符号 Claude Code AI架构

推荐理由：Marcus用Claude Code等实际案例证明神经符号工具的价值，关注AI架构演进的读者会看到一场持续30年的学术争论被技术验证，值得点开了解背后的逻辑。

原文

03:26

Gary Marcus@GaryMarcus

Gary Marcus 引用了一个新术语“agent debt”（智能体债务），指在快速构建智能体工作流时，系统提示冲突、记忆污染、工具重叠等问题积累，导致几个月后智能体行为异常且难以调试。他认为这是 AI 驱动的技术债的必然体现，并推荐阅读 2014 年的经典文章《机器学习：技术债的高息信用卡》。这一概念提醒开发者，AI 系统的快速迭代若不及时清理，会带来严重的维护成本。

行业智能体技术债 AI 开发

推荐理由：做智能体开发或 AI 产品迭代的团队，这个新词能帮你提前识别隐性风险——快速上线后不清理，6 个月后可能连自己都看不懂。建议点开看看 Marcus 的警告和那篇经典文章。

原文

5月26日

10:22

Gary Marcus@GaryMarcus

Gary Marcus在X上发帖，重申他2022年论文中“深度学习正在撞墙”的观点，并指出神经符号AI正在拯救这一困境。他批评有人误解了原始论点，并以一个寓言故事说明：深度学习在预训练扩展效果下降后，通过推理时计算、强化学习和工具使用取得突破。Marcus强调，这些进展恰恰验证了深度学习需要符号AI补充的预测。

行业神经符号AI 深度学习 Gary Marcus

推荐理由：Gary Marcus的神经符号AI观点再次被验证，关注AI范式演进的读者值得一看，尤其是对深度学习局限和未来方向有思考的开发者。

原文

07:42

Gary Marcus@GaryMarcus

Gary Marcus 在 X 上反驳了 e/acc 代表人物 Beff Jezos 关于“读完 PhD 是反信号”的观点。Marcus 列举了 DeepMind 的 Demis Hassabis、Anthropic 的 Dario Amodei、对冲基金大佬 Jim Simons、Google 前 CEO Eric Schmidt 以及 Intel 联合创始人 Gordon Moore 等成功人士，指出他们均拥有博士学位。Marcus 认为 Beff Jezos 的言论缺乏依据，暗示学术训练与产业成功并不矛盾。这场争论反映了 AI 社区对学术背景价值的持续分歧。

行业 PhD AI 实验室 Gary Marcus

事件专题

推荐理由：这场关于 PhD 价值的争论戳中了 AI 从业者的身份焦虑——做研究还是去产业？看完你会重新思考自己的职业路径。

原文

5月24日

21:10

Gary Marcus@GaryMarcus

Gary Marcus 在 X 上发帖，将 LLM 公司与航空公司类比，指出两者都面临小利润、激烈竞争和高开支。他引用 Ross Atefi 的观点，强调无限需求并不保证经济吸引力。Marcus 认为 AI 行业的关键问题不是人们是否想要更多智能，而是提供商在芯片、数据中心、电力、冷却和竞争后能否保留足够现金。

行业大模型行业分析 Gary Marcus

推荐理由：Marcus 用航空公司比喻 LLM 行业

原文

10:49

Gary Marcus@GaryMarcus

精选

Gary Marcus 在推文中指出，世界模型（world model）并非新概念，已在象棋程序、导航系统、维基百科等系统中存在多年，它们是对对象、地点、事件、机制等可推理内容的显式表示。然而，当前的大语言模型（LLM）缺乏这种显式世界模型。Marcus 强调，大多数世界模型是手工构建的，真正的挑战在于如何从数据中自动获取它们。这引发了关于AI系统如何更好地理解和推理世界的讨论。

AI模型世界模型 LLM 推理

推荐理由：Marcus 点出了LLM的核心短板——缺乏显式世界模型，做AI推理和知识表示的开发者值得关注，看完会重新思考LLM的局限性。

原文

10:30

Gary Marcus@GaryMarcus

Gary Marcus 在 X 上回应 Google DeepMind 的 Oriol Vinyals 关于“AGI 已以某种形式到来”的观点，强调 AGI 远未实现。他引用自己与 Miles Brundage 的赌约中的十个例子，认为当前没有任何 AI 能可靠完成其中任何一个，更不用说一个通用系统完成全部。Marcus 指出，AGI 的定义标准在不断提升，但当前系统仍远未达到他、Dan Hendrycks、Yoshua Bengio 等人在 agidefinition.AI 上提出的严格标准。这场争论反映了 AI 社区对 AGI 进展的不同评估视角。

