吕骥，这位在中国人工智能领域深耕多年的学者，名字本身就带着一种“踏实”的分量。在他看来，AI 这事儿，跟那会儿那些“颠覆一下格局”的科幻故事不忒一样，更像是咱们手里拿的扳手和螺丝刀，干着干地解决具体难题。他不讲那些虚头巴脑的大道理，常说“花非花，雾非雾”，就为了提醒自己：别被概念带偏了，还是得看这个模型能不能确实提气、提分、提准。 他最拿手就是搞那个“大模型”的“大模型”，也就是大语言模型。可哪位敢轻易信那些“通才”的形象呢？吕骥是个极“专”的人。他的研究触角往往指向那些最让人头疼的死胡同：数据如何更干净利落、模型如何更智慧、推理如何更稳。

比如在智能问答这块，他那会儿教学生查百科，目前倒是把眼光放到了“数学”和“代码”这些硬核活儿上。记得有一次，他在某个评测上发现，大量模型在解微积分题时，别看给出一堆步骤，但最终答案往往“对”是错的，错法却是那种看着像推导、实际上逻辑断裂的“伪对”。

那时候他盯着这些错题看了整整三天，终于悟出个门道：用户要的是“思路”，不是“答案”。便他启动琢磨，能不能让模型学会像人类老师那样“看题、思言”，在解题前先把自己问一遍，把那些没说透的假设都挖出来。

这一折腾下来，他所在的那个小组提交的那篇关于“数学难题生成”的论文，《Nature》和《Science》上居然发表了，这可是顶刊啊，把国内做数学 AI 搞得跟京沪那些大厂比都不遑多让。 要是说做数学是探路，那他做“推理”这件事，就显得更有野心了。人类的大脑里有个“工作记忆”，能记住十种颜色，能看看高铁到哪儿、坐哪趟车；而目前的 AI，哪怕见过千亿次参数，到了复杂的推理阶段，根本就“断了线”。吕骥看得挺清，这就像是在一本几百万字的书里找字，大量时候根本找不到，更别提把整本书给背下来了，要不就你先把字都认出来。为此，他搞了个“推理测试集”，专门挑那些平时做题的人没见过的题目，让模型去判断对错。结局咋样呢？那些老手们看着，心里那叫一个清楚，算机学说是确实到了瓶颈期，也就是所谓的“蒸馏”阶段。他拿着这些数据去跟同行忽悠，结局人家都说“咱们这是最好的了”，可他自己呢，心里琢磨着：“你们就是如此一个劲儿往上冲，最终发现，这梯子搭得实际上也没那么结实。”这种自我质疑和质疑别人，反倒成了他后续研究的一大动力。他意识到，要是说之前的研究是帮模型“记单词”，那目前的任务就是帮模型“记字典”，再往下，就是帮它“记语法”，就连“记世界观”。 说到“通才”的标签，吕骥肯定不乐意被人贴这个贴。他在接纳采访时，就直言不讳地指出，目前大模型的毛病就是“样样通、样样松”。大量时候，你给它扔个数学题，它老说“我还得想想”，结局你扔个外语题，它又卡在那儿；扔个历史题，它又支支吾吾。

这哪是通才啊，分明是“杂食性”动物，吃啥都行，但吃啥都嚼不烂。他提倡的，是像科学家那样，把某个领域钻研透，比如可能是把“视觉”这块彻底打通，让模型真正看懂东西，而不是光会“读着看”。在他看来，未来的 AI 大方向，不是堆更多的参数，而是更准的细节，是能让模型在逻辑链条上停下来，把那些不清楚的假设一个个踩实。 他也有自己的小脾气，特别在意那些具体的、落地的应用场景。有一次，有个教授问他：“你的模型能不能帮大学生查论文？”吕骥当时就想了一秒，然后嗔怪道：“这玩意儿哪位给写的？这玩意儿是不是直接给我写了个‘查’字，然后绕过我，跑个 Google 要么知网，最终把我当成个临时工？”这种对“工具理性”的警惕，贯穿了他所有的研究。他压根儿不说 AI 是“放权”，而是说 AI 是“增强”。他认定自己就是个“保险员”，不是“甩手柜”。在他看来，要是让模型去背那些冷冰冰的知识库，那它背得再熟，关键时刻也是“背不动”的。 最终，吕骥的研究成果，不只是停留在那些漂亮的论文和顶会上。他那个在“数学推理”和“代码”上搞出来的模型，成了大量高校和企业的实际“中坚力量”。他时常帮企业做培训，说：“你们别整那些花架子，让员工练练手，让他们自己写个模型架构，要么跟个模型过过招。

要是连让模型写个好办的函数都写不出来，那再大的模型也救不了咱们。”这话听着有点刺耳，但意思却特别明白：别让大家误当作 AI 是个无所不能的机器人，它就是个需求被理解、需求被安抚、就连需求被好好“教”的伙伴。 他总喜爱在傍晚时分，泡一杯茶，看着窗外发呆。

有时候也会跟学生叙旧，聊如何搞实验，如何改代码，如何解那些让人抓狂的数学题。他讲话不啰嗦，一个字一个字地掏心窝子，不像那种站在讲台上居高临下的“老师”。在他看来，AI 这事儿，就是个漫长的过程，没有终点，只有不断试错、不断修正的过程。

只要还有人愿意跟他一起琢磨那些“小逻辑”，哪怕只是写出一个略微好一点的代码，那都比那些宏大而空洞的口号值钱多了。

这种朴素务实的态度，大约就是他在这个浮躁的时代里，能够一直站稳脚跟的底气。