商傳媒｜吳承岳／台北報導
面對全球人工智慧（AI）領域的激烈競爭，日本資深科學家甘利俊一（Shunichi Amari）提出獨特觀點，主張日本應專注於AI的「理論」研究，而非盲目追逐龐大數據與算力帶來的「量」的堆疊。他認為，當前AI開發過於依賴這些「量」的累積，其根本原理卻仍未明朗，存在著難以預見的風險。
甘利俊一作為理化學研究所（RIKEN）的榮譽研究員，同時也是日本工程師兼神經科學家，以資訊幾何學和人工智慧先驅聞名。他指出，現代AI的發展現況極端，技術的進步超越了理論的理解，這是一種「以增大參數就能成功」的蠻力哲學在推動。
他進一步解釋，這種量化累積有時會產生不可預測的質變現象，稱為「創發」（emergence）。例如，在大型語言模型（LLM）中，模型規模不斷擴大後，會出現小規模模型所沒有的能力，雖然這顯著提升了輸出答案的準確性，但其運作的根本原理至今仍未被科學界完全闡明。
甘利俊一也提到，機器學習模型規模（包括參數數量、數據量及計算資源）擴大後，許多性能指標都會改善，這種經驗法則被稱為「斯凱林法則」（scaling laws）。然而，全球研究人員普遍認為「斯凱林法則」不可能無限持續下去，總有一天會遇到瓶頸，只是目前尚無法預測具體時間點。因此，他建議日本應避免陷入與資源雄厚國家比拚AI規模的競賽，轉而將重心放在深化AI的基礎理論研究，從根本上解決問題，為日本AI開闢一條差異化的發展道路。