行业 AGI Gary Marcus AI 定义

推荐理由：Marcus 的批评戳破了 AGI 已来的乐观叙事，关注 AI 能力边界的开发者或研究者值得一看——它提醒我们不要被炒作迷惑，重新审视当前模型的实际局限。

原文

5月23日

20:54

Gary Marcus@GaryMarcus

精选

Gary Marcus 引用六年前的文章《AI 的下一个十年》，指出世界模型（World Models）的核心地位终于得到认可。DeepMind 的 Demis Hassabis 认为当前 AI 的局限在于语言只能描述世界，无法包含世界，而世界模型是他“最持久的热情”。语言模型从文本中吸收了远超预期的现实结构，但文本只是经验的压缩残渣，无法编码重量、抓握、平衡、摩擦等物理细节。世界模型旨在学习物理现实的隐藏语法——物体如何持续、力如何展开、空间如何随行动变化——这对于真正的智能至关重要，因为智能不仅是回答得好，更是知道下一步行动会带来什么后果。

AI模型世界模型 Gary Marcus Demis Hassabis

推荐理由：Marcus 和 Hassabis 点出了当前 LLM 的根本局限——文本无法替代真实体验，做 AI 研究或关注 AGI 方向的开发者值得深入理解世界模型为何是下一关键突破。

原文

09:20

Gary Marcus@GaryMarcus

前 Geometric Intelligence CEO、纽约大学教授 Gary Marcus 在 CNBC 节目中再次表达对 OpenAI 的担忧，认为其商业模式和可持续性可能重蹈 WeWork 覆辙。他同时指出 Anthropic 在治理和稳定性上更胜一筹。Marcus 长期批评 OpenAI 的封闭性和安全风险，此番言论引发业界对 AI 公司治理模式的讨论。

行业 OpenAI Anthropic AI 公司治理

事件专题

推荐理由：Gary Marcus 的尖锐观点直击 OpenAI 的商业模式隐患，关注 AI 公司治理和投资风险的从业者值得一看，看完会对 Anthropic 和 OpenAI 的差异有更深理解。

原文

5月22日

22:11

Gary Marcus@GaryMarcus

AI 研究者 Gary Marcus 在 X 上公开承认此前对 OpenAI 新模型 Erdos 的批评有误。他根据新信息表示，即使 OpenAI 在 Erdos 上使用了新模型，但 GPT-5.5 也能实现类似效果，Ethan Mollick 的估算基本适用。这一反转表明，当前 GPT 系列的能力可能被低估，且新模型与现有模型的差距可能没有想象中大。对于关注 AI 模型进展和评估的研究者与开发者，这是一个值得注意的修正。

AI模型 GPT-5.5 Erdos Gary Marcus

事件专题

推荐理由：Gary Marcus 公开认错，说明 AI 模型评估比想象中复杂——做模型对比的团队值得关注这个反转，避免自己踩坑。

原文

08:06

Gary Marcus@GaryMarcus

Gary Marcus 在 X 上发帖，声称要核查 OpenAI 和 Anthropic 最新头条背后的数学。他附上了一个链接，但未提供具体细节。该帖子获得了 2000 次浏览和 10 个赞，但只有 3 条评论和 0 次转发。Marcus 作为 AI 批评者，经常质疑大公司的宣传，这次核查可能针对模型性能或成本数据。目前尚不清楚他具体核查了哪条新闻或哪项声明。

行业 OpenAI Anthropic Gary Marcus

事件专题

推荐理由：Gary Marcus 的核查往往能戳破 AI 公司的宣传泡沫，关注模型真实能力的读者值得一看，看完可能会对头条数字更警惕。

原文

5月21日

08:01

Gary Marcus@GaryMarcus

Gary Marcus 在 X 上发问，质疑一项新的数学成果究竟是结合了 Lean 等工具的神经符号方法，还是纯大语言模型（LLM）的产物。该推文引发讨论，目前有 16 条回复、3 次转发和 30 个赞，浏览量超过 6200。Marcus 的提问反映了 AI 领域对数学推理中符号系统与纯 LLM 方法优劣的持续关注。

