摘要： 本文探讨了人工智能工具使用如何成为解决难题的替代品。文章指出，尽管OpenAI发布了GPT-5等推理模型，但这些模型在解决复杂问题时实际上是将计算任务委托给外部工具，如代码生成、网络搜索和API调用。这种做法虽然提高了效率，但并未提升模型的智能水平。文章认为，当前AI行业过度依赖工具集成而非模型本身的改进，导致发展停滞。作者提出了两种可能的解释：一是OpenAI遇到了技术瓶颈，转向应用以掩盖停滞；二是应用具有更高的盈利性。文章强调，要实现真正的突破，需要从架构层面进行创新，例如采用图式架构、稀疏注意力机制和神经形态方法等，以解决当前模型的根本问题。
讨论： 该讨论主要围绕大型语言模型（LLM）的进步和局限展开。讨论者质疑了某些模型在处理大型数值计算时是否直接计算还是生成Python代码执行，以及模型在代码生成能力上的停滞。有观点认为，通过推理和工具使用来增强模型的性能，而不是仅仅依赖模型本身的改进。同时，也有讨论者指出，一些所谓的“改进”实际上是对现有模型的工程性工作，而非模型本身的进步。此外，还有关于如何通过新型架构（如图变换器）来提升LLM性能的探讨。
原文标题：Reasoning is not model improvement
原文链接：https://manidoraisamy.com/reasoning-not-ai.html
讨论链接：https://news.ycombinator.com/item?id=45683113