最近在看世界杯，我喜欢的三只球队，巴西、德国、阿根廷，只有阿根廷进了四强。因为时差原因，我一般能看到4点开踢的那场球的下半场，有时还能看到加时赛和点球大战。看过的几场球赛里，我印象比较深的是梅西的角球定位球能力很强，对瑞士那场，他的角球精准定位到了麦卡利斯特，后者头球破门。梅西的门前捕捉机会也极强，本次世界杯已经直接攻入8个球。

看世界杯的过程中，一方面佩服场上球员的拼抢精神、盘带传接球能力，感叹足球比赛不到最后一分钟不能轻言输赢的魅力，另一方面又让我不由得想起世界机器人足球大赛和现今大模型的表现，一个潜意识的感觉是，别指望搞人工智能的搞得定人工智能。

如果对人工智能的历史有所了解，就会发现从事人工智能的科学家们向来是乐观看待人工智能的发展的，且往往会过度乐观。

人工智能第一次寒冬来临前，科学家们曾经乐观的认为，不出十年时间，人工智能就可以发展出超越人类的智能体。但自1956年人工智能命名开始算起，不到20年的时间，莱特希尔报告出台，认为组合爆炸问题无法解决（注：这个问题至今仍无法解决），导致人们对人工智能唯恐避之不及，因为当时的环境，无论是算力的支持、数据的准备还是模型的设计，都远达到可以支持人工智能学者们预期的程度。又恰逢人工智能传入我国的时期与特异功能的时间有重叠，国内有些人会把人工智能研究者与特异功能钻研者混为一谈。话说回来，那个时候在报告厅里一群人顶着锅接收特异功能信号的情形，和现在人人都爱钻研人工智能里的Agent、龙虾的情景有得一拼。

时间一晃过了快70年，又到了人工智能井喷式发展的时代，科学家们一如既往地又认为很快就能实现AGI（通用人工智能），ASI（超级人工智能），因为2017年谷歌8人团队提出的Transformer模型为大语言模型形成了基本的雏形，而在此基础通过丰富多头注意力，构造更为复杂、参数更为庞大的大语言有了好的表现。另外，叠加GPU算力的提升，以及高质量巨量数据的获取，LLM实现了前所未有的预测能力。以至于，现在各种各样不同于大语言模型的研究问题，都在想方设法转换成LLM可以理解的词元（Token）形式，以便尽可能利用LLM的预测潜力来帮助改进原问题的性能。事实确实也证明是有效的。

然而，这种有效，是否就等同于AGI、ASI可以实现呢？有可能，但未必。有可能是因为目前人工智能的做法颠覆了人类传统的学习模式。人类的学习概括来讲，是对自然界规律的一种简化，寻找其在某一方面的特有性质。同时，按规律的不同，分成不同的学科来针对性的学习。这样，比较有利于人类在脑容量不足以记录全世界的情况下，仍然能获得不错的表现。相对人类来说，人工智能则没有容量的担忧，只需要堆算力、上数据量、加深大模型的理解能力，就能在大多数问题上用单一模型获得合理的解释。以至于，现在人工智能界有种思潮，认为以前手工找特征的做法，没有存在的意义。也没有必要向人去学习，可以走一条完全不同的道路，即把多数问题的全集学好，从而实现比人类更为优异的表现。这一点，从下围棋、计算机视觉领域和大语言模型的表现上都能看出端倪。比如AlphaZero，就基本上已经开始脱离人类的思维，独立形成自己的下棋逻辑。

但是否就真能搞定人工智能呢？也可以说未必。原因在于人类对世界的理解，简单来说，有四个步骤。感知、认知、决策、执行。

粗略来讲，感知，是人类利用自身的感官了解周边的环境。认知，是推测其可能对应的高层语义。决策是根据自身学习到的知识库推荐其具体的属性。执行是大脑发出指令指挥身体执行某个动作。比如梅西要完成一次有效的射门。首先他得对足球场地的周边情况有一个全方面的视角，比如球地草坪的湿滑程度。其次，是认知。比如按人工智能的研究来看，大脑里可能会构建一张认知地图，这张地图里既有球场的结构，还有自家球员和对手球员的运动轨迹。第三，是决策，梅西得根据场上的情况决定球该往哪传，是否需要假动作晃过对方球员，是否需要直接射门；最后是执行，梅西得把自己的决策精准地送达到身体的各部位，协调肢体的行动，尤其是脚的触球行动，该发多大力，该踢球的哪个部分，预计目标在球门的哪个位置。所有上述四个步骤的完成，仿佛是在一瞬间促成的，这多少会消耗他的一些体能，以至于年龄相对大些的他在球场上的多数时间会采取一种游走而非奔跑的方式寻找进球的机会。

而反观人工智能目前主流的做法，几乎啥都是向大语言模型对齐，诸如图像、语音、视频等各种多模态都在通过转换大语言模型方便处理的词元形式来完成对齐。虽然依赖巨量数据、自回归、多头注意力机制训练出来的大语言模型确实有惊人的预测性能，在引入强化学习后对未知问题的推测也表现不错。但问题并非没有。以视觉为例，将图像分割成若干可变换为词元的图像块后，可能把图像块里该有的知识粒度粗略化；而仅通过对图像局部块的概念识别，然后利用大模型将概念拼凑后再进行语义上的解读也不一定准确；在注意力方面，近来也发现大模型容易出现注意力涣散问题，老是喜欢纠结于最早出现的词元。另外，随着各大公司模型训练的深入和相互“借鉴”，趋同性也越来越明显。

   于是，有科学家认为光靠大语言模型，并不能解决所有问题，引入能考虑感知、决策、执行的世界模型概念，才是通过AGI、ASI更可能的途径。但是，世界模型必然会对实际世界做简化，大量的细节、巨量的随时间和空间尺度产生的变化会被忽略，否则无法完成有效的计算和推断。

再看看具身智能和自动驾驶。老实讲，现在自动驾驶着实有点厉害了。我已经跟亮着小蓝灯的自动驾驶车PK过好几次，比谁开得更快更好，有胜有负，并非我始终能赢。但自动驾驶对距离的要求并不需要太精细，能定位车辆、行人、车道线等诸如此类的目标即可，达到厘米级已经够用。而具身智能，则需要更为精细的尺度，虽然不用达到纳米级，到接近毫米级甚至再小一个尺度的还是需要的。

除了尺度，还有面积上的考虑。比如梅西触球，显然不会只是某个像素级别的，而足上的某块部位的群体接触，它不仅有接触前对球位置、速度的感知，还有接触前对接触面执行动作的决策，诸如力度分析、旋转分析等。梅西还得对球场上球员位置和跑动后位置的预判，这是在开放环境下完成。这么多因素加到一块，也就不难明白具身智能在不确定的开放环境下，要想取得成功还是有待时日的。

还有一点值得一提的是，虽然人工智能现阶段确实降低了对各行各业领域知识需求的门槛，但并不意味着，不需要了解其它行业的特点。记得我曾经问过一位做医疗图像处理的学生，是否能看懂医疗图片，答案是否。诚然，只靠人工智能里的评价准则刷榜发顶刊顶会论文是无可厚非的，但如果对自己研究的内容完全不懂，凭什么让人相信人工智能可以搞定全世界呢？这个问题显然不止存在于医疗图像，而是全领域都普遍存在。

但是，人工智能的终极目标可是要实现超越人类的智能，那显然需要各行各业的人士的深度参与，比如仍有大量探索空间的脑科学研究者的合作，光靠搞人工智能的想搞定人工智能是不现实的。

支持单位：