← 首页 / AI 热点日报 / 话题 № like · general
Like 别名
首次出现 2026-05-22
最近出现 2026-07-26
累计提及 280 § 01 综述
Like，即“相似”或“类比”，在人工智能中常指模型通过比较和映射来理解新事物的能力，是当前AI研究中的一个重要方向。近期多项研究围绕AI如何“像人类一样”推理和学习展开，揭示了从生成式编程到模型间预测的广泛进展。
Like 在AI推理与生成中的近期进展
2025年7月，arXiv cs.AI 发表于预印本《生成式编译：在AI生成代码时通过编译器即时反馈》，提出一种利用编译器反馈让AI生成代码“像”程序员一样迭代修正的方法。该方法通过即时编译错误信息引导生成，显著提升代码正确率，代表了AI在代码生成中对人类 debug 行为的类比学习。
2025年7月，斯坦福 AI 实验室在X平台发布研究《LLMs预测其他模型优于预测事实，共同错误时投票无效》，发现大语言模型在预测其他模型的输出时表现优于直接预测事实，但当多个模型犯相同的错误时，投票机制失效。这表明模型间存在“志趣相投”式的相似性，理解这种Like关系对模型集成至关重要。
2025年7月，Ethan Mollick 在X平台介绍《Fable 用一个提示词生成让你假装象棋大师的游戏》，该应用通过单一提示词生成一套棋盘，让用户模仿大师走法。这种“像大师一样下棋”的机制，实质是利用AI进行角色风格的类比迁移，是Like概念在交互游戏中的落地。
2025年7月，arXiv cs.AI 发表《Mind the Sim-to-Real Gap & Think Like a Scientist》，探讨模拟环境（Sim）与真实世界（Real）的差距，并呼吁AI系统应“像科学家一样思考”，即通过假设生成和实验验证来弥合差距。该研究将Like提升为AI认知范式。
当前焦点与观察点
当前AI中的Like概念聚焦于三个层面：一是能力类比，如生成式编译器让AI像程序员一样纠错；二是关系预测，如LLMs学会“懂”其他模型的意图；三是角色模拟，如Fable让用户像大师一样游戏。然而，共同错误时的投票失效揭示了类比学习的脆弱性：当模型间学习到的Like特征过于一致时，反而降低多样性。未来，如何在保持类比能力的同时引入鲁棒性，以及如何像科学家一样设计验证实验，将是Like研究的核心挑战。