2026年，Minh Hua與Rita Raley在論文《最佳化並非萬能》中，對人工智慧領域盛行的最佳化文化進行了深刻批判。該論文即將發表於MFS Modern Fiction Studies（約翰霍普金斯大學出版社，2027年春夏季刊），arXiv編號2607.11977v1，主題涵蓋人工智慧（cs.AI）與計算語言學（cs.CL）。文章以OpenAI在2019年釋出的兩百萬條GPT-2輸出為引子——這些輸出語法不完整、半成品化，旨在幫助檢測機器生成文本。當時OpenAI出於安全考慮先以受限方式釋出GPT-2，隨後公開完整模型，並釋放這些輸出作為檢測工具。論文指出，後來透過對齊技術（如RLHF）產生的更流暢模型（如GPT-3、GPT-4等）通常被視為工程勝利，但作者卻將其解讀為最佳化文化的最新表現。這種文化相信，沿著預設軸線的可量化改進已經涵蓋了價值的所有問題，而這一信念實際上比技術本身更為古老。
作者追溯了這種信念從預訓練、解碼、偏好調整、基準測試到介面的技術棧。在預訓練階段，模型透過海量文本學習語言機率分佈，最佳化目標是最大化下一個詞的預測準確性；解碼過程則基於似然選擇輸出，貪婪搜尋或束搜尋進一步強化了機率優先原則；偏好調整（如RLHF）將人類反饋轉化為獎勵訊號，最佳化模型輸出以符合某些偏好；基準測試（如GLUE、SuperGLUE、MMLU）定義了效能標準，引導研究向特定指標集中；介面上，使用者透過系統提示設定語境，進一步規範輸出。每一步都體現了最佳化思維：將複雜判斷簡化為可量化的指標。作者進一步回溯了這種文化在審計社會中的譜系，從19世紀的統計社會學，到20世紀的企業管理、教育評估，再到當代的量化自我運動，最佳化思維已滲透到社會各個角落。
然而，論文揭示了最佳化的極限：一個最佳化過程可以衡量一段生成文本的不可預測程度，但無法判斷這種不可預測性是錯誤還是創新。例如，一個最佳化程式可能將一句新穎的文學表達視為低機率（因而不可接受），但人類讀者卻可能認為它是天才的創造。這種區分的缺失，在高風險場景（如醫療、法律、學術寫作）中可能導致嚴重錯誤。更為關鍵的是，在不到五年內，這些缺乏判斷能力的程式已經掌握了定義合法語言的權威。過去，學院、教室、語法學家和考官決定什麼是正確的；如今，損失函式、獎勵模型、基準測試和系統提示扮演了這一角色。這一轉變意味著，語言的標準從人類智慧轉向了統計模式，而統計模式本身無法理解語言的價值。論文標題“最佳化並非萬能”正是對這一現狀的警示：最佳化是強大的工具，但不應成為價值的唯一尺度。論文在技術社群引起廣泛討論，提醒研究者重新反思最佳化的侷限性。