人工智能中的开放/封闭问题

一句话看懂： 在最近的MLSys会议上，AI硬件正在从为通用计算设计的可编程GPU，走向为推理和训练专门化的专用芯片。这种“硬化”趋势，可能正在固化当前“只推理、不学习”的开放循环范式，让更接近生物大脑、能持续自我更新的封闭循环学习，在硅片层面变得越来越不可行。

事件核心：发生了什么

第九届MLSys会议在华盛顿州西雅图举行。参会者大多来自研发和部署机器学习系统的研究与产业界。会议传递的最强信号是效率：如何更高效地训练大语言模型（LLM）、如何更高效地部署和推理。然而，一位参会者在梳理会议主题时，发现了一个隐藏的 “开放/封闭” 循环问题。就像90年代图形处理从CPU（开放）走向固定管线GPU（封闭），又走向可编程GPU（开放）一样，现在硬件厂商正开始将芯片固化，专门用于推理或训练。例如，设计并流片专门用于推理的ASIC，或者为训练优化但牺牲了灵活性的芯片。这些芯片在设计上默认模型参数是“冻结”的，内存和计算分离以最大化批处理矩阵运算的效率——这是一个为“开放循环”系统优化的设计。

所谓“开放循环”，指的是当前的AI模型（如LLM）本质上不学习。其训练需要外部的数据、损失函数和反向传播过程；一旦部署，模型的参数就不再更新。智能体（Agent）通过外部工具调用（如修改markdown文件或数据库）来模拟“学习”，但效率低下。而人脑采用的是“封闭循环”：大脑本身就是模型，通过预测并对比感官反馈来进行自我更新，没有外部训练过程。

这位参会者指出，与会者都在欢呼如何让开放循环更高效——优化GPU内核、改进训练架构、设计专用ASIC。但鲜有人讨论如何让模型本身实现封闭循环学习，即模型在部署后无需外部干预，即能自动根据新知识更新自己。

为什么重要

这一观察对AI行业的技术路线与长期发展有深远意义。当前整个算力生态——从芯片设计到训练框架再到推理优化——正在被“开放循环”假设所固化。每一代新的推理专用芯片，其物理设计都默认权重不会变、内存只读。这种硬件“硬化”不仅没有帮助封闭循环学习，反而主动排斥了它：封闭循环需要权重不断微调、内存与计算融合以实现参数原地重写。历史表明，固定管线GPU在加速图形的同时，也压抑了十年间非多边形渲染等创意实验。如果当前趋势不变，AI行业可能正在重蹈覆辙——用效率优化把自己锁死在单一的范式里，并且几乎无人意识到。

目前公开信息显示，Nvidia等公司并未就此发表评论，但行业对推理专用芯片（如Groq的LPU、苹果的神经网络引擎）的投资热情正在增加。

对用户/开发者/创作者的影响

对开发者： 若封闭循环学习得以实现，Agent将不再需要外挂数据库或手动写提示词来“记忆”，模型可自动从与用户的对话中学习并更新行为。但当前硬件限制了这种可能，开发者唯一的选择是继续在开放循环框架内堆砌工具链。

AI 工具推荐

想把多个 AI 模型放在一个入口？

GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。

了解 GamsGo AI

推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。

对创作者： 当前模型“一次训练、永久冻结”的特质意味着创作者无法期待模型能基于使用环境动态进化。例如，一个AI绘画助手无法在多次交互后自动理解创作者的个人风格偏好。

对普通用户： 专用化硬件可能降低AI推理成本和使用门槛，让对话更快更省电，但代价是模型永远不会从对话中“变聪明”。单次交互体验可能提升，长期使用中的“适应性”可能被牺牲。

值得关注的后续

硬件厂商的路线分歧： Nvidia是否会推出同时支持训练与封闭循环学习的通用架构建议？还是继续推进专用芯片策略？
封闭循环研究的突破： 是否有机构或团队（如OpenAI、DeepMind、UC Berkeley等）在会议外展示或预发布封闭循环学习的原型，例如参数可原地微调的芯片架构或训练算法？
开发者生态的反应： 目前公开信息显示，LlamaIndex和LangChain等Agent框架是否会发表评论或调整其“外部记忆”策略？市场是否需要等待封闭循环硬件成熟才能出现真正的自我进化AI？

来源：blog.mempko.com

人工智能中的开放/封闭问题