近日,由知名企业家陈天桥与清华大学教授代季峰联合发起的科研团队MiroMind正式发布其自研搜索智能体模型MiroThinker 1.5。
该模型在多个国际基准测试中跻身全球第一梯队,引发业界对人工智能发展路径的新一轮讨论。
在当前人工智能领域,扩大模型参数规模一度被视为提升性能的主要途径。
然而,随着模型规模突破万亿级参数,边际效益递减、训练成本激增等问题日益凸显。
业界开始反思:智能的提升是否必然依赖参数规模的无限扩张? MiroMind团队给出的答案是否定的。
其发布的MiroThinker 1.5模型仅采用300亿参数,约为部分主流大型模型的三十分之一,却在关键评测集中实现性能超越。
更值得关注的是,该模型单次调用成本仅为0.07美元,是同类万亿参数模型的二十分之一,且推理速度更快。
这一突破打破了"参数规模决定性能上限"的传统认知。
技术创新的核心在于理念转变。
MiroMind团队提出"发现式智能"概念,认为真正的智能不应依赖对海量数据的记忆,而应具备主动探索、查证和修正的能力。
团队将这一理念具象化为"交互式扩展"机制:模型在遇到不确定问题时,不是基于概率分布给出猜测性答案,而是启动类似科学研究的验证流程——提出假设、调用外部工具查证、发现矛盾后修正假设、再次验证,直至证据收敛得出可靠结论。
这种机制的实践意义在于从根本上降低了模型产生错误信息的概率。
传统大模型试图将全人类知识储存于参数之中,但在面对专业领域未知问题时,常因训练数据的局限性或噪声干扰而产生"幻觉"——输出看似合理实则错误的内容。
而MiroThinker 1.5通过引入外部信息交互,将智能增长空间从内部参数拓展至外部世界,使模型具备了动态获取、验证信息的能力。
从技术路径看,MiroMind团队认为,以扩大模型内部参数为核心的传统扩展法则已触及瓶颈。
未来性能提升的关键在于从内部参数扩张转向外部信息交互,这代表了人工智能发展的第三个可扩展维度。
该团队在此前版本中已系统性提出这一理论,并通过实践验证:随着工具交互频率与深度的提升,模型的研究式推理能力呈现稳定增长。
业界专家指出,这一探索具有多重价值。
从经济角度看,在保证性能的前提下大幅降低成本,有助于人工智能技术的普及应用,让更多中小企业和科研机构能够负担得起高性能模型服务。
从技术角度看,通过优化算法而非单纯堆砌算力实现性能突破,为资源有限但创新能力强的团队提供了发展空间。
从应用角度看,具备主动查证能力的模型在医疗、法律、科研等对准确性要求极高的领域具有更广阔的应用前景。
值得注意的是,MiroMind团队此前在全球预测平台FutureX的表现也印证了其技术实力。
团队通过成功预测一系列事件,连续登顶全球榜首,显示出其模型在处理不确定性信息方面的优势。
这种将预测能力从少数专家的特权转化为可规模化应用的技术能力,正是发现式智能理念的生动体现。
当前,全球人工智能竞争日趋激烈,各国都在探索通用人工智能的实现路径。
中国科研团队提出的"发现式智能"理念,强调在不确定性中逼近真相的能力,为这一探索提供了新的视角。
这种不盲目追求参数规模,而注重智能本质的研发思路,体现了中国科技工作者的创新自信。
当全球AI竞赛陷入参数军备竞赛的困局时，这项研究以"少即是多"的哲学智慧开辟了新航道。
它提醒我们：真正的技术革命，往往不在于资源的简单叠加，而在于认知范式的根本转变。
在追求智能极限的道路上，人类或许更需要向科学方法论而非计算规模寻求答案。