超越Token预测：AGI需要世界模型吗？顶尖专家激辩AI的未来 | AI新闻

type

status

date

slug

summary

引言：探寻AGI的终极路径

人工智能（AI）正以前所未有的速度渗透到我们生活的方方面面，从强大的语言模型如ChatGPT和Claude，到复杂的科学计算，其能力边界不断被拓宽。然而，当我们仰望通用人工智能（AGI）这座高峰时，一个根本性的问题浮出水面：当前以“Next Token Prediction”（下一个词元预测）为主流的范式，是否足以引领我们抵达终点？还是说，AI需要构建一个更深层次的“世界模型”来真正理解和与我们复杂的物理世界互动？

最近，在清华大学求真书院主办的“2025基础科学与人工智能论坛”上，多位顶尖AI专家就此展开了一场深刻的思辨。这场讨论不仅触及了AI的技术瓶颈，更指向了其哲学根基。本文将深入解读并扩展这场巅峰对话的核心观点，带你一窥AGI的未来图景。想要获取更多前沿的AI新闻和深度分析，欢迎访问AI综合门户网站 https://aigc.bar。

从相关性到因果性：AI迈向真正科学的门槛

当前AI系统，尤其是大模型（LLM），其核心能力在于从海量数据中学习和识别“相关性”。然而，真正的科学突破和深刻理解，源于对“因果律”的掌握。

纽约州立大学石溪分校的顾险峰教授一针见血地指出，缺乏因果建模能力，是当前AI在自然科学等领域遭遇瓶颈的核心原因。科学理论需要建立在简约且逻辑自洽的因果体系之上，而非仅仅是数据模式的堆砌。AI若想从“模式识别器”进化为“科学发现引擎”，就必须跨越从相关性到因果性的鸿沟。

对此，中关村人工智能研究院理事长刘铁岩博士提出了一个更具建设性的视角。他认为，尽管大模型的底层是统计学习，但在其高层语义表达中，已经涌现出了“语义因果性”的雏形。例如，模型在处理逻辑推理或文本论证时，表现出对“因为……所以……”这类结构的理解。这提示我们，或许应该以一种更开放和分层的态度来审视因果性，探索AI在语义层面实现因果推理的潜力。

Token范式的黄昏？世界模型是AGI的必经之路吗？

本次论坛的核心议题之一，便是对“Next Token Prediction”范式的反思。文本是一维的，图像是二维的，而我们生活的世界是复杂的四维时空。当AI的认知对象从语言扩展到物理世界，这种基于序列预测的范式是否会走到尽头？

乐观派观点：清华大学的汪玉教授认为，语言是人类认知的高度浓缩和表达系统。许多复杂的物理结构、图像甚至视频，原则上都可以通过语言进行“展开”和描述。他提出了一个“可描述性”边界：只要一个规律或对象能被人类语言精确描述，AI就有可能通过Token预测模型来学习它。

务实派观点：刘铁岩博士则认为，Token预测在语言理解和创作领域无疑是极其成功的范式，其泛化能力远超以往。但当任务转向非语言领域，如求解偏微分方程、模拟量子系统或进行工业流程优化时，当前的范式可能力不从心，需要全新的学习目标和系统架构。这直接指向了“世界模型”的必要性——一个能够内化物理规律、空间关系和因果逻辑的内部表征系统。

这场辩论表明，通往AGI的道路可能并非一条，而是针对不同任务类型，需要不同范式协同发展的复杂图景。

AI能否原创？从模仿大师到科学巨匠的距离

AI的“原创能力”是另一个备受关注的焦点。它究竟是卓越的模仿者，还是具备了产生颠覆性创新的潜力？

顾险峰教授的观点非常鲜明：目前的AI更像是“融会贯通的博学之士”，而非“开宗立派的原创大师”。他以自己学习拓扑学的经历为例，强调真正的科学进步源于对未知现象的预判和假设，这是一种目前AI尚不具备的、源于深刻洞察的原创能力。

曦智科技创始人沈亦晨博士用围棋作比喻，指出围棋虽然规则简单，但其巨大的搜索空间（约10^360）使得纯粹依赖已有“套路”无法解决所有问题。他将问题分为“90%可类推问题”和“10%原创性突破问题”，认为AI在前者中表现出色，但在后者——那些堪称人类科学“皇冠上的明珠”的领域，仍有很长的路要走。

不过，从产业视角看，刘铁岩教授认为AI在“从类比中发现新结构”方面潜力巨大，这本身就是一种重要的创新形式，尤其是在AI for Science的具体应用中，能够极大地加速科学发现的进程。

高能效计算：支撑未来AI基础设施的革命

所有关于AGI的宏大构想，都建立在一个坚实的物理基础上：算力。随着模型规模呈指数级增长，算力消耗和能源成本已成为制约AI发展的关键瓶颈。

孙茂松教授引用的数据显示，未来对算力的需求将是天文数字。对此，沈亦晨博士指出，“高能效计算”是AI基础设施的下一场革命。他介绍了其公司在光互联和光计算芯片方面的突破，利用光子作为信息载体，有望实现远超传统电子芯片的带宽和能效。为了最大化光计算的优势，算法层面也需要向低精度（如int4/int8）优化，这预示着未来软硬件协同设计的重要性。

汪玉教授补充道，未来的关键是实现“底层硬件异构对开发者的透明”，让开发者无需关心底层是光计算还是电计算，从而保障工程效率。而刘铁岩博士则描绘了一个更科幻的未来：一个由百万级机器人在物理世界中实时感知、交互、并同步模型权重的分布式学习系统，这或许是实现具身智能和AGI的终极物理形态。

结论：在思辨中迈向智能的未来

这场顶尖专家的圆桌论道，为我们清晰地勾勒出通往AGI道路上的几大核心挑战：如何跨越因果鸿沟、是否需要超越Token范式构建世界模型、如何定义和实现AI的原创能力，以及如何构建支撑这一切的可持续算力基础设施。

答案并非唯一，前路也充满未知。但正是这样开放、深刻的思辨，为人工智能的发展指明了方向，也激发了更多人投身于这场伟大的探索。要持续追踪AI领域的最新动态、深度AI资讯和实用Prompt技巧，请务必关注AI门户 https://aigc.bar，与我们一同见证未来的到来。