潮水退去，才见真章：AI的翅膀是否只是幻影？

最近关于人工智能的讨论热烈得像是夏天的雷雨，人人都在谈论AGI（通用人工智能）何时到来，它将如何改变世界。但在硅谷的喧嚣之外，总有一些冷静的声音，如同巨头身后投下的阴影，提醒我们脚下的路还有多远。Meta的首席人工智能科学家、深度学习的先驱Yann LeCun，正是其中最响亮的一位。他最近的表态，就像是给这场AGI狂热泼了一盆冷水，让人们开始重新审视一个看似简单却直击本质的问题：现在的AI，真的理解哪怕最基本的事物吗？比如，一只“鸟”？

巨头泼冷水：Yann LeCun的质疑

在人工智能的宇宙里，Yann LeCun的名字响彻云霄。他是图灵奖得主，是卷积神经网络的奠基人之一，也是推动深度学习浪潮的关键人物。他的观点，无疑具有举足轻重的分量。当这样一位殿堂级的人物站出来，对当前大模型“一路狂奔”并即将触及AGI的说法提出质疑时，我们不得不停下脚步，仔细聆听。

LeCun的核心论点并非否定AI的进步，而是指出当前AI，特别是大型语言模型（LLMs），尽管在模仿人类文本、生成惊人内容方面展现了强大能力，但它们依然缺乏对物理世界、对基本概念的真正“理解”。他认为，这些模型本质上是“自回归令牌预测器”，擅长在海量数据中找出统计关联，然后生成下一个最有可能的词。这就像是一个极其善于模仿的学生，记住了无数的句子和段落，能在各种语境下说出得体的、甚至富有创意的“话”，但如果让它解释这些话背后的真实含义，或是应用于全新的、需要常识判断的场景，就可能露出马脚。

在他看来，目前AI的智能水平，甚至还比不上一个几岁的孩子。孩子通过与世界的互动，逐步建立起对物体、空间、因果关系的认知模型。他们知道球滚下斜坡是因为重力，知道如果把水倒出来会流淌。这些知识是根植于现实世界的体验和理解。而当前的AI，却像是在一个巨大的图书馆里死记硬背，它们知道“鸟”和“翅膀”、“飞翔”、“天空”等词汇高度相关，却不知道鸟为什么会飞，翅膀的物理结构是什么，以及在不同情境下“鸟”可以指代什么（比如高尔夫里的“小鸟球”）。

AI真的懂“鸟”吗？概念理解的鸿沟

“连鸟都搞不懂”，这句话听起来可能有些戏谑，但它恰恰点出了问题的关键。理解一个概念，比如“鸟”，不仅仅是知道它长什么样，会发出什么声音，或者与哪些词语经常一起出现。真正的理解，涉及到一个复杂的认知网络：

• 物理属性： 它有翅膀、羽毛、喙，通常体型较小。
• 行为属性： 它会飞（大多数情况下）、会鸣叫、会筑巢、会觅食。
• 生物分类： 它是动物，是脊椎动物，是禽类。
• 环境互动： 它生活在陆地或水边，与生态系统中的植物、昆虫、捕食者相互作用。
• 抽象概念： “鸟”可以象征自由、和平，也可以是俚语中的特定含义。
• 因果关系： 翅膀是它飞行的工具，觅食是为了生存。

人类通过感官、运动、社交互动，逐步构建起对“鸟”这样一个概念的全面、多模态、具备因果关系的认知模型。而当前的AI，主要通过处理海量的文本和图像数据来“学习”。它们看到无数次“鸟在天上飞”、“鸟儿歌唱”、“小鸟依人”等文本片段，也看到无数张鸟的图片。它们学会了识别图片中的鸟，学会在描述鸟时使用相关的词汇。但这种学习更多是基于关联性，而非因果性或深层结构性理解。

想象一下，你给一个大型语言模型看一张图，里面有一只鸟站在树枝上。它能准确识别出这是鸟，这是树枝。你问它“这只鸟为什么不会掉下来？”，它可能会生成一段听起来合理的解释，比如“因为它有爪子抓住树枝”或者“因为它很轻”。但如果场景稍微变化，比如树枝是断的，或者鸟是玩具鸟被放在树枝上，它可能就无法做出符合物理常识的判断，甚至会一本正经地胡说八道。因为它没有真正理解“重力”、“支撑力”、“生物体附着”等物理概念，也没有一个内在的、模拟物理世界的模型。

