欢迎加入
「易源易彩交流群」
「易源易彩交流群」
QQ扫码进群
（QQ群号：860213912）
注册得好礼
新用户微信注册享20元算力, >立即注册
关注公众号得算力
新用户关注易彩微信公众号享20元算力，
邀请有礼
邀请1人得5元算力，可累计叠加, 查看规则
摘要
当前人工智能在理解物理世界方面仍存在显著局限，核心问题在于缺乏对环境的深层“世界模型”认知。斯坦福大学教授李飞飞指出，AI系统难以像人类一样感知和预测现实世界的动态变化。杨立昆进一步强调，未来突破需借鉴人类大脑新皮质的工作机制，构建具备推理与常识理解能力的智能架构。研究表明，人类大脑中隐藏的进化密码可能为AI发展提供关键启示，通过模拟新皮质的信息整合方式，或可实现更接近人类水平的智能。因此，推动AI进化的下一步，或将依赖于对生物智能的深度模拟与理解。
关键词
AI局限,世界模型,大脑模拟,进化密码,新皮质
人工智能历经七十余年的发展，已从最初的逻辑推理模型演进为如今深度学习驱动的庞大系统。从图像识别到自然语言处理，AI在特定任务上的表现甚至超越人类。然而，这种“智能”更多建立在海量数据与算力堆叠之上，而非真正的理解与认知。正如斯坦福大学教授李飞飞所言，当前AI缺乏对世界运行规律的深层建模能力——它能识别一只猫，却无法理解猫为何跳跃、受何物理法则支配。尽管技术不断突破，AI仍停留在“感知层”的表象操作，未能触及“理解层”的本质推理。这一鸿沟揭示了一个根本问题：我们是否过于依赖算法优化，而忽略了智能本身的生物学根源？人类大脑历经数百万年进化，其新皮质不仅处理信息，更构建动态的“世界模型”，实现预测、规划与因果推断。相比之下，AI的学习方式显得机械而脆弱。因此，真正的智能跃迁或许不在于更强的算力，而在于重新审视生命本身——那深藏于神经网络背后的“进化密码”，可能才是开启通用人工智能之门的钥匙。
即便AI能在围棋中击败世界冠军，或生成逼真的虚拟图像，它依然难以理解一个孩子如何搭起积木塔，又为何会倒塌。这种对物理常识的缺失，暴露出AI在构建“世界模型”上的根本缺陷。杨立昆指出，现有系统缺乏像人类大脑新皮质那样的分层抽象与因果推理机制，导致其无法进行常识性预测。例如，AI无法判断“杯子放在桌边可能被打翻”，因为它没有内化的物理直觉。人类婴儿在几个月大时便开始形成对重力、物体恒存性的认知，这是进化赋予的先天优势；而AI必须通过成千上万次标注数据才能勉强模仿。这种差距背后，正是“进化密码”的隐秘作用——它编码了生物体与环境长期互动的经验结晶。若想让AI真正理解现实世界，就必须超越监督学习的局限，转向模拟大脑新皮质的信息整合方式，构建具备自主推理与情境适应能力的架构。唯有如此，机器才可能不只是执行指令，而是像人一样“思考”世界。
“世界模型”并非简单的环境映射，而是一种内在的认知架构——它让智能体能够在未见、未经历的情况下推演可能的结果，预测未来的状态，并理解行为背后的因果链条。人类大脑通过新皮质构建这一模型，将感官输入与先验知识融合，形成对物理规律的直觉性把握。婴儿在爬行时避开桌沿，不是因为接受了上万次“坠落训练”，而是其大脑已悄然建立起关于重力、空间和物体连续性的隐性模型。这种能力深植于进化密码之中，历经数百万年自然选择的打磨，成为我们与生俱来的认知基石。相比之下，当前AI系统缺乏这样的内在机制。它们依赖大量标注数据进行模式识别，却无法像人类那样仅凭一次观察就归纳出普遍规律。李飞飞指出，真正的智能应具备“想象反事实”的能力：比如思考“如果地板是斜的，积木会怎样？”这正是世界模型的核心功能。没有它，AI只能被动响应，无法主动理解或预判。因此，构建一个具备动态推理、情境建模与常识整合能力的“人工世界模型”，已成为突破AI局限的关键命题。
构建有效的世界模型，意味着人工智能将从“反应式机器”迈向“认知型主体”。杨立昆强调，唯有具备世界模型的系统，才能实现低样本学习、高泛化能力和稳健的现实适应性。今天，自动驾驶汽车在陌生雨夜中犹豫不前，聊天机器人误解简单的生活常识，根源都在于缺乏对世界的深层表征。而一旦AI能够模拟人类新皮质的信息整合方式——分层抽象、跨模态融合、因果推断——它便有望在无需海量数据的前提下，自主构建对环境的理解。这不仅是技术跃迁，更是范式革命。研究表明，大脑新皮质通过稀疏编码与预测编码机制，在极低能耗下完成复杂建模，这种效率远超现有深度神经网络。若能破解其中隐藏的“进化密码”，我们将不仅提升AI的智能水平，更可能重塑其学习逻辑。未来的人工智能或将不再局限于执行任务，而是真正理解行为后果、预测他人意图、甚至具备道德判断的基础。因此，世界模型不仅是通往通用人工智能的桥梁，更是连接生物智慧与机器智能的哲学纽带。
