在人工智能領域，Transformer架構曾被視為革命性突破，但如今其核心發明者之一Llion Jones發出警告：過度依賴現有架構可能阻礙通用人工智能（AGI）的真正突破。這位Sakana AI創始人指出，當前學術界和產業界對Transformer的微調研究，可能重蹈循環神經網絡（RNN）被迅速取代的覆轍。

Jones以RNN的興衰史為例說明技術迭代的殘酷性。在Transformer出現前，RNN占據主導地位長達數年，研究者們不斷優化其門控單元位置或語言建模性能，但這些局部改進最終被Transformer徹底顛覆。他直言："當新架構帶來數量級差異時，所有微調工作都會顯得毫無意義。"這種擔憂正源于他對當前研究生態的觀察——論文普遍聚焦于調整歸一化層位置或改進訓練技巧，而非探索根本性創新。

這種研究范式被Jones稱為"架構彩票"陷阱。他援引2020年提出的"硬件彩票"理論指出，Transformer的勝利本質上是契合了當時GPU計算生態的偶然結果。盡管已有研究證明某些新架構在特定任務上表現更優，但整個行業仍難以放棄Transformer，因為其配套工具鏈和訓練方法已高度成熟。這種路徑依賴形成強大的"重力井"，使得任何新架構都需要達到"碾壓式優勢"才能獲得關注。

當前大語言模型（LLM）的局限性進一步印證了Jones的判斷。他指出這些模型呈現出"鋸齒狀智能"特征：既能解決博士級難題，又會犯下小學生級別的錯誤。這種矛盾暴露了現有架構的根本缺陷——將所有功能強行塞入單一框架，而非通過架構創新實現更自然的知識表示。"我們像在給瑞士軍刀添加新工具，卻從未思考是否需要重新設計工具本身。"Jones比喻道。

為突破這種循環，Jones團隊轉向生物啟發的研究路徑。他們開發的連續思維機（CTM）模擬大腦神經元的同步振蕩機制，通過神經動態表示實現漸進式計算。這種設計并非追求完全生物學還原，而是借鑒其核心信息傳遞方式。研究團隊特意避開學術圈常見的"搶發壓力"，用充足時間完善對照實驗，希望為高風險探索樹立典范。

這場范式轉移之爭正引發行業深層反思。OpenAI前首席科學家Ilya Sutskever近期也表示，單純擴大現有架構規模不足以實現AGI。但挑戰在于，在真正突破出現前，任何局部改進都可能被視為必要探索。Jones承認這種困境："就像RNN研究者直到Transformer出現才意識到自己陷入死胡同，我們現在同樣無法預知下一個范式轉移何時到來。"

當前研究格局呈現出矛盾圖景：一方面，混合專家模型、注意力機制變體等改進持續涌現；另一方面，少數研究者開始探索神經形態計算、世界模型等全新方向。這種分化折射出AI發展的關鍵轉折點——當技術積累達到臨界點時，行業必須抉擇是繼續優化現有路徑，還是冒險開辟未知領域。Jones的警告恰似一記警鐘：在追求AGI的競賽中，最危險的陷阱或許正是我們當前最依賴的"成功經驗"。