论文提出以领域专用超级智能替代单体大模型扩展路径。
资讯摘要
一篇论文提出生成式AI的替代发展路径。作者认为，单体大模型持续扩展正遭遇电网故障、水资源消耗与数据扩展收益递减等物理约束，且当前大模型仅在数学、编程等具备严格既有抽象结构的领域表现出真正的推理深度。论文主张先构建知识图谱、本体与形式逻辑等显式符号抽象，支撑合成课程，使小模型掌握领域推理，并设想由编排智能体将任务路由至不同领域专用超级智能（DSS）后端的模型社会。
要点速读
- 论文指出推理模型使单次查询算力成本成倍上升，能耗重心从一次性训练转向持续推理。
- 作者认为当前大模型在数学和编程之外泛化不佳，可能源于训练数据抽象不足。
- 论文提出先构建知识图谱、本体和形式逻辑等符号抽象，再让小型语言模型学习领域推理，并设想由编排智能体调度多个DSS模型的生态。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/5 08:00:38（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。