1. 项目概述当顶尖AI科学家开始“泼冷水”最近AI圈子里有个讨论挺有意思不是关于哪个模型又刷新了榜单而是两位重量级人物——DeepMind的CEO德米斯·哈萨比斯和Meta的首席AI科学家杨立昆几乎在同一时间给当前AI的“智力”水平泼了盆冷水。哈萨比斯直言最先进的AI系统在智力上还不如一只猫杨立昆也持类似看法认为当前的大语言模型在理解物理世界和进行常识推理方面存在根本性局限。这个观点像一块石头扔进了看似平静的湖面激起了不少涟漪。对于我们这些身处行业一线、天天和模型、数据、算力打交道的人来说这种“唱衰”其实并不陌生甚至可以说是一种必要的清醒剂。过去一两年生成式AI特别是大语言模型展现出的文本生成、代码编写、对话交互能力确实让人惊叹也催生了“AI即将超越人类”的广泛讨论和商业狂热。但哈萨比斯和杨立昆的言论恰恰把我们从对“通用人工智能”的浪漫幻想中拉回现实聚焦到一个更本质、也更棘手的问题上我们当前构建的AI其“智能”的底层逻辑到底是什么它离我们期望中的、能像生物一样适应和理解复杂世界的智能还有多远的距离与此同时标题中提到的“谷歌新项目”则指向了另一个耐人寻味的动向突破“聊天限制”。这听起来像是对当前AI应用形态尤其是以聊天机器人为主的一种反思和升级尝试。当顶尖的研究者指出现有路径的“天花板”时产业巨头已经在探索“破墙”的方法。这个组合信息构成了一个非常清晰的叙事承认局限寻找新路。对于我们从业者而言这远比又一个参数更大的模型发布更有价值因为它揭示了未来几年AI技术演进可能的关键战场和思维转向。理解这场讨论能帮助我们在技术选型、产品设计和职业规划上做出更清醒的判断。2. 核心争议解析“不如猫”的AI到底缺了什么哈萨比斯和杨立昆的论断绝非简单的“贬低”而是基于他们对智能本质的深刻理解对当前主流AI范式即基于大规模数据训练的大语言模型的一次精准“诊断”。要理解这个诊断我们需要拆解“猫的智力”究竟包含了哪些当前AI难以企及的能力。2.1 物理世界模型与常识推理的缺失一只小猫从出生到能熟练地在家里上蹿下跳、捕捉玩具它在这个过程中构建了一个极其丰富且实用的“世界模型”。这个模型不是通过阅读万亿级别的文本数据得来的而是通过多感官视觉、听觉、触觉、平衡感与物理环境的持续交互学习而来的。它知道重力会让东西下落知道柔软的沙发可以跳上去知道玻璃是透明的但也是坚硬的障碍物知道一个滚动的球有惯性会继续向前。注意这里的“知道”不是指它拥有描述这些规律的文本知识而是指它的神经系统内化了一套能准确预测物理世界变化的“隐式模型”并以此指导行动。反观当前的大语言模型它的“世界”是由文本符号构成的。它通过学习海量文本中词语的共现规律和统计关系学会了生成语法正确、甚至逻辑连贯的文本。它可以完美地描述“牛顿第三定律”但当被问及“把一个鸡蛋从桌上推下去会发生什么”时它的回答完全依赖于它在训练数据中看到的类似描述而不是基于一个内在的物理模拟。它无法像小猫一样通过“想象”鸡蛋下落、撞击地面、蛋壳破碎的内部过程来做出判断。这种对物理世界因果关系的、基于模型的推理能力是当前AI的一大短板。2.2 具身智能与持续学习的鸿沟小猫的智能是“具身”的是与它的身体和生存目标紧密绑定的。它的学习是目标驱动的比如抓到猎物、是持续终身的、是在与复杂动态环境实时互动中完成的。它摔了一次跤下次跳的时候就会调整力度和角度。这种从错误中快速学习并调整策略的能力依赖于一个紧密耦合的感知-行动循环。而目前的大模型其训练过程与部署后的“应用”过程是割裂的。模型在庞大的静态数据集上完成训练后参数就被“冻结”了。