当下人工智能大模型正面临一个棘手的技术困境：同一个问题换种说法最专业的股票配资公司，模型给出的答案质量可能天差地别。
这个被称为"分裂大脑"（split-brain）的问题，暴露了AI模型对提问方式的过度敏感——如果模型认为用户在问一个"高级"问题，它会给出"聪明"的答案；如果它判断这是个"简单"问题，答案质量就会相应下降。
据The Information最新报道，OpenAI等机构的研究人员称，这一问题通常出现在模型训练的后期阶段，当模型为学习特定领域知识或改善对话风格而接受精选数据训练时。一个典型场景是：同样的数学问题用正式的证明语言提问时，模型通常能正确作答；但若用随意的口语化表达，模型可能误以为进入了需要友好回应的场景，转而牺牲准确性来换取格式美观或表情符号。
这一问题凸显了当今AI模型的根本局限：它们并未像人类那样真正理解世界如何运作。部分专家认为，这意味着模型缺乏泛化能力，无法处理训练材料之外的任务。这对投资者而言并非小事——各大实验室正获得数百亿美元投资，目标是让模型在医学、数学等领域做出新发现。
这也并非人们对即将自动化各行业工作的AI所期待的表现。人类固然会误解问题，但使用AI自动化工作的初衷，不正是要克服这些人类缺陷吗？
训练困境：修复漏洞引发新问题开发新的人工智能模型有时像是在玩"打地鼠"游戏：修复模型对某些问题的错误答案，可能导致它对其他问题给出错误回答。
"分裂大脑"问题往往在模型开发的后期训练阶段浮现。在这一阶段，模型会接受精选数据集的训练，目的是学习医学或法律等特定领域知识，或学习如何更好地回应聊天机器人用户。例如，模型可能先在数学问题数据集上训练以提高答题准确性，随后在另一个数据集上训练以改善回答问题时的个性、语气和格式。
但这一过程可能无意中教会模型根据它认为自己遇到的场景——具体的数学问题还是更宽泛的一般性问题——来区别对待提问。这种过度敏感不仅体现在问题措辞上，即使是使用破折号还是冒号这类本应无关紧要的差异，都可能影响模型回答的质量。
"见人下菜"的本质原因简而言之，如果模型认为提问者在问一个"愚蠢"的问题，它会给出"愚蠢"的答案；如果它认为这是个"聪明"的问题，就会给出"聪明"的答案。
这一问题揭示了模型训练的复杂性和微妙之处，尤其是确保模型在恰当的数据组合上训练。这也解释了为何每家AI开发商都在向数学、编程、法律等领域的专家支付数十亿美元，让他们生成训练数据，以确保模型在这些领域的专家用户在ChatGPT等平台提问时不会继续犯简单错误。
这一现象也突显了当今模型的核心局限：它们没有像人类那样发展出对世界运作方式的理解。部分专家认为，这意味着模型无法泛化，无法处理其训练材料之外的特定任务。考虑到投资者正向OpenAI和Anthropic等实验室投入数百亿美元，期待它们训练出能在医学和数学等领域做出新发现的模型最专业的股票配资公司，这可能是个大问题。
风险提示及免责条款 市场有风险，投资需谨慎。本文不构成个人投资建议，也未考虑到个别用户特殊的投资目标、财务状况或需要。用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。展博优配提示：文章来自网络，不代表本站观点。
