AI 沒書可讀之後，兩個 AI 教父賭上了相反未來

## AI 沒書可讀之後，兩個 AI 教父賭上了相反未來

隨著大型語言模型（LLM）的訓練資料逐漸觸及網路文字的極限，學術界與業界開始正視一個嚴峻的問題：高品質的文本資料即將「枯竭」。過去幾年，AI 的爆發式成長仰賴大量人類書寫的內容做為養分，但當「書」被讀完之後，下一階段的進化該往哪走？兩位被譽為「AI 教父」的學者，近期提出了截然不同的解答，彷彿在賭局中押上了各自的學術信譽與產業影響力。

### 重點整理：兩條截然不同的道路

一方陣營主張，未來 AI 必須學會「自己生產資料」，也就是利用合成資料（synthetic data）或自我對戰（self-play）的方式，讓模型在封閉迴圈中持續迭代。這條路線背後的邏輯是：人類的知識總量有限，與其等待更多真實文本，不如讓 AI 像 AlphaGo 一樣，在虛擬環境中不斷自我博弈，從而突破瓶頸。另一方則堅決反對這種「閉門造車」的策略，認為合成資料最終會導致模型陷入「模式崩壞」或「自我複製」的惡性循環，真正的出路應該是讓 AI 學會理解物理世界，建立「世界模型」（world model），從真實環境中獲取回饋與常識。

### 背景脈絡：Scaling Law 的紅利正在遞減

過去五年，AI 領域奉行「規模定律」（Scaling Law）：模型越大、資料越多、算力越強，能力就越強。但這個定律正面臨嚴峻挑戰。根據業界估算，網路上可用的英文高品質語料庫（如維基百科、書籍、學術論文）已經被模型反覆訓練多次，再增加資料量也難以帶來同等幅度的進步。加上版權爭議與數據隱私問題日益嚴峻，許多內容平台開始限制爬取，使得「沒書可讀」不再只是比喻，而是真實的技術天花板。這正是兩位教父賭局發生的直接誘因。

### 可能影響：AI 發展的兩極化與產業風險

如果第一條路線（合成資料與自我博弈）成功，我們可能看到更小、更高效的模型在特定任務上超越人類，例如數學證明、程式碼生成或棋類遊戲。但風險在於，模型若長期只接觸自己生成的資料，容易產生「集體幻覺」，偏離真實世界的因果邏輯。反之，若第二條路線（世界模型）成為主流，AI 將不再只是「文字接龍」，而是具備物理直覺與推理能力的系統，這將徹底改變機器人、自駕車與科學模擬等領域。但這條路需要更長的研發週期，且對算力與感測器有極高要求，短期內難以商業化。

### 讀者可關注的後續：關鍵指標與動向

對於關注產業動態的讀者來說，有幾個具體方向值得追蹤。首先，各大 AI 實驗室是否開始大量發表合成資料相關論文，或是轉向多模態、物理模擬的架構創新。其次，觀察 OpenAI、DeepMind 與 Google 等公司下一代模型的技術報告，如果它們公開表示模型在「真實世界互動測試」中的表現優於純文字訓練，那可能象徵世界模型路線的勝利。另外，學術會議如 NeurIPS 與 ICML 上的最佳論文獎，往往會透露業界的風向。這場賭局不會在短期內分出勝負，但它決定了未來五年 AI 將是更聰明的「文字工匠」，還是能夠理解物理世界的「智慧體」。