引言
在科技迅猛发展的今天，人工智能（AI）已然成为我们生活中不可或缺的一部分。然而，随着技术的不断进步，我们也逐渐意识到，AI 的发展并非一帆风顺。特别是在通用人工智能（AGI）的追求过程中，我们遇到了许多挑战和瓶颈。本文将深入探讨大型语言模型（LLM）的局限性，AI 的思维方式与人类的差异，以及“世界模型神话”的破灭，帮助读者全面理解当前 AI 技术的现状和未来发展方向。
LLM 的局限性
大型语言模型（LLM）在处理自然语言任务方面表现出色，能够流畅地进行推理和回答问题。然而，这些模型背后的运作机制并非真正的推理能力，而是复杂的统计模式匹配。LLM 通过海量数据和经验法则来生成响应，而不是通过深刻的世界模型和逻辑推理来做出决策。这种模式匹配的方式虽然在短期内能够提供满意的结果，但在复杂、动态的环境中，其局限性逐渐显现。
AI 的思维方式与人类不同
越来越多的研究表明，AI 的思维方式与人类存在根本性的差异。AI 模型通过学习海量的经验规则，将这些规则应用到所接触的信息上，从而模拟智能。而人类和动物则会构建一个关于世界如何运转的“世界模型”，其中包含因果关系，能够预测未来。这种差异使得 AI 在处理复杂问题时显得力不从心。
一堆经验法则
Santa Fe 研究所的教授 Melanie Mitchell 提出，AI 模型似乎发展出了大量的“经验法则”，而不是构建更高效的心理模型来理解情境。哈佛大学的 AI 研究员 Keyon Vafa 也认为，这一观点点醒了他，揭示了 AI 模型的本质。AI 通过大量的经验法则来处理问题，而不是通过深刻的理解和推理。
AI 不懂因果关系
Vafa 的研究进一步揭示了 AI 在处理复杂问题时的局限性。他和团队以曼哈顿的街道网络作为测试样本，发现 AI 模型生成的地图和实际情况差异巨大。AI 甚至推演出了横穿中央公园的直线路径，显示出其在理解因果关系和构建世界模型方面的不足。
世界模型神话的破灭
AI 工程师们曾宣称，他们的模型在庞大的人工神经网络中构建出了类似的“世界模型”。然而，近期的研究让我们从内部窥探了模型的运行机制，结果让人怀疑是否真的在接近 AGI。AI 模型虽然能够写出流畅的文章，表现出明显的推理能力，但其背后的运作机制并非真正的智能。
LeCun 的观点
Yann LeCun 认为，基于预测世界模型的自监督学习是通往 AGI 的唯一可行路径。而 Hinton 则认为，Transformer 永远无法实现真正的智能。这两位 AI 领域的权威人物的观点，为我们提供了不同的视角，帮助我们更好地理解 AI 的发展方向。
结论：重新审视 AI 的发展方向
AGI 的实现仍然面临着巨大的挑战。AI 模型在理解因果关系和构建世界模型方面存在根本性的局限。我们需要重新审视 AI 的发展方向，探索新的方法来实现真正的通用人工智能。只有通过深入理解 AI 的本质，才能推动技术的进一步发展，为人类社会带来更多的便利和进步。