它在与用户对话时并不进行真正的学习只是根据已有的参数分布进行预测。虽然可以通过提示工程或检索增强来引入新信息但其核心的“世界观”和“推理能力”在训练结束后就基本定型了。它缺乏一个持续的、基于交互反馈来更新自身内部模型的机制。换句话说它不会因为“聊错了天”而真正“变聪明”。2.3 对“智力”定义的再思考这场讨论也促使我们重新审视对“智力”的定义。如果我们将智力狭隘地定义为在特定任务如下棋、翻译、答题上超越人类的表现那么AI无疑已经在许多领域取得了成功。但哈萨比斯和杨立昆显然是在一个更广阔、更接近生物本质的层面上谈论智力——即适应未知环境、解决前所未见的问题、通过少量样本进行高效学习、理解物理和社会常识的能力。从这个角度看一只猫能在全新的房间里迅速探索、躲避危险、找到舒适的地方这种强大的适应性和基于常识的快速决策能力确实是当前任何一个AI系统都无法比拟的。大模型或许能生成一篇关于“猫如何探索新环境”的精彩文章但它自己却无法像猫一样去执行这个探索过程。这揭示了当前AI研究的一个核心悖论我们创造了在符号处理上无比强大的工具但它对符号所指代的真实世界却缺乏最基础的理解。3. 谷歌的“破墙”尝试超越聊天框的AI新形态正是在认识到上述局限的背景下谷歌被曝光的“突破聊天限制”的新项目才显得格外有意义。这暗示着头部公司已经不再满足于将AI禁锢在“问答”或“文本生成”的对话框里而是试图让它能以更自然、更多元的方式融入现实世界。虽然具体细节未公开但我们可以从技术趋势和公开研究中推测几种可能的“破墙”方向。3.1 方向一多模态交互的深度融合当前的AI应用输入和输出往往还是以文本为主辅以一些图片、语音的识别与生成但这些模态之间通常是“拼接”关系而非“理解”关系。真正的突破可能在于构建一个统一的多模态理解与生成模型。例如一个AI助手不仅能听懂你说“帮我调整一下这个PPT的风格”还能真正“看到”你屏幕上的PPT理解每一页的视觉布局、图表含义然后直接操作设计软件调整配色、字体和版式而不仅仅是给你一段修改建议的文字。这要求模型具备跨模态的细粒度理解能力理解图像中的对象、文字、关系和规划能力将用户指令分解为一系列可执行的操作步骤。这不再是聊天而是“协同办公”。实操心得在多模态项目实践中最大的挑战不是单个模态模型的精度而是模态间的对齐与联合推理。比如模型看到一张“拥挤的沙滩”图片和听到“找一片安静的区域”的指令它需要理解“拥挤”与“安静”在视觉上的对立关系并在图片中定位出可能符合“安静”特征的区域如远处的礁石后。这需要在大规模、高质量的多模态对齐数据上进行训练而不仅仅是分别训练图像和文本模型。3.2 方向二AI智能体与工具使用的自动化“突破聊天限制”的另一个直观体现是让AI不再只是“动口”而是能“动手”——通过调用各种软件工具和API来自动完成任务。这就是AI智能体的核心思想。想象一个AI旅行规划师你告诉它“我想下个月去日本关西地区预算1万5喜欢人文历史和温泉”它不会只给你生成一段文字攻略。而是可以自动调用航班搜索API查找性价比高的航班组合。访问酒店预订网站筛选符合预算和位置的酒店。查阅景点开放时间和门票信息编排合理的每日行程。甚至模拟用户界面自动完成一些表单填写和预订操作。这个过程AI需要理解复杂任务、将其分解为子目标、选择合适的工具API、解析工具返回的结果、并根据结果决定下一步行动。这涉及到规划、工具学习、记忆管理等一系列与传统聊天机器人截然不同的能力。常见问题与排查在开发这类智能体时最容易出现的问题是“幻觉调用”即AI错误地理解了任务调用了不相关或参数错误的API。