AI公司创始人常以大胆宣称技术重塑各领域（尤其是科学领域）的潜力而闻名，但Hugging Face联合创始人兼首席科学官Thomas Wolf的看法则更为审慎。
周四在发布至X的一篇文章中，Wolf表示担心人工智能在没有研究突破的情况下会变成“服务器上的应声虫”。他进一步阐述称，当前的人工智能开发范式无法产生具备跳出框架、创造性解决问题能力的人工智能——那种能赢得诺贝尔奖级别的解决问题的能力。
Wolf写道：“人们通常犯的主要错误是认为[像]牛顿或爱因斯坦这样的人只是‘放大版’的优秀学生，以为只要对前10%的学生进行线性外推，天才就会应运而生。”“要在数据中心里造就一个爱因斯坦，我们需要的不仅仅是一个知晓所有答案的系统，而是一个能提出无人想过或不敢提出的问题。”
Wolf的观点与OpenAI首席执行官Sam Altman形成鲜明对比，后者在今年早些时候的一篇论文中表示，“超级智能”AI可以“极大地加速科学发现”。同样，Anthropic首席执行官Dario Amodei也预测AI可能有助于制定大多数癌症的治愈方法。
Wolf认为当前AI的问题以及他预判的技术发展方向在于它无法通过连接此前无关的事实来产生任何新知识。他说，尽管拥有互联网上大部分内容作为资源，但我们目前所理解的AI主要是在填补人类已知知识之间的空白。
一些AI专家包括前Google工程师François Chollet表达了类似观点，他们认为虽然AI可能具备记忆推理模式的能力，但不太可能基于新颖情境生成“新的推理”。
Wolf认为，AI实验室正在构建的本质上都是“非常听话的学生”，在任何意义上都算不上科学革命者。他说，当前的AI没有被激励去质疑和提出可能与其训练数据相悖的想法，这限制了它只能回答已知问题。
Wolf说：“要在数据中心里造就一个爱因斯坦，我们需要的不仅仅是一个知晓所有答案的系统，而是一个能提出无人想过或不敢提出的问题。”“一个能在所有教科书、专家和常识都表明相反情况时，写下‘如果所有人在这件事上都错了呢？’的系统。”
Wolf认为，人工智能领域的“评估危机”是造成这种令人失望现状的部分原因。他指出，目前常用于衡量人工智能系统改进的基准测试大多由具有明确、明显且“封闭式”答案的问题组成。
作为解决方案，Wolf提议AI行业“转向一种衡量知识和推理的标准”，该标准应能阐明AI是否能采取“大胆的反事实方法”，基于“微小线索”做出一般性提议，并提出导致“新研究路径”的“非显而易见的问题”。
Wolf承认关键在于弄清楚这种衡量标准具体长什么样，但他认为为此付出的努力可能是值得的。
Wolf说：“[科学]最关键的方面在于提出正确问题的技能，以及挑战甚至自己所学知识的勇气。”“我们不需要一个能用通用知识回答每个问题的A+ [AI]学生。我们需要的是一个能看到并质疑其他人所忽略之处的B学生。”