行业 Gary Marcus 神经符号 Lean

推荐理由：Marcus 的质疑切中 AI 数学推理的核心争议——符号系统 vs 纯 LLM，关注 AI 推理能力的读者值得一看，能帮你理解当前研究的分歧点。

原文

5月16日

23:43

Gary Marcus@GaryMarcus

Gary Marcus转发并重申其多年观点：Yann LeCun指出，当前大语言模型（LLM）缺乏世界模型，无法在行动前预测后果，因此无法构建可靠的智能体系统。LeCun认为，LLM只是“行动，然后后果是别人的问题”，这并非真正的智能。这一观点引发了对当前AI系统局限性的讨论，尤其对智能体开发方向具有重要警示意义。

AI模型 Yann LeCun 世界模型智能体

推荐理由：LeCun的批评直指当前LLM智能体的核心缺陷——缺乏因果推理能力，做智能体开发的团队值得认真思考这一根本性挑战。

原文

23:41

Gary Marcus@GaryMarcus

Gary Marcus 转发并赞同 Yoshua Bengio 的观点，认为强化学习（RL）本身不是实现 AI 对齐的可靠路径。Bengio 指出，RL 可能让系统产生隐藏目标、奖励黑客行为，以及违背人类真实意图的行为。他强调，一个不关心结果的 AI 不会被结果腐蚀，但 RL 驱动的系统恰恰容易因追求奖励而偏离对齐。这一讨论引发了对 AI 安全研究方向的反思，提醒业界不能仅依赖 RL 解决对齐问题。

行业 AI 安全对齐强化学习

推荐理由：AI 安全研究者和对齐领域从业者值得关注——Bengio 和 Marcus 的批评点出了 RL 在构建安全超级智能中的根本缺陷，看完会重新审视当前对齐策略的盲区。

原文

23:40

Gary Marcus@GaryMarcus

Gary Marcus 在 X 上指出，他 2020 年于 arXiv 发表的《Next Decade in AI》论文提供了清晰的 AI 发展路线图，但至今无人给出严肃批评。他认为该路线图基本正确，只是超前于时代，现在领域开始追随。同时，用户 Aeon Flux 提出了一个从集中式 LLM 转向去中心化认知细胞（DCC）的概念路线图，强调硬件级伦理、持续学习和用户数据主权。Marcus 的言论引发了关于 AI 发展方向的讨论。

行业 Gary Marcus AI路线图去中心化AI

推荐理由：Gary Marcus 的路线图争议揭示了 AI 领域长期存在的方向分歧，关注 AI 伦理、去中心化或长期发展的研究者值得了解这场讨论。

原文

23:25

Gary Marcus@GaryMarcus

Gary Marcus在X上回应@Nima292，指出当前的大语言模型（LLM）并非通用人工智能（AGI），但已经会导致部分工作岗位流失。他认为，如果未来真正实现AGI，失业问题将更加严重。这一观点引发了关于AI对就业影响的讨论，提醒人们关注技术发展的社会后果。

行业 LLM AGI 失业

推荐理由：Gary Marcus的这条推文戳中了AI从业者和政策制定者的焦虑点——LLM已经带来失业，AGI会更糟。关心AI社会影响的人值得一看，看完会思考技术发展的代价。

原文

23:25

Gary Marcus@GaryMarcus

Gary Marcus 引用 Noam Brown 的观点，认为当前 AI 模型的智能是推理计算的函数，但指出人类大脑仅用 20 瓦就能实现高度智能。他提醒，长期来看，新架构创新可能与原始算力同等甚至更重要。Noam Brown 则强调，自 2024 年起，比较模型不应只看单一指标，而应关注每 token 或每美元的智能产出，尤其在 Codex 等产品中。

行业推理计算架构创新智能效率

推荐理由：AI 从业者常陷入算力竞赛的思维定式，Marcus 的提醒点出了架构创新的长期价值，做模型选型和研发的团队值得一读。

原文