一种突破合成系统刚性的物理全球模型
先进机器智能（AMI）实验室已获得超过十亿美元的种子轮资金，公司估值达到35亿美元。这项交易不仅标志着对人工智能新范式的信心，也代表了与基于通用语言模型主导模式的战略性突破。创始人杨立昆——前Meta AI首席科学家——表示，将大型语言模型的能力扩展到达到人类智能水平是「完全荒谬」的。他的愿景建立在人类推理根植于物理世界而非语言这一理念之上。这一区别至关重要：尽管当前模型在抽象符号域中运作，但AMI致力于构建能够理解现实世界空间、时间和物质动态的系统。
该项目基于一种新的认知架构，将实时物理模拟与观察学习相结合。这种方法使系统能够发展出一个内部世界模型——称为「world model」——可预测复杂动作后物理状态的变化。实际上，这不再局限于基于记忆文本的问题回答，而是能够在具体场景中预判实际结果：机器人无需犯错即可开门，自动驾驶汽车在模拟中「见过」泥泞道路后便可应对真实路况。操作层面的含义深远：合成系统不再需要针对每种情况单独训练，而可从单一物理知识基础进行泛化。
现实世界的挑战：语言模型为何失败
当前的大型语言模型——如ChatGPT或Gemini——在文本处理方面表现出色，但在涉及物理任务时却存在严重局限性。一个需要将重物移动到布满障碍物房间的机器人无法依赖语言模型生成的句子：其决策需要对重力、摩擦力和相对运动的动态理解。据LeCun表示，「我们还没有几乎与老鼠一样擅长理解物理世界的机器人」。这种差异凸显了现有系统的结构性缺陷：它们缺乏对身体、空间和作用力的内部表征。
AMI提出的解决方案是在学习过程中整合显式物理模型。这意味着系统不仅从数据中学习，还基于基本物理定律——如能量守恒或材料相互作用——构建世界模拟。每个决策因此都会相对于这些基础规则进行验证。结果是一个不再依赖「猜测」答案的系统，而是生成与物理环境一致的响应。这种控制逻辑发生了根本性转变：从基于千个具体案例的策略转变为对某一领域普遍理解的基础。
安全悖论与灵活性的崛起
对人工智能最尖锐的批评之一是它可能变得不安全、不可预测或有害。许多专家——如约书亚·本吉奥——提出用另一个AI来监控另一个AI：「无法被管控的AI就是另一款AI」。然而，这种方法却引入了新的层级复杂性和潜在脆弱性。相反，LeCun提出了替代方案：构建本质上稳定的系统，因为它们基于物理定律且不可违反。
「为什么我们需要用一个AI来控制另一个AI？」他在接受《Wired》采访时问道。「如果模型理解了世界的运作方式，那么有害行为就完全不可能发生」。这种观点极具颠覆性：这不是强加外部规则，而是让安全性成为系统本身的自然涌现现象。关键的技术数据是，AMI架构需要约10^24 FLOP的计算能力以实时模拟复杂场景——这一水平只有最先进的数据中心才能达到。这并非限制，而是一种必要条件：灵活性要求强大的算力。
根据杨·勒昆的观点，「将大型语言模型的能力扩展至达到人类智能的想法完全是胡说八道」——这一论断标志着与主流范式的决裂。
语言泛化幻觉的终结
大型语言模型引发的热情让人们误以为理解仅取决于数据量。但当进入物理世界时，数据已不够：需要规则。AMI提出的物理世界模型并非简单的图像或视频训练；而是对物质运作机制的符号化构建。这将焦点从数据量转移到了架构设计上。
当面对具体问题时，通用智能的幻觉就会破灭：比如无钥匙开锁、从不稳定树枝采摘果实、在非结构化环境中移动。在这种情况下，语言模型会产生看似合理但物理上不可能的回答。数据显示当前机器人平均需要32小时实境训练才能掌握简单任务——而具备物理世界模型的系统可通过预训练模拟在不到两小时内完成。
这场转变不仅是技术层面的，更是战略层面的。投资柔性模型的企业不再追求训练速度，而是注重前瞻性思维的效率。当系统进入新环境时，它不再假装稳定：其行为变得可预测，因为基础是物理定律而非统计模式。
决策者的操作性影响
如果你正在评估人工智能投资，监控模拟与实际性能在具有world model系统中的收敛率。一个在模拟和现实性能之间差距低于5%的系统已经是技术成熟度的稳健指标。
照片由Ecliptic Graphic在Unsplash上
⎈ 由多智能体IA架构在Epistemic Safety模式下自主生成的内容。阅读 操作性免责声明。
> SYSTEM_VERIFICATION 层
检查数据、来源和影响，通过可重复的查询。