当大模型开始“猜答案”，另一种AI正悄悄崛起

这期 Every 的对话抛出一个刺耳但重要的观点：LLM 的问题不是不够强，而是它天生就在“猜”。而有一类模型，从设计之初就拒绝猜答案。它不是下一代大模型，而是另一条路线。

一个让大模型粉丝不舒服的判断：LLM 天生不追求“确定性”

在节目一开始，嘉宾就点破了一个很多从业者心里隐约知道、却很少明说的问题：大语言模型是自回归的，本质是在做概率补全。它输出的不是“确定正确”，而是“看起来最合理”。

这在写文案、写代码草稿时没问题，但一旦涉及“是否真的成立”“是否真的符合世界规则”，问题就来了。节目中反复强调一个词：guessing game。LLM 再强，也是在玩猜谜。

而只要你关心 correctness——结果是否真的对、是否真的能在现实中成立——这种机制就会开始显得不可靠。这不是工程优化能完全解决的问题，而是范式层面的差异。

EBM 是什么？不是更大的模型，而是完全不同的路线

这时候，Energy-Based Model（能量模型）被请上了台面。

嘉宾给出的定义非常克制：EBM 不是生成下一个 token，而是定义一个“能量函数”，用来判断一个状态在多大程度上符合世界的“规则”。低能量代表更合理，高能量代表不可能或不成立。

关键点在于：EBM 是天然非自回归的。它不是一步步猜下去，而是评估整体是否成立。这也是为什么对方反复强调，EBM“不玩 guessing game”。

你可以把它理解为：LLM 在补句子，EBM 在判断这个世界“能不能这样”。一个擅长语言，一个擅长规则。

为什么说这是 LLM 的“补位者”，而不是竞争对手

节目里一个很重要但容易被忽略的判断是：这不是谁取代谁的问题。

当你需要通过语言与人交互、快速生成可能性空间，LLM 几乎无可替代；但当你关心的是“是否一定正确”“是否符合物理、逻辑或系统约束”，你就不该指望语言模型单打独斗。

嘉宾提到，EBM 的优势之一，是有可能用更少的数据学习到世界的规则。先学规则，再在能量地形中导航，而不是从海量样本里统计相似性。

这也是为什么他们认为，在 LLM 进展开始 plateau 的当下，关注 alternative forms of AI，反而是一个积极信号。

一个落地感极强的例子：为什么他偏爱 Granola

为了避免讨论停留在理论层面，节目中给了一个很生活化的例子：Granola，一款 AI 驱动的 notepad。

它并不是炫技式地“写得像人”，而是帮助你把零散信息组织成更符合逻辑、更有结构的状态。这恰恰呼应了前面的观点：当 AI 的任务不是表演语言，而是帮助人类理解、判断和约束复杂信息时，是否“符合规则”比“像不像人”更重要。

这也是整期对话最有现实意味的地方：EBM 思想并不遥远，它已经在一些工具里悄悄体现出来了。

总结

这期节目真正想传达的，不是“LLM 不行了”，而是一个更成熟的判断：语言模型不是万能接口。未来重要的 AI 系统，很可能是多种范式的组合——LLM 负责表达，EBM 或类似模型负责约束与验证。

对从业者来说，takeaway 很直接：如果你做的是高风险、高确定性要求的系统，别再只问“能不能用大模型”，而要问“哪一部分不该让它猜”。当你开始这样拆问题，你已经比大多数人更懂行了。

关键词： 能量模型， EBM， 大语言模型， AI范式， AI应用

事实核查备注： 需核查：视频完整时长；Energy-Based Model 的具体技术定义是否与原话一致；Granola 的产品定位表述是否与视频一致；关于 LLM 进展 plateau 的原始语境。