为了缓解这个问题我们通常需要设计严格的工具描述为每个API编写清晰、结构化、包含示例的说明文档让AI准确理解其功能和输入输出格式。实施多步验证在关键操作如支付、提交订单前设置人工确认环节或让AI生成清晰的执行摘要供用户复核。构建闭环测试环境使用工具和API的沙盒环境进行大量测试让AI在安全的环境中学习如何正确使用工具并收集错误案例用于模型微调。3.3 方向三持久化记忆与个性化演进当前的聊天AI通常是“健忘”的每次对话相对独立。要突破这种限制AI需要拥有持久化的、结构化的记忆能够跨会话记住用户偏好、习惯、历史交互并在此基础上提供真正个性化的服务。这不仅仅是存储聊天记录那么简单。它需要模型能够从对话中主动抽取和更新用户的“用户画像”比如用户曾多次询问Python的异步编程问题那么AI应能推断该用户可能是一名中高级后端开发者并在后续交流中自动调整回答的技术深度和侧重点。或者用户每次让AI写邮件都倾向于某种正式风格AI应能学习并固化这种风格偏好。实现这一点技术栈可能结合了向量数据库用于快速检索相关记忆、传统数据库用于存储结构化画像、以及模型本身的能力用于理解和更新记忆。难点在于如何让记忆的存储、检索和运用与模型的推理过程无缝结合避免引入噪音或导致回答不一致。4. 技术路径展望从“统计鹦鹉”到“世界模型”哈萨比斯和杨立昆的批评以及谷歌等公司的探索共同指向了AI研究的下一个前沿如何让AI获得对世界的更本质理解而不仅仅是掌握语言的统计规律。未来的技术路径可能会围绕以下几个核心展开4.1 联合嵌入预测架构与自监督学习杨立昆长期倡导的“联合嵌入预测架构”是一种思路。其核心思想是让模型学习预测世界状态在不同时间点或不同视角下的变化而不是预测下一个词。例如给模型看一段视频的前几帧让它预测后续几帧的内容。通过这种训练模型被迫去学习视频中物体运动、物理交互的规律从而隐式地构建一个物理世界模型。这种自监督学习方式不需要大量的人工标注数据数据来源就是现实世界本身视频、传感器读数等。如果能够成功将有望解决AI缺乏常识和物理直觉的问题。这要求我们在模型架构、训练目标上进行根本性的创新而不仅仅是扩大现有Transformer模型的规模。4.2 混合架构与神经符号推理纯神经网络的模型擅长模式识别和模糊匹配但在逻辑推理、可解释性方面存在不足。未来的系统可能会采用“混合架构”将神经网络与符号推理系统结合起来。神经网络作为“感知前端”负责从原始数据文本、图像中提取概念和关系并将其转化为结构化的符号表示如知识图谱中的实体和关系。然后符号推理引擎基于这些符号表示运用明确的逻辑规则进行推理、规划和解释。最后神经网络再负责将推理结果“翻译”回自然语言或其他输出形式。这种架构既能保持神经网络处理非结构化数据的强大能力又能引入符号系统带来的可解释性、精确推理和知识可编辑性。例如在医疗诊断AI中神经网络分析医学影像和病历文本提取关键指标和症状符号系统则应用医学知识库中的诊断规则进行推理并给出每一步推理的依据。4.3 仿真环境与具身AI训练要获得“猫一样的智力”一个可行的路径是在高度逼真的仿真环境中训练“具身AI体”。这些AI体拥有虚拟的身体如机器人模型在仿真环境中通过试错来学习完成任务如行走、抓取、操作物体、与其他智能体交互。仿真环境提供了无限、安全、可加速的训练场。AI体在这里学习到的技能是 grounded 在物理交互中的直接关联着感知和行动。近年来在机器人抓取、四足机器人行走等领域基于仿真强化学习已经取得了显著进展。将大语言模型的高级规划能力与仿真中训练出的低级控制技能相结合是迈向更通用AI的重要一步。