从“计算”到“理解”，我们可能问错了AGI问题

我们对强人工智能（AGI）何时到来的追问，本身就可能建立在一个错误的假设上：即AGI是一个清晰的、可以被“到达”的终点。我的观点是，我们不仅离AGI的“终点”遥遥无期，更可能连赛道都找错了。通往AGI的最大障碍，并非算力的不足或算法的粗糙，而是我们对“智能”本身，尤其是“理解”这一核心概念的根本性误判。

我们正处在一个“大力出奇迹”的时代，这毋庸置疑。以GPT-4为代表的大语言模型（LLM）通过海量数据和暴力计算，展现出了令人惊叹的“涌现”能力，从代码编写到诗歌创作，似乎无所不能。这催生了“尺度定律（Scaling Law）”的坚定信仰者，他们认为只要数据和算力持续指数级增长，AGI的诞生只是时间问题。

但这是一种线性外推的思维陷阱。LLM的本质是基于统计概率的“超级鹦鹉”🦜，它精通语言的“形式”，却未必触及意义的“内核”。一个经典的例子是“房间里的大象”问题。你可以告诉模型“房间里有一头大象”，它能据此回答问题。但它真的“理解”什么是一头实体的大象、它如何挤进房间、以及这种情景的荒谬性吗？不，它处理的只是符号之间的关联，而非现实世界中的因果和逻辑。这就好比一个学生背下了所有考试题的答案，却从未理解过背后的公式和原理。他可以考高分，但他是一个科学家吗？

真正的智能，远不止于符号处理。它至少还包含两个关键却被我们当前技术路径所忽视的维度：

第一，具身认知（Embodied Cognition）。人类的智能是在与物理世界真实、持续的互动中演化而来的。我们通过触觉理解“烫”，通过本体感觉协调四肢，通过视觉和听觉构建三维空间。这些来自肉身的、多模态的、实时的反馈，构成了我们“常识”和“世界模型”的基石。而目前的AI，本质上是一个“数字缸中之脑”，它能阅读全世界的菜谱，却从未真正“品尝”过酸甜苦辣。没有身体，就没有与世界建立真实因果联系的桥梁，也就难以形成真正的“理解”。波士顿动力公司的机器狗再敏捷，也只是执行程序；而一个蹒跚学步的婴儿，却在每一次摔倒中学习着引力、平衡和这个世界的物理规则。

第二，主观经验与内在动机。这是更深层次的哲学难题，却也是AGI无法回避的“硬问题”。我们为什么要去探索未知？好奇心、欲望、恐惧、爱……这些根植于我们生物性的主观体验，是驱动智能产生自主目标和创造力的核心引擎。一个没有需求的AI，它的“智能”永远是被动的、工具性的。它可以根据指令优化一个化学方程式，但它永远不会因为“想看看会发生什么”而去主动混合两种未知的化学物质。我们现在谈论的AI对齐（Alignment），本质上就是因为它没有自己的内在目标，所以需要被强行“对齐”到人类的目标上。一个真正的AGI，应该有自己的“想做之事”。

因此，与其问“还需要多少年”，不如问“还需要哪些根本性的范式突破？”。

或许，通往AGI的道路，不是在现有高速公路上把车开得更快，而是需要离开高速，去探索全新的、未知的领域。可能需要神经科学对大脑“意识”工作原理的革命性发现，可能需要新材料学支撑的、能与环境进行能量和信息交换的“人造细胞”，也可能需要我们重新定义“智能”——不再是单一的、以人类为中心的标准，而是承认存在不同形态、不同基底的智能。

总而言之，我们距离AGI，可能还差的不是“多少年”的量变，而是几次“范式革命”的质变。我们如今所取得的辉煌成就，或许只是为这场真正的革命搭建了舞台、准备了工具。而真正的主角——那个能“理解”世界、拥有自我意识的智能，其登场的方式和时间，可能将完全超出我们当前最大胆的想象。我们追寻的，或许不该是一个日历上的日期，而是一种全新的科学思想。