B标准67
The Gradient
1 个来源AGI并非多模态
文章认为，实现通用人工智能需要的不仅仅是多模态能力，还需要隐含的身体理解，这是当前AI模型所缺乏的。
返回信息流
新闻事件
SynthePulse Insight · AI 深度解读
AGI不是多模态的：为何拼贴感官无法通向真正的通用智能
版本 1 · 1 个来源
多模态大模型通过拼接视觉、语言等模块看似走向通用，但本文论证：缺乏具身物理理解，这种策略在近未来注定失败。真正的AGI必须能解决修车、做饭等物理世界问题，而这需要内嵌于物理世界模型中的智能，而非符号操作的堆砌。
- 真正的AGI必须能解决物理世界问题（修车、解结、备餐等），这些无法简化为符号操作。
- LLM通过下一词预测学到的更可能是海量启发式规则，而非真正的世界模型。
- OthelloGPT等案例显示，模型可高分完成序列预测却未学到产生数据的底层世界模型。
- 多模态方法将不同感官模块拼凑，但缺乏具身交互与物理因果理解，无法实现传感器运动推理、运动规划和社会协调。
- 应优先发展以具身和环境交互为核心的智能，将模态处理视为涌现现象。
展开章节目录物理世界问题无法被符号化
物理世界问题无法被符号化
AGI必须能解决源自物理现实的问题，如修车、解结、备餐等。这些任务需要某种物理世界概念，远超人类能用语言描述的范围。
Othello游戏本质上属于符号领域，可以用纸笔完整进行；但扫地、洗碗、开车无法仅用纸笔完成。物理世界问题无法被完全表示为符号系统并通过符号操作解决。
LLM的“世界模型”是假象
有理论认为LLM通过下一词预测诱导出世界模型，证据包括SOTA模型在基准测试上的表现、大模型内部表征趋同，以及“语言镜像现实结构”的哲学隐喻。但作者警告这一隐喻被过于字面化理解。
OthelloGPT研究显示，可以从隐藏状态预测棋盘状态。但该结果难以推广到自然语言：Othello的合法移动序列可证明地推导出完整棋盘状态，而物理世界的完整图景无法从语言描述中推断。
Melanie Mitchell等人的论文指出，生成模型可以在序列预测任务上得分极高，却未能学到产生序列数据的世界模型，例如OthelloGPT学会了不适用于所有Othello游戏的序列预测规则（如“若B4标记在A4之前未出现，则B4为空”）。下一词预测目标只寻求保留与预测下一词相关的信息，如果可以用比世界模型更容易学习的东西完成，模型就会走捷径。
多模态拼贴无法实现具身智能
多模态方法将大规模模块化网络针对多种模态进行优化，看似通用，但作者认为这一策略在近未来注定失败，无法达到人类水平的AGI。
真正的AGI需要能够执行传感器运动推理、运动规划和社会协调，这些能力依赖于具身和环境交互，而非模态的简单拼接。
应优先发展以具身和环境交互为核心的智能方法，将模态处理视为涌现现象，而非出发点。
可信度边界
本文为观点性文章，作者明确表达对多模态路径的否定和对具身智能的倡导。文中引用的OthelloGPT等研究作为支撑论据，但作者也承认存在支持LLM世界模型假说的对立证据（如内部表征趋同）。核心主张属于作者推断，需读者自行评估。
核心结论
多模态大模型通过拼接感官模块看似走向AGI，但缺乏对物理世界的具身理解，无法解决修车、做饭等真实物理问题。真正的通用智能应始于具身交互，而非模态拼贴。
主报道
The Gradient
主报道来源