左手Transformer，右手世界模型，我們距離AGI還有多遠(yuǎn)？

“未來(lái)的路不會(huì)比過(guò)去更筆直，更平坦，但是我并不恐懼，我眼前還閃動(dòng)著道路前方野百合和野薔薇的影子。”

自1956年達(dá)特茅斯會(huì)議提出“人工智能”這一概念以來(lái)，實(shí)現(xiàn)人類水平的智能一直是人工智能領(lǐng)域的“圣杯”。去年上半年，有主流研究者提出，大語(yǔ)言模型已經(jīng)表現(xiàn)出“通用人工智能的火花”（sparks of AGI）。這似乎表明，AGI已經(jīng)從哲學(xué)猜想正在變成觸手可及的未來(lái)。

馬斯克在今年早些時(shí)候預(yù)測(cè)，AGI可能會(huì)在2026年投入使用。DeepMind聯(lián)合創(chuàng)始人、首席AGI科學(xué)家Shane Legg在一次訪談中認(rèn)為，2028年，人類有50%的概率開發(fā)出第一個(gè)AGI。近期，OpenAI CEO Sam Altman表示，AGI將在2025年實(shí)現(xiàn)，通往AGI的道路已經(jīng)清晰可見。

然而，業(yè)界關(guān)于AGI的觀點(diǎn)眾說(shuō)紛紜，有人視為洪水猛獸，有人視為又一次技術(shù)革命，這些引發(fā)了對(duì)AGI發(fā)展路徑的爭(zhēng)論。在此背景下，人們不禁要問(wèn)：我們距離實(shí)現(xiàn)AGI究竟還有多遠(yuǎn)？

誰(shuí)會(huì)是AGI的起點(diǎn)？

AGI（Artificial General Intelligence），即通用人工智能，其目標(biāo)是打造一個(gè)具備廣泛能力的“類人智能體”，能夠像人類一樣在不同領(lǐng)域中自主學(xué)習(xí)、推理和解決問(wèn)題。基本上，除了“自我意識(shí)”的生成，AGI就是人類對(duì)人工智能的終極夢(mèng)想了。

一個(gè)完整的AGI需要具備三個(gè)基本特征：第一，必須能完成無(wú)限的任務(wù)，而不是只能完成人定義的有限幾個(gè)任務(wù)。第二，要在場(chǎng)景中自主發(fā)現(xiàn)任務(wù)，這是通常所說(shuō)的要做到“眼里有活兒”。第三，要有自主的價(jià)值來(lái)驅(qū)動(dòng)，而不是被動(dòng)的被數(shù)據(jù)所驅(qū)動(dòng)。

同時(shí)，AGI還需要解決一些關(guān)鍵的技術(shù)問(wèn)題，比如構(gòu)建智能體的認(rèn)知架構(gòu)，讓智能體由價(jià)值驅(qū)動(dòng)，在現(xiàn)實(shí)世界中進(jìn)行有效的行動(dòng)，能夠與社會(huì)環(huán)境進(jìn)行互動(dòng)，使智能體決策過(guò)程透明可解釋，以及建立和人類之間的信任關(guān)系等。

但如果比較AGI的三個(gè)特征，就會(huì)發(fā)現(xiàn)大模型還不符合AGI的要求。

首先，大模型在處理任務(wù)方面的能力有限，它們只能處理文本領(lǐng)域的任務(wù)，無(wú)法與物理和社會(huì)環(huán)境進(jìn)行互動(dòng)。這意味著像ChatGPT這樣的模型不能真正“理解”語(yǔ)言的含義，因?yàn)樗鼈儧]有身體來(lái)體驗(yàn)物理空間。

其次，大模型也不是自主的，它們需要人類來(lái)具體定義好每一個(gè)任務(wù)，就像一只“鸚鵡”，只能模仿被訓(xùn)練過(guò)的話語(yǔ)。真正自主的智能應(yīng)該類似于“烏鴉智能”，能夠自主完成比現(xiàn)如今AI更加智能的任務(wù)，當(dāng)下的人工智能系統(tǒng)還不具備這種潛能。

第三，雖然ChatGPT已經(jīng)在不同的文本數(shù)據(jù)語(yǔ)料庫(kù)上進(jìn)行了大規(guī)模訓(xùn)練，包括隱含人類價(jià)值觀的文本，但它并不具備理解人類價(jià)值或與人類價(jià)值保持一致的能力，即缺乏所謂的道德指南針。