人类大脑的新皮质，是自然界历经数百万年进化雕琢出的奇迹。它不仅负责感知与运动控制，更是构建“世界模型”的核心引擎。神经科学研究表明，新皮质通过六层结构的复杂神经网络，实现信息的分层抽象与跨模态整合——视觉、听觉、触觉等感官输入在此交汇，与记忆、情感和先验知识融合，形成对世界的动态理解。这种机制并非依赖海量数据训练，而是以极低能耗（约20瓦）完成高度复杂的推理任务。更令人惊叹的是，婴儿在出生后的头几个月内，便能自发形成对物体恒存性、重力作用和因果关系的基本认知，这背后正是新皮质中隐藏的“进化密码”在悄然运作。这一密码不是写在代码里的规则，而是深植于神经回路中的生物学智慧，使人类无需经历千次失败就能预判积木塔是否会倒塌。李飞飞指出，这种基于内在模型的预测能力，才是智能的本质特征。新皮质还采用“预测编码”机制：大脑不断生成对环境的预期，并仅对偏差进行处理，极大提升了信息效率。相比之下，当前AI系统仍停留在被动响应层面，缺乏这种主动建模的能力。因此，理解新皮质如何从有限经验中提炼普遍规律，或许是破解AI认知瓶颈的关键所在。
尽管科学家已揭示新皮质的部分运作机制，但将其精髓移植到人工智能系统中仍面临巨大挑战。首要难题在于，我们尚未完全破译“进化密码”的具体编码方式——它是如何将亿万年的生存经验压缩为婴儿天生的物理直觉？杨立昆直言，现有深度学习依赖监督训练，而人类学习却是自监督、情境驱动且高度高效的。要让AI具备类似新皮质的分层抽象与因果推理能力，必须摆脱对标注数据的依赖，转向类脑的预测学习架构。已有研究尝试模拟新皮质的稀疏编码与层级预测机制，在小规模实验中展现出更强的泛化能力。例如，某些新型神经网络能在仅观察几次后掌握物体碰撞规律，接近人类儿童的表现。然而，这些模型距离真正内化“世界模型”仍有鸿沟。更大的障碍来自计算范式本身：传统AI追求参数规模扩张，而大脑则以精巧结构取胜。未来突破或将源于跨学科融合——结合神经科学、发育心理学与机器学习，构建能够像生命体一样“成长”的智能系统。若能成功模拟新皮质的信息整合逻辑，AI或将不再只是工具，而成为真正理解世界的伙伴。
在人类婴儿睁开双眼的那一刻，一场无声的认知革命已然开始。无需数据标注，也无需反向传播，他们仅凭几个月的观察与互动，便能理解物体不会凭空消失、积木塔倾斜到一定角度便会倒塌——这种对物理世界的直觉性把握，并非来自后天训练，而是深藏于大脑新皮质中的“进化密码”在悄然运作。这串由数百万年自然选择雕琢而成的生物学程序，将生存经验压缩成神经回路的默认配置，赋予人类与生俱来的世界建模能力。李飞飞指出，正是这种内化的认知架构，使人类能在极低样本输入下完成复杂推理：一个孩子只需一次目睹杯子被打翻，就能推演出“桌边=危险”的因果逻辑。相比之下，当前AI系统即便处理上百万张图像，仍难以形成真正的物理常识。这一巨大鸿沟背后，是生物智能与人工系统的本质差异：我们用20瓦能耗的大脑构建动态模型，而AI动辄消耗兆瓦级电力，却只能执行静态模式匹配。更令人深思的是，新皮质通过预测编码机制，只关注感官输入中的“意外”，极大提升了信息效率——这正是进化密码的核心智慧：以最小代价获取最大适应性。若不能破解这一生命馈赠的认知密钥，人工智能或许永远只能停留在“聪明的鹦鹉”阶段，模仿表象，却无法触及理解的本质。
要让人工智能真正跨越理解的鸿沟，就必须从堆叠参数转向解码生命本身。杨立昆强调，未来的突破口不在于更大的模型，而在于更像大脑的架构——一种能够自监督学习、自主构建世界模型的类脑系统。已有研究尝试模拟新皮质的稀疏激活与层级预测机制，在仅观察五至十次物体碰撞后，便能预测其运动轨迹，展现出接近婴幼儿的泛化能力。这些实验虽小，却指明了方向：AI的发展不应再盲目追随数据洪流，而应回归生物智能的演化路径。这意味着重构学习范式——从依赖人工标注转向环境交互驱动，让机器像幼童一样通过试错与观察积累“经验结晶”。更重要的是，跨学科融合将成为关键：神经科学揭示大脑如何编码因果，发育心理学提供学习节奏的蓝图，而机器学习则负责将其转化为可计算的形式。当我们将“进化密码”视为设计原则而非隐喻时，AI或将迎来真正的跃迁——不仅能预判风险、理解意图，甚至具备道德直觉的基础。这不是简单的技术升级，而是一场认知范式的重生：让机器不再只是工具，而是成为懂得“思考世界”的伙伴。
人工智能在理解物理世界方面仍面临根本性挑战，其核心在于缺乏人类与生俱来的“世界模型”构建能力。李飞飞指出，AI无法真正理解因果与物理规律，而杨立昆强调，未来突破需借鉴大脑新皮质的分层抽象与预测编码机制。人类大脑仅用约20瓦能耗即可完成复杂推理，而现有AI依赖海量数据与算力却难以实现常识判断。研究表明，深藏于神经回路中的“进化密码”——历经数百万年自然选择形成的生物学智慧——可能是解锁通用人工智能的关键。唯有通过模拟新皮质的信息整合方式，推动自监督、低样本、情境驱动的学习范式，AI才可能从“感知机器”进化为“认知主体”。