一篇arXiv论文只留下“Comments”式摘要,却提出了一个足够具体的判断:用于处理模糊函数的AI系统,未必必须把全部能力交给大模型,也可以让程序本身承担一部分“权重”。
这是什么
“程序即权重”是论文提出的编程范式。传统做法是收集大量样本,让模型通过训练学习输入与输出之间的模糊关系;新思路则把这种关系直接编码进可执行程序,由程序调用模型、规则或工具完成判断。
值得关心的地方在于,它试图改变AI系统的成本结构:面对客服分单、资料归类、业务审核等边界经常变化的流程,与其不断扩大模型规模,不如先增强程序逻辑。不过,源页面没有提供完整实验结果,现阶段更像一条值得跟踪的技术路线,而不是已经成熟的行业方案。
行业怎么看
支持者会认为,程序可读、可测试、可版本管理,比黑箱模型更容易满足企业对审计和稳定性的要求;企业也不必为每个细微规则重新训练模型。程序员还能直接修改流程,减少模型调参工作。
但风险同样明显:模糊任务恰恰充满例外,程序化后可能把过去由模型吸收的复杂情况,转化为大量难以维护的分支逻辑。论文的适用范围、数据规模、运行成本和与现有模型的对照结果目前也不清楚。因此,不能简单理解为“规则代码将取代大模型”,更合理的判断是,两者的分工可能变得更加重要。
对普通人的影响
对企业IT:预算可能从单纯购买模型算力,转向更多用于流程设计、测试和维护,但短期内通常需要传统软件工程与AI能力共同参与。
对个人职场:需要定义流程、识别例外并验证结果的工作可能增加;仅会调用模型的人未必更有优势,能把业务规则说清楚的人更关键。
对消费市场:采用这种方案的产品可能更稳定、更便宜,但体验提升仍取决于企业是否拥有可靠的业务数据和维护能力。