AGI的未来：从大模型到世界模型的演进之路

文 | 极智GeeTech

在1956年，新罕布什尔州达特茅斯学院举行了一场具有历史意义的学术会议，数学教授约翰·麦卡锡首次提出了“人工智能”（Artificial Intelligence）这一概念。这次会议旨在探讨机器能否模拟人类智能，但它所开启的却是人工智能领域跨越半个世纪的探索与革命。

随着科技的迅猛发展，我们正在一步步迈向通用人工智能（AGI）的新时代。阿里巴巴集团CEO吴泳铭在最近的财报会议上表达了对AGI实现的信心，认为一旦AGI问世，将引领一场前所未有的产业变革，彻底重塑全球经济构造。尽管大语言模型（如GPT-4）在对话生成、文本理解等方面表现优秀，它们依然距离真正的AGI有着巨大的裂隙。

AGI最初由北卡罗莱纳大学的Mark Gu

ud于1997年提出，定义为在复杂性和速度上可以与人脑相媲美或超越的AI系统。AGI的实现意味着机器能够自主学习、推理并适应复杂环境，成为一种具有通用性和超强处理能力的智能体。当前的AI技术，尤其是大语言模型，仍然面临多重障碍。

大模型的能力往往局限于特定任务，对于复杂的物理和社会环境缺乏语言的深刻理解。这使得当前的AI系统在本质上仍是“高级模仿”，更多的是承担信息的翻译与生成，而缺乏对世界的真实感知与自主决策能力。这些模型的自主性受到用户定义任务的限制，像“鹦鹉”一样仅仅复述已知信息。更为重要的是，它们缺乏道德判断的能力，无法真正理解人类的价值观。

面对这些困难，科技公司仍在希望通过大模型的不断迭代走向AGI。OpenAI和谷歌等巨头将大模型视为进军AGI的关键里程碑，并提出了AGI发展分级标准，从聊天机器人到能够执行复杂组织任务的智能体不断层层递进。目前，AI技术正处于从L2“推理者”迈向L3“智能体”的阶段，期待2025年AGI应用能进入繁荣期。

实现AGI的道路并不平坦。大模型偶尔出现的“幻觉输出”问题暴露了其因果关系理解的局限性；自动驾驶汽车在面临极端情境时的决策也反映出现实世界的复杂性以及相关的伦理困境。为了朝着AGI前进，AI需要建立对现实世界的深刻认识，这不仅仅依赖语言理解，而是需要多层次多模态的模型。

大模型的演变途径大致分为三个阶段：单模态、多模态，再到世界模型。在单模态阶段，AI往往只能处理单一类型的数据；而在多模态阶段，例如GPT-4V，模型开始整合文字、视觉等多类信息。目前的多模态融合仍存在局限，尚未实现“理解”与“生成”的统一，导致其在能力发挥上出现偏差。因此，未来的多模态模型需要实现更深层次的数据融合，以推动AGI的实现。

多模态模型的研究方向包括对齐、融合、自监督和噪声处理等，以提高模型在复杂现实世界中的表现。它们的优势在于能够综合处理来自不同模态的信息，丰富AI的感知与反应能力。例如，微软的Magma模型通过整合视觉、文本和视频信息，展现了在动态环境下进行决策的潜力。

如何让AI真正理解世界、建立“世界模型”，是实现AGI的关键所在。世界模型不同于现有多模态模型，它侧重于通过真实感知输入（如摄像头捕捉的实时数据）来模拟真实世界，并能够进行动态反应。虽然世界模型的研发已经取得了一定进展，但仍需克服在因果关系、动态环境变化预测等方面的能力不足。

在向AGI迈进的过程中，我们不仅需要让机器具备理解与推理的能力，还需要加强其对物理世界的洞察。未来，通过更多真实场景的动态数据训练，AI将能更好地理解三维世界的运作规律，而不仅仅是依靠历史数据进行推测与生成。

AGI的实现不会是一次性突变，而是让我们逐渐欣赏到人机共存的未来画卷。人类需要认真思考在这个过程中希望赋予AI何种价值观。正如斯蒂芬·霍金所言，人工智能的崛起可能是人类历史上最伟大或最糟糕的事件，决定取决于我们今天的选择与责任。通过合理的引导与监管，AI将能够重新诠释我们的世界，同时推动人机交互方式的再创造。