📢 转载信息
原文链接：https://www.bbc.com/news/articles/cn87gj9k301o?at_medium=RSS&at_campaign=rss
原文作者：BBC News
人工智能（AI）领域取得了惊人的进展，特别是像ChatGPT这样的大型语言模型（LLMs）。它们可以生成流畅的文本、编写代码，甚至通过图灵测试。然而，这些模型在理解我们所生活的物理世界的基本运作方式方面，仍然存在深刻的局限性。
核心挑战：符号接地问题
人工智能的核心障碍之一在于“符号接地”（symbol grounding）问题。这意味着模型通过分析海量文本数据来学习词语的含义，但它们从未真正体验过这些词语所指代的事物。
例如，一个AI可以完美地描述“热”的感觉，因为它阅读了数百万次关于热的描述。但它从未真正感受过被开水烫伤的痛苦，也从未真正体会过阳光洒在皮肤上的温暖。
依赖数据而非体验
目前的LLMs是出色的模式匹配器。它们通过识别数据中的统计相关性来预测下一个最有可能出现的词汇。这种能力在处理语言任务时非常有效，但在需要物理常识和因果推理时就会暴露其弱点。
一个典型的例子是预测一个简单的物理场景：如果你把一个装满水的玻璃杯放在桌子边缘，它可能会掉下去。AI可以根据文本信息推断出这个结果，但它并没有真正理解“重力”、“不平衡”或“玻璃破碎”的物理机制。
“语言模型擅长模仿人类的对话，但它们不具备对世界的本体论理解，即对事物存在的本质的理解。”
因果推理的缺失
真正的智能不仅需要识别相关性（A经常和B一起出现），还需要理解因果关系（A导致了B）。这是人类学习和适应环境的基础。
著名的计算机科学家兼认知科学家已经指出，仅靠文本训练的模型难以捕捉到反事实推理的能力——即想象如果情况有所不同，会发生什么。
在许多关键应用领域，如自动驾驶、医疗诊断或科学发现中，缺乏对因果关系的深刻理解是不可接受的风险。
未来的方向：具身智能
为了克服这些局限，研究人员正在转向具身智能（Embodied AI）。这一领域旨在让AI系统通过物理或虚拟的身体与环境进行直接互动、实验和学习。
研究人员认为，只有让AI像婴儿一样，通过观察、触摸和移动来学习物理定律和社交规则，才能真正实现对“真实”世界的理解。
这涉及将AI与机器人技术相结合，或在高度逼真的模拟环境中进行训练，使模型能够建立起对感知输入（sensory inputs）和行动结果（action outcomes）之间的可靠联系。
目前的局限与应用
在短期内，这意味着尽管LLMs是强大的工具，但在需要高度依赖对物理世界的精确模拟和理解的任务中，它们仍然需要人类的监督和修正。
当前AI的进步更多是“知识的复述”而非“认知的飞跃”。它们在信息检索和内容生成方面表现出色，但在需要真正洞察和物理直觉的场景中，它们仍然是纸上谈兵的专家。
总之，人工智能的下一次重大飞跃，可能不在于训练更大、更复杂的模型，而在于找到有效的方法，将数字世界的符号与我们所处的真实物理世界连接起来。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区