作者是南洋理工大学国立教育学院高级教育研究科学家
此外，文章忽视AI已经做到或极具潜能做到的部分。不同AI技术在多个实用领域中的突破性应用，已初现强大的专业价值。例如，在医疗领域，AI辅助诊断已大幅提高癌症筛查的精准度，还能预测疾病发展趋势。在教育领域，AI个性化学习平台让资源（包括师资）匮乏的偏乡学子，也能享受优质的学习支持。在科学研究中，AI加速新材料和新药的发现，减少实验周期和研发成本。这些实际应用，远比文章所言的“仅仅优化工作流程”更具实用价值。
其次，新的AI架构正在突破传统LLM的限制。例如，MoE（混合专家模型；DeepSeek沿用的技术之一）让AI更能高效分配计算资源，在处理不同任务时更具针对性；强化学习优化模型的交互性，使AI更符合人类的沟通习惯。此外，未来的AI很可能会结合知识图谱、因果推理、认知计算等多种技术，进一步提高智能水平。
《联合早报》2月28日言论版的《反常识的人工智能“奥德赛”》一文，作者马军提出一些值得深思的观点――AI的进展不应被市场炒作或技术乐观主义夸大，尤其它至今对某些科学难题还是“搞不定”。的确，科技的进步常常伴随着过度宣传，AI也如是。审慎看待AI的能力边界，警惕盲目神化――应该的！
首先，AI仍在快速进化。从GPT-3到GPT-4.5，再到最新的DeepSeek、Claude 3、Gemini等模型，短短两年多，AI的逻辑推理能力、上下文理解能力、数学和编码能力都取得显著提升。此外，跨模态（multimodal）AI的兴起，使得模型不仅能处理文本，还能理解图像、语音、视频，甚至进行更复杂的推理。
但别以为AI只有生成式AI一种技术。AI在数理领域的进步不容忽视。例如，早在上世纪八九十年代，已有不同研究团队利用早期的AI技术，证明好些困扰数学界百余年的定理或猜想，尽管不包括文章提及的23个难题。2020年，DeepMind的AlphaFold破解困扰生物学界半个世纪的蛋白质折叠问题；而Minerva等AI系统在数学竞赛中的表现，已接近甚至超过人类顶尖选手——这些都不依赖飞入寻常百姓家的生成式AI，而是外行人较陌生的专门技术。要AI攻克更高深的世纪数学难题，需要的是针对性优化，非不能也。
文章强调，AI至今无法解决1900年提出的23个数学难题，未能在真正的智能上实现突破。个中逻辑：AI必须能解开百年未解之谜，否则趁早“告老还乡”？然而，这种标准是否合理？
文章最后提出，当前LLM的技术发展已进入瓶颈，难以变得更聪明。这似乎低估AI技术的未来潜力。实际上，在1990年代第二个AI寒冬时，连顶尖业内专家也难以预见今天生成式AI的爆炸性发展。
AI的发展仍充满不确定性，可它不会停下脚步；未来未必如科幻所描绘，但精彩可期。当然，AI如电力、汽车、互联网当初席卷全球之时一样，也同时衍生新问题、新挑战；如步入青春期的少年，潜力无限但也有成长的烦恼。
不过，文章通篇报忧不报喜，仅罗列AI尚未解决的难题，却对AI已经带来的变革轻描淡写；好比盯着一棵树上的几片黄叶，硬说整棵树正在枯萎，只怕令读者误解，认为AI的发展面临停滞，甚至无法兑现它曾经承诺的变革。
当然，AI对传统工作的影响值得关注。部分低端重复性工作可能被取代，但这并非历史上的新现象——从工业革命到互联网时代，技术进步总会引发职业结构调整。与其膝盖反应式地抱怨AI抢了谁的饭碗、抵制变革，不如规划（这事AI也帮得上忙！）如何帮助劳动者提升技能，使他们适应新的经济环境。从更高层次来看，政府和企业应实现人力和机器分工及配置的重新优化。
文章的核心观点是AI未能满足部分人的期待，因此它的影响被夸大。然而，科技的发展并非一蹴而就，而是一个不断积累、突破的过程。历史上，哪一次技术革命没经历类似争论？19世纪末，许多人质疑电力的普及价值，认为“煤油灯足矣”；20世纪初，汽车被批评为“不如马车可靠”；互联网初出茅庐时，批评者说它不过是个“昂贵的图书馆”。如今，我们在AI面前再次面临类似的认知误区。
实际上，生成式AI并不是专门为数学难题设计的。如当前的大语言模型（LLM）更偏向语言理解、知识整合和推理任务，而非专门用于攻克世纪数学难题。数学计算和编码更像是“顺便”加入的能力，而非核心优势。
对传统工作影响值得关注
文章以奥德赛的典故，比喻“扬帆远航”的AI发展可能迷失方向，“回不了家”。我且重塑奥德赛的叙事：真正的“AI奥德赛”远未结束。我们当承认它“少年以上，成年未满”，但别太早看衰它永远长不大。AI的发展仍充满不确定性，可它不会停下脚步；未来未必如科幻所描绘，但精彩可期。当然，AI如电力、汽车、互联网当初席卷全球之时一样，也同时衍生新问题、新挑战；如步入青春期的少年，潜力无限但也有成长的烦恼。