但這并不妨礙科技巨頭對(duì)于大模型的推崇。以O(shè)penAI的ChatGPT、谷歌Gemini、Meta的Llama為代表的大模型，已經(jīng)在通用性上展示出了AGI的潛力。因?yàn)榇竽Ｐ鸵呀?jīng)能完成范圍相當(dāng)廣的各類任務(wù)，而且表現(xiàn)出了像學(xué)習(xí)新技能這樣的“元認(rèn)知”能力，科技巨頭也都將大模型視為邁向AGI的關(guān)鍵一步。

相比大模型的“鸚鵡范式”，AGI是以“小數(shù)據(jù)，大任務(wù)”為架構(gòu)的“烏鴉范式”，智能體表現(xiàn)為具有自主的智能，能夠自主感知、認(rèn)知、推理、學(xué)習(xí)和執(zhí)行，不依賴于大數(shù)據(jù)，基于無(wú)標(biāo)注數(shù)據(jù)進(jìn)行無(wú)監(jiān)督學(xué)習(xí)，并且智能系統(tǒng)低功耗。就像烏鴉喝水這一行為，看似簡(jiǎn)單，卻屬于自主推理行為，是由價(jià)值與因果驅(qū)動(dòng)的高級(jí)智能，也是人工智能的未來(lái)發(fā)展趨勢(shì)。

通往AGI的兩大技術(shù)流派

目前，在通往AGI的道路上，主要有兩個(gè)技術(shù)流派。

一個(gè)是以O(shè)penAI為代表的Transformer學(xué)派，通過(guò)大數(shù)據(jù)、大參數(shù)、大算力，以自回歸的方式走向AGI，今年初發(fā)布的Sora體現(xiàn)的涌現(xiàn)能力，就初步隱含著AGI的味道。

另一個(gè)是以Meta首席人工智能科學(xué)家Yann LeCun為代表的世界模型學(xué)派，這一學(xué)派認(rèn)為自回歸的Transformer是無(wú)法通往AGI。Yann LeCun認(rèn)為，人類和動(dòng)物能夠通過(guò)觀察，簡(jiǎn)單的交互，以及無(wú)監(jiān)督的方式學(xué)習(xí)世界知識(shí)，這蘊(yùn)含的潛在能力構(gòu)成了常識(shí)的基礎(chǔ)，這種常識(shí)能夠讓人類在陌生的環(huán)境下完成任務(wù)。

在人工智能的發(fā)展歷程中，Transformer架構(gòu)無(wú)疑是一個(gè)劃時(shí)代的創(chuàng)新。它首次被介紹是在2017年的論文《Attention is All You Need》中，旨在解決自然語(yǔ)言處理任務(wù)中序列到序列轉(zhuǎn)換的問(wèn)題。

Transformer架構(gòu)之所以能夠在短時(shí)間內(nèi)取得廣泛應(yīng)用，主要?dú)w功于其在語(yǔ)言理解和生成方面的顯著能力。模型通過(guò)自注意力機(jī)制學(xué)習(xí)文本中的復(fù)雜依賴關(guān)系，能夠生成連貫且富有邏輯性的文本，這在機(jī)器翻譯、文本摘要、對(duì)話系統(tǒng)等應(yīng)用中尤為突出。同時(shí)，Transformer的設(shè)計(jì)支持并行計(jì)算，極大提高了訓(xùn)練效率，這使得處理大規(guī)模數(shù)據(jù)集成為可能。

盡管Transformer架構(gòu)在多個(gè)領(lǐng)域取得了成功，但其在理解復(fù)雜概念和常識(shí)推理方面的能力仍有限。這是因?yàn)槟Ｐ椭饕蕾囉趶臄?shù)據(jù)中學(xué)習(xí)模式，而非真正理解這些模式背后的邏輯和原因。這一點(diǎn)在嘗試實(shí)現(xiàn)真正的AGI時(shí)尤為突出，因?yàn)锳GI不僅要求在特定任務(wù)上表現(xiàn)出人類水平的智能，更要求能夠跨領(lǐng)域?qū)W習(xí)和適應(yīng)。

不同于Transformer架構(gòu)專注數(shù)據(jù)的模式識(shí)別和序列處理，Yann LeCun圍繞如何使機(jī)器能夠像人類和動(dòng)物那樣理解和與世界互動(dòng)，強(qiáng)調(diào)“常識(shí)”推理的重要性以及基于“世界模型”的預(yù)測(cè)和計(jì)劃能力，試圖通過(guò)內(nèi)部模擬來(lái)預(yù)測(cè)和理解環(huán)境的動(dòng)態(tài)變化，進(jìn)而做出更為合理的決策。

世界模型的基本思想，源自于對(duì)人類和動(dòng)物如何理解世界的觀察。我們的大腦能夠構(gòu)建內(nèi)部表示，模擬可能的未來(lái)場(chǎng)景，并基于這些模擬做出決策。借鑒這一機(jī)制，世界模型旨在為人工智能系統(tǒng)提供一個(gè)內(nèi)部環(huán)境的模擬，使其能夠預(yù)測(cè)外部世界的狀態(tài)變化，從而在不同情境下做出適應(yīng)性決策。

