AGI不是多模态:布朗大学研究者质疑规模扩展路径,主张具身交互优先
摘要:布朗大学博士生Benjamin A. Spiegel在The Gradient发表观点文章,认为当前通过多模态模型拼接实现AGI的路径注定失败。他指出,LLM通过预测下一个token学到的只是语法层面的启发式规则,而非真正的世界模型;多模态方法割裂了模态间的深层联系,且缺乏具身数据。他主张以具身交互为核心,让模态处理自然涌现,并引用Sutton的“苦涩教训”反驳结构无关的规模扩展。文章引发对AGI定义与实现路径的深刻反思。
核心观点:多模态拼接无法通向AGI
布朗大学计算机科学博士生Benjamin A. Spiegel在The Gradient发表长文《AGI Is Not Multimodal》,系统论证了当前以多模态模型拼接实现AGI的路径存在根本性缺陷。他认为,真正的AGI必须能够解决物理世界中的问题,如修车、解绳结、做饭等,而这些任务需要基于物理世界模型的具身智能,而非单纯的符号操作。
LLM并未真正理解世界
Spiegel指出,尽管LLM在语言任务上表现出色,但证据表明它们并未学习到真正的世界模型。他引用OthelloGPT等研究,说明模型可能只是学习了训练数据中的启发式规则,而非世界的因果结构。例如,OthelloGPT学到的是“如果B4在A4之前未出现,则B4为空”这类统计规律,而非奥赛罗棋盘的完整状态。他进一步论证,语言描述无法完整推断物理世界状态,因此LLM的“世界模型”更像是对语法结构的记忆,而非对语义和语用的理解。
多模态方法的三大缺陷
Spiegel认为,当前多模态方法存在三个主要问题:
- 模态间深层联系被割裂:预训练时各模态独立优化,联合嵌入空间无法捕捉模态间复杂的一对多关系,如不同抽象层次的图像描述或同一指令的不同物理动作实现。
- 模态划分不符合认知本质:人类认知中,阅读、视觉、语言和运动由重叠的认知结构支撑,将图像和文本视为独立观察流、将文本生成和运动规划视为独立动作能力,会阻碍更基础认知过程的发现。
- 缺乏概念创新能力:模型只是复制人类已有的概念结构,而非学习从经验中形成新概念的能力,这限制了其泛化到训练分布之外的能力。
重新解读“苦涩教训”
Spiegel认为,Sutton的“苦涩教训”常被误解为反对任何结构假设,但实际上,CNN的平移不变性、Transformer的注意力机制等结构假设正是AI突破的关键。他主张,在AGI开发中,应设计让模态处理自然涌现的环境,而非预设模态结构。他引用自己关于视觉心理理论的研究,展示了抽象符号如何从图像分类智能体的通信中涌现。
结论:从数学问题到概念问题
Spiegel总结道,AGI最难的数学部分(通用函数逼近器)已解决,剩下的挑战是确定所需功能并合理组织,这是一个概念问题而非数学问题。他建议要么有意识地将模态融合(借鉴人类直觉和经典研究),要么将学习重新定义为具身交互过程,让不同模态自然融合。尽管效率可能降低,但将获得更灵活的认知能力。
行业影响与启示
这篇文章为AI社区提供了重要反思:规模扩展并非万能,AGI的实现可能需要根本性的范式转变。对于开发者而言,应关注具身智能、世界模型和概念形成等方向,而非盲目追求多模态模型的规模。
原文出处:The Gradient, “AGI Is Not Multimodal”, 2025. 链接
—— 完 ——主题标签: #AGI #多模态 #具身智能 #世界模型 #苦涩教训
编辑部与事实核查说明:本篇专刊由智客前沿资讯管线根据官方技术公告、学术论文及开源工程文档整理编译,经算法实体核验与人工编辑审校后发布。若发现技术事实纰漏,欢迎依据勘误方针或一键向编辑部发送勘误反馈。
社区整体评论区