踩过的坑在仿真到现实的迁移中一个经典问题是“模拟器与现实之间的差距”。在仿真中学得完美的策略放到真实机器人上可能完全失效因为仿真无法完美复现所有的物理特性如摩擦力、材质柔性、传感器噪声。常用的缓解办法包括1在仿真中引入随机化域随机化让模型接触各种不同的物理参数、视觉效果提高其鲁棒性2收集少量真实世界数据用于对仿真训练的模型进行微调或校准。5. 对开发者与企业的现实启示这场高层的学术讨论和产业动向对我们一线开发者和技术决策者而言绝非空中楼阁。它直接影响着我们当前的技术选型、产品设计和职业发展。5.1 产品设计从“万能聊天”到“场景深耕”盲目追求做一个“什么都能聊”的通用聊天机器人可能不再是性价比最高的选择。相反我们应该思考在哪个具体的、边界清晰的场景下AI能真正解决用户的痛点并且其能力边界与当前技术局限缺乏常识、无法操作现实世界不冲突例如代码助手场景边界清晰代码库任务明确生成、补全、解释代码AI在此领域表现卓越。深耕于此不断优化对专业代码库的理解、对复杂业务逻辑的拆解价值巨大。专业领域知识库问答将AI与特定行业法律、医疗、金融的结构化知识库和文档结合打造专业的问答和文档分析工具。AI负责理解自然语言问题并检索知识库确保事实准确性有效规避了“幻觉”在专业领域的风险。创意内容激发用于营销文案、故事构思、设计概念图生成等创意发散环节。用户需要的是灵感和多样化的选择而非一个绝对正确的答案这正好契合了当前生成式AI的长处。关键点在设计产品时要主动为AI“划清边界”通过产品流程设计如提供模板、限定选项、分步引导来弥补AI在常识和逻辑上的不足引导用户在其擅长范围内使用从而提供稳定、可靠的体验。5.2 技术架构重视“模型外”的能力构建一个可靠的AI应用模型本身无论是调用API还是部署开源模型可能只占一半工作量。另一半是构建围绕模型的“基础设施”检索增强生成这是当前应对模型“幻觉”和知识陈旧问题最有效的手段之一。建立高效、准确的向量检索系统让模型在回答前先查询最新的、经过验证的外部知识源。工作流与智能体编排设计稳健的工作流引擎将大模型的“思考”能力与确定性的工具调用、数据查询、条件判断结合起来。这能让AI完成复杂的多步任务。评估与监控体系建立自动化和人工结合的评估管道持续监控AI输出在准确性、安全性、有用性等方面的表现及时发现并修复模型退化或新出现的故障模式。5.3 个人发展拓展“模型思维”之外的技能对于开发者个人除了熟练使用各类AI API和框架以下能力将变得越来越重要领域知识在垂直行业如医疗、教育、制造中对业务逻辑的深刻理解将成为你设计有效AI解决方案的关键。AI是“副驾驶”你才是知道目的地和航线的“机长”。系统架构与工程化能力如何将AI模型低成本、高性能、高可靠地集成到现有业务系统中如何设计支持高并发的推理服务如何管理AI生命周期这些工程问题决定了AI能否真正落地。人机交互设计如何设计界面和交互流程让用户能高效地与AI协作理解AI的能力边界并在AI出错时能轻松地纠正或接管这需要传统产品设计和心理学知识的结合。哈萨比斯和杨立昆说AI不如猫并不是否定AI已取得的惊人成就而是以一种近乎“挑剔”的眼光指出了迈向更高级智能必须跨越的鸿沟。谷歌的“破墙”项目则是产业界对这种批评的一种务实回应。对于我们而言这意味一个狂热追捧模型参数的时代可能正在过去一个更注重AI与真实世界连接、更强调解决具体问题的务实时代正在到来。放下对“通用智能”不切实际的幻想深入场景用好现有技术同时保持对前沿方向的敏锐关注或许是在这个快速变化领域中最稳健的生存和发展策略。