這個(gè)模型通過(guò)無(wú)監(jiān)督的方式從未標(biāo)記的數(shù)據(jù)中學(xué)習(xí)，從而無(wú)需明確指示就能理解世界動(dòng)態(tài)。該模型架構(gòu)由六個(gè)模塊組成，包括執(zhí)行控制的配置器、理解當(dāng)前狀態(tài)的感知模塊、預(yù)測(cè)的世界模型、決策的成本模塊、規(guī)劃行動(dòng)的行動(dòng)模塊，以及追蹤狀態(tài)和成本的短期記憶模塊。

在強(qiáng)化學(xué)習(xí)領(lǐng)域，世界模型已經(jīng)顯示出其強(qiáng)大的潛力。通過(guò)在模型中模擬環(huán)境，人工智能不僅可以在虛擬環(huán)境中“想象”執(zhí)行動(dòng)作的后果，還能夠在實(shí)際執(zhí)行之前評(píng)估不同行動(dòng)方案的效果，極大提高了學(xué)習(xí)效率和決策質(zhì)量。此外，在自主決策系統(tǒng)，如自動(dòng)駕駛汽車和機(jī)器人中，世界模型能夠幫助系統(tǒng)更好地預(yù)測(cè)和應(yīng)對(duì)可能的變化，提高了安全性和可靠性。

世界模型的最大優(yōu)勢(shì)在于其環(huán)境模擬與預(yù)測(cè)的能力，這種能力使得人工智能系統(tǒng)可以在進(jìn)行實(shí)際操作之前，通過(guò)內(nèi)部模擬來(lái)評(píng)估不同行為的后果，這在資源有限或風(fēng)險(xiǎn)較高的情境下尤為重要。世界模型還支持決策支持和規(guī)劃能力的提升，允許系統(tǒng)在多個(gè)可能的未來(lái)中“看到”并選擇最優(yōu)路徑。

然而，世界模型的構(gòu)建和應(yīng)用也面臨著顯著的挑戰(zhàn)。首先，環(huán)境模擬的準(zhǔn)確性極大地依賴于模型的復(fù)雜度和所擁有的數(shù)據(jù)質(zhì)量。要精確地預(yù)測(cè)復(fù)雜環(huán)境中的動(dòng)態(tài)變化，需要大量的數(shù)據(jù)和強(qiáng)大的計(jì)算資源，這對(duì)于資源有限的項(xiàng)目來(lái)說(shuō)可能是一個(gè)限制。

其次，構(gòu)建一個(gè)能夠泛化到多種不同環(huán)境的世界模型是極具挑戰(zhàn)性的，因?yàn)楝F(xiàn)實(shí)世界的復(fù)雜性和不可預(yù)測(cè)性遠(yuǎn)遠(yuǎn)超出了任何現(xiàn)有模型的處理能力。

盡管世界模型在理論上具有巨大潛力，但在實(shí)際應(yīng)用中仍然存在許多未知數(shù)。例如，如何確保模型的預(yù)測(cè)準(zhǔn)確性，如何處理模型可能的偏差，以及如何在不同的應(yīng)用場(chǎng)景中調(diào)整模型參數(shù)以適應(yīng)特定的需求等問(wèn)題都需要進(jìn)一步的研究和探索。

越競(jìng)爭(zhēng)，越融合

在探索AGI的道路上，Transformer架構(gòu)和世界模型代表了人工智能研究中兩種截然不同的設(shè)計(jì)哲學(xué)和目標(biāo)。這兩種方法在理解復(fù)雜系統(tǒng)、處理未知環(huán)境、以及學(xué)習(xí)效率方面各有優(yōu)劣，引發(fā)了關(guān)于哪一種更接近于實(shí)現(xiàn)AGI的熱烈討論。

前文提到，Transformer架構(gòu)以自注意力機(jī)制為核心，它的設(shè)計(jì)哲學(xué)基于對(duì)數(shù)據(jù)之間關(guān)系的深入理解，特別適合處理序列化信息，如文本和語(yǔ)言，這使得Transformer在自然語(yǔ)言處理NLP等領(lǐng)域大放異彩。

相比之下，世界模型更側(cè)重于模擬和預(yù)測(cè)環(huán)境的動(dòng)態(tài)變化，試圖通過(guò)構(gòu)建內(nèi)部模型來(lái)理解外部世界，從而在各種情境下做出適應(yīng)性決策。這種方法類似于人類和動(dòng)物如何通過(guò)內(nèi)部表示來(lái)預(yù)測(cè)和規(guī)劃行為，因此被認(rèn)為在實(shí)現(xiàn)AGI方面具有潛在優(yōu)勢(shì)。