幻觉与现实：大模型的局限性

当前AI的这种“关联性”学习机制，导致了许多令人头疼的问题，“幻觉”便是最典型的表现之一。当模型在生成文本时，如果训练数据中存在某种虚假的或误导性的关联，或者当它被推到其知识边界之外时，它会自信满满地编造事实，生成看似合理但实际错误或荒谬的内容。这正是因为它们没有一个稳固的、基于真实世界的认知基础来校验其输出。

大型模型的成功，很大程度上得益于数据的规模和计算能力的提升。它们在海量数据中挖掘出了极其复杂的统计模式，这使得它们在许多任务上表现出色，比如翻译、文本摘要、代码生成等。然而，这种基于模式匹配的能力，与人类的理解、推理、规划和创造能力有着本质的区别。人类的智能不仅仅是记忆和关联，更是建立模型、进行抽象、理解因果、进行类比和解决新问题的能力。

通往智能彼岸的迷思

如果连“鸟”这样的基本概念都无法真正理解，那么谈论AI即将超越人类智能（AGI）是否为时过早？LeCun等人的观点无疑是对当前AGI炒作的一种“反杀”。他们认为，AGI不会仅仅通过简单地扩大现有模型的规模或增加数据量来实现。我们需要的是全新的架构和范式，能够让AI建立起类似人类的、基于世界模型的认知能力。

这可能包括：

• 建立可预测的物理世界模型： 能够理解物体的属性、它们如何互动、以及物理定律如何作用。
• 学习分层和组合式的知识： 能够将基本概念组合成更复杂的概念，并理解它们之间的关系。
• 进行因果推理： 能够理解“为什么”会发生某事，而不仅仅是“什么”会发生。
• 拥有常识和背景知识： 能够将学到的知识应用于各种不同的情境。
• 具备规划和预测能力： 能够基于对世界的理解来规划行动并预测结果。

这些能力的获得，可能需要AI像婴儿一样，通过与现实世界的主动互动来学习，而不仅仅是被动地从数据中提取模式。机器人技术、具身智能等领域的研究，或许正是通往这一目标的关键途径之一。让AI拥有一个“身体”，让它能够在现实世界中感知、行动、试错，或许才能真正帮助它们建立起对世界的真实理解。

反思与前行：我们应该关注什么？

LeCun的质疑并非为了否定AI的价值或泼冷水让人灰心。相反，它是对整个领域的深刻反思和方向指引。与其沉迷于遥不可及的AGI愿景，不如脚踏实地，关注如何解决当前AI存在的根本性问题。

这包括：

• 推动基础研究： 探索新的AI架构和学习范式，超越当前基于大规模关联的方法。
• 关注具身智能和机器人： 让AI与物理世界互动，学习真实的因果关系和常识。
• 提升AI的可解释性和可靠性： 让我们能够理解AI的决策过程，并信任其在关键领域的应用。
• 负责任地发展AI： 在追求能力的同时，不忽视伦理、安全和社会影响。

当潮水退去，才知谁在裸泳

AI的发展确实取得了令人瞩目的成就，尤其是在特定任务和领域。大模型的能力也超出了许多人的预期。但这股浪潮裹挟着大量的资本和炒作，很容易让人产生不切实际的幻想。

Yann LeCun以及其他一些清醒的科学家们，就像是在狂欢中敲响的警钟。他们提醒我们，当前AI的智能更多是体现在“形式”而非“实质”上。它们可能说得天花乱坠，却并不真正理解自己在说什么。它们能模拟各种鸟的叫声和飞翔姿态的描述，却不懂得一只受伤的鸟为什么会掉到地上，以及它感受到的是痛苦。

当AGI的炒作热潮逐渐退去，我们才能更清晰地看到当前AI的真正能力边界，以及通往真正智能所面临的巨大挑战。只有正视这些挑战，回归基础研究，探索新的路径，人工智能才有可能从一个强大的模仿者，成长为一个真正具备理解能力、能够与人类共同探索未知世界的伙伴。在那一天到来之前，或许我们都应该记住LeCun的提醒：AI，连“鸟”都还没有真正搞懂呢。