打破大语言模型的思维趋同：Springboards 如何重新定义 AI 创意
虽然主流的大语言模型 (LLM) 在逻辑和编程方面表现出色，但它们正面临着普遍的“思维趋同”问题，这限制了它们在创意任务中的效用。一家初创公司正准备介入，挑战 OpenAI 和 Google 等行业巨头所形成的这种可预测模式。
LLM 的可预测性问题
如果你要求 ChatGPT、Claude 或 Gemini 等领先的聊天机器人“在 1 到 10 之间随机选一个数字”，你几乎肯定会得到数字 7。这并非巧合，而是当前 LLM 架构中固有的偏见和“思维趋同”的表现。这些模型是在海量数据集上训练出来的，其训练目标是优先考虑统计概率最高的下一个 token，从而导致其回答往往趋于保守、重复且可预测。
对于开发者和研究人员来说，这种可预测性在需要高准确性的任务中（如调试代码或总结技术论文）是一项优势。然而，对于寻求头脑风暴伙伴、旅行规划师或创意协作者的用户来说，这种“思维定式”却成了一种瓶颈。当 AI 默认给出最显而易见的答案时，它就无法提供真正创新所需的发散性思维。
Springboards 与 Flint 模型
澳大利亚初创公司 Springboards 正试图打破这种平庸的循环。该公司并没有针对最可能的回答进行优化，而是开发了一种名为 Flint 的专用 LLM。
Flint 经过专门设计，旨在对抗主流模型中存在的思维趋同。其训练目标侧重于为开放式查询提供更多样化的回答。例如，当面对“我应该去欧洲哪里旅游？”这样的提示词时，Flint 的设计初衷是绕过那些陈词滥调的目的地（如巴黎或罗马），转而提供更多元、更不寻常的建议。通过刻意挑战统计概率的边界，Springboards 旨在让聊天机器人摆脱“显而易见”的局限，转向真正的创意应用。
为什么发散性 AI 对行业至关重要
像 Flint 这样的模型的发展凸显了 AI 领域的一个关键演变：从通用智能向专业化行为智能的转变。随着行业的成熟，AI 公司的竞争护城河可能会从单纯的参数量转向控制“认知”风格的能力。
如果下一代 AI 能够掌握逻辑严密性与创意发散性之间的平衡，我们将看到应用场景的大规模扩张——从自动化营销头脑风暴到复杂的建筑设计。对于更广泛的技术生态系统而言，目标不再仅仅是构建一个无所不知的模型，而是构建一个能够“不同思考”的模型。
核心要点
- 思维趋同陷阱： 当前主流的 LLM 受限于统计可预测性，往往默认给出最常见或“显而易见”的回答。
- Flint 的方法： 初创公司 Springboards 推出了 Flint，这是一种经过专门训练的 LLM，旨在为开放式提示词提供高方差、具有创意的回答。
- 行业转型： 专业化模型的出现预示着一个未来，即 AI 将针对特定的认知模式进行微调，例如创意头脑风暴与逻辑推理的区别对待。