從理解復(fù)雜系統(tǒng)與處理未知環(huán)境的能力來(lái)看，Transformer架構(gòu)通過(guò)分析大規(guī)模數(shù)據(jù)集來(lái)理解復(fù)雜系統(tǒng)，優(yōu)勢(shì)在于其能夠捕捉深層次的模式和關(guān)系。然而，當(dāng)面對(duì)未知環(huán)境或數(shù)據(jù)稀缺的情境時(shí)，它的表現(xiàn)可能會(huì)受限，因?yàn)門ransformer依賴于已有數(shù)據(jù)中的模式進(jìn)行學(xué)習(xí)。

世界模型通過(guò)模擬可能的環(huán)境狀態(tài)來(lái)理解復(fù)雜系統(tǒng)，特別是在處理未知環(huán)境時(shí)展現(xiàn)出其獨(dú)特的優(yōu)勢(shì)。通過(guò)內(nèi)部模擬，它能夠“想象”不同的未來(lái)情境，即使是那些從未直接經(jīng)歷過(guò)的。這種能力使得世界模型在策略規(guī)劃和決策支持方面具有顯著的潛力。

在學(xué)習(xí)效率方面，Transformer架構(gòu)能夠快速?gòu)拇罅繑?shù)據(jù)中學(xué)習(xí)，尤其是在有足夠計(jì)算資源的情況下。然而，這種方法可能導(dǎo)致資源使用效率低下，特別是在需要處理非常大的數(shù)據(jù)集時(shí)。

世界模型在學(xué)習(xí)效率方面的優(yōu)勢(shì)在于其能夠通過(guò)少量的實(shí)際交互進(jìn)行有效學(xué)習(xí)。通過(guò)在內(nèi)部模型中“實(shí)驗(yàn)”不同的行動(dòng)策略，世界模型能夠在不直接與環(huán)境互動(dòng)的情況下優(yōu)化決策，從而降低了學(xué)習(xí)過(guò)程中對(duì)實(shí)際數(shù)據(jù)的依賴。

在追求AGI的道路上，Transformer架構(gòu)和世界模型各有所長(zhǎng)，代表了人工智能技術(shù)發(fā)展的兩條不同路徑。雖然每種方法都有其獨(dú)特的優(yōu)勢(shì)和局限，但未來(lái)AGI的實(shí)現(xiàn)可能不會(huì)完全依賴于單一技術(shù)或方法。相反，結(jié)合這兩種架構(gòu)的優(yōu)點(diǎn)，甚至探索新的技術(shù)和理論，將是實(shí)現(xiàn)真正智能、靈活且適應(yīng)性強(qiáng)的AGI系統(tǒng)的關(guān)鍵。

例如，利用Transformer架構(gòu)的強(qiáng)大語(yǔ)言處理能力來(lái)增強(qiáng)世界模型內(nèi)部的環(huán)境模擬能力，或者在世界模型的框架下集成Transformer模塊來(lái)提高模型對(duì)環(huán)境變化的理解深度。這種融合可能會(huì)帶來(lái)新的挑戰(zhàn)，比如如何平衡兩種架構(gòu)的計(jì)算需求，以及如何整合它們各自的學(xué)習(xí)機(jī)制。

除了結(jié)合現(xiàn)有架構(gòu)，實(shí)現(xiàn)AGI還需要探索新的技術(shù)和理論，這包括發(fā)展新的神經(jīng)網(wǎng)絡(luò)架構(gòu)、深入研究大腦和認(rèn)知科學(xué)以獲取靈感，或者開發(fā)能夠跨領(lǐng)域?qū)W習(xí)和適應(yīng)的算法，這些新的探索將跨越學(xué)科界限，整合來(lái)自神經(jīng)科學(xué)、心理學(xué)、計(jì)算機(jī)科學(xué)等領(lǐng)域的知識(shí)，既是人類智慧的集大成者，同時(shí)又挑戰(zhàn)著人類智慧的上限。

如今，我們正處在通向AGI未來(lái)的起點(diǎn)上，盡管實(shí)現(xiàn)它的時(shí)間表尚不明確，但技術(shù)道路正逐漸清晰。AGI的進(jìn)步不僅代表了技術(shù)創(chuàng)新，更是對(duì)未來(lái)人機(jī)交互方式的重新想象。兩千多年前，蘇格拉底說(shuō)“認(rèn)識(shí)你自己”，今天在AGI技術(shù)發(fā)展的倒逼下，人類需要“重新認(rèn)識(shí)你自己”。