加载失败
文章探讨把庞大参数化模型（billion-parameter theories）当作科学理论的可行性与代价——即用巨型 neural networks 代替紧凑方程来捕捉跨尺度复杂性。评论引用了具体先例与对比：Waymo 的 "World Model"（用于自动驾驶场景仿真的模型）、AOGCMs（Atmosphere-Ocean General Circulation Models，大气-海洋耦合环流模型）与简化两层大气模型、以及 Santa Fe Institute（复杂系统研究机构）的贡献。讨论基于的前提包括对“reach”（理论覆盖范围）的重视、对 epistemological 完美的期待，以及对训练数据如何把社会现象（如贫困）的多层次因果结构操作化的担忧。历史性的学科争论也被引用（比如 Chomsky 与 connectionist models 的论战），表明不同学科传统影响人们如何评判大模型作为“理论”的合法性。
部分评论认为复杂系统的“reach”可以由大参数的 neural networks 处理，换言之，billion-parameter theories 能把多层次因果与不确定边界纳入模型。举例提到 Waymo 的 "World Model"（基于真实世界数据训练的自动驾驶仿真）能生成训练集中未见的情景（例如“大象闯街”）并用这些情景反哺训练，显示大模型能扩展到新颖场景。技术上有人建议通过坐标变换如 PCA（Principal Component Analysis）找出主导向量，或通过 distillation（蒸馏）把海量参数投射为少数可解释概念，从而提取出有用的表征。结论是：大模型提供了一条可行路径来处理边界模糊与高维交互，但需要可靠的解释性工具和概念抽取才能把这些“理论”变为可理解的知识。
另一类评论反对把复杂问题完全交给黑箱巨模型，认为多数现象可由小而清晰的理论捕捉其一阶行为。以气候为例，评论指出尽管存在 AOGCMs（Atmosphere-Ocean General Circulation Models）这类全面数值模型，但一个两层大气并包含 CO2 与水汽反馈的简化模型就能给出相似的一阶预测，从而更有助于理解因果机制。还有人用 Newton 与 Einstein 的对比强调：简单近似常常足以用于理解与预测，且 approximations != truth，但这并不降低简洁模型的价值。该立场认为大模型适合精确预测，但并非形成解释性理论的唯一或最佳路径。
有评论警告把大型黑箱当作最终“知识”会催生一种新型神秘主义，导致人们放弃对复杂系统的实证理解和质问。具体担忧包括对“只要交给计算机就能知道真相”的反感、训练数据的选择会把偏差烙印进模型（以贫困为例涉及经济、心理、生态、生理、历史与政治等多层原因），以及因过度追求“正确解”而草率否定某些主题。另一条批评直言现代 AI 有点像 alchemy（炼金术），并强调情感与人类心智不会因此改变，从而呼吁谨慎与解释性优先。基于这些担忧，评论者主张在使用大模型时必须同时强调数据的操作化、多层因果分析与可解释性。
有评论为 Santa Fe Institute（复杂系统研究机构）的工作辩护，指出该机构并非失败，而是展示了在某类问题上只能得到不变量与尺度律這类结论——证明“不可能”的边界本身就是科学成果。评论进一步指出 Santa Fe 的方法与发现已被用于现代基因网络和生物建模，说明其对实证科学的实际影响。因此，将复杂系统研究一概斥为无用是对该学派贡献与方法论的误读，忽视了“证明什么不可能”与“提出可行模型”之间的区别。
讨论还复现了语言学领域的历史论争：connectionist models（连接主义模型/神经网络）与 Chomsky（Noam Chomsky）的语言天赋论之间的对立。评论提到历史细节（例如 Jay McClelland 对 Chomsky 的讽刺轶事）来说明连接主义学派长期对生成语法提出反击，并指出把当代神经网络简单视为 Chomsky 的继承是错误的比喻。同时也有人不理解为何语言天赋论会引发激烈反应，显示这一学术争论仍然影响人们评估“黑箱理论”的合法性与解释力。
亿参数理论（billion-parameter theories）: 将亿级或更多参数的巨型 neural networks 当作“理论”来解释或预测复杂现象，而非用紧凑可读的解析式或方程；强调以高维参数化捕捉跨尺度行为。
reach: 理论的 'reach'（覆盖范围/可推广性），指一个理论能解释或预测多少不同现象与尺度，是讨论小理论与大模型谁能更好“涵盖”问题时的核心概念。
AOGCMs: AOGCMs（Atmosphere-Ocean General Circulation Models，大气-海洋耦合环流模型），气候科学中用于尽可能完整模拟大气与海洋耦合过程的数值模型，常被用作对比简化模型的实例。
PCA: PCA（Principal Component Analysis，主成分分析），一种线性降维/坐标变换方法，被建议用于在亿参模型中识别主导向量，从而把高维行为投影为少数可解释成分。
connectionist models: connectionist models（连接主义模型），以神经网络为代表的计算范式，与 Chomsky 的生成语法/语言天赋论在解释语言与心智机制上存在长期争论。