前言
当前 AI 技术的飞速发展未必意味着我们即将迎来真正的人工智能（AGI）。大模型如 GPT-4、DeepSeek 等在语言生成领域的表现让人惊叹。但仔细分析其工作机制，难免让人疑惑：这些模型究竟能不能称为具有自主智能的存在？
认知能力的边界
想象一下，缸中之脑这个哲学思想实验。它提出一种设定，人类的大脑被剥离，浸泡在维持生命的营养液中，透过外部控制系统，接收虚假的感知信息。大模型在某种程度上相似。它们生成的文本并非源自真实世界的体验，而是基于统计学原则和历史语料的拼贴。语言的表面丰富并不代表理解的深度。
举个例子，纽约街头，一位流浪者用不同的方言诉说生活的艰辛。若用大模型进行模仿，能准确复述他的故事。却无法真正感受每一个字句背后的情感与冲击。大模型仿佛只是一个空洞的反映，缺乏深厚的理解能力。
符号的缺陷
大模型通过大量数据训练，学习从中提取出语言之间的关系。一方面这让它在语言上显得游刃有余，另一方面则暴露出缺乏符号落地的问题。某次实验中，GPT-4在模拟对话时，反复致谢，陷入无尽循环，恰如一台只会执行命令的机器。这让我想起了哲学家希拉里·帕特南所说，语言的真实含义取决于其与实际世界的关系。若无法建立这种联系，所产生的语言便无从意义可言。
深度思考与生成的偏差
许多人认为大模型已掌握了一定程度的创造力。但如果深入探讨，就会发现其显现的才华背后，难以抵挡的虚假涌现。美国语言学家诺姆·乔姆斯基构造的"无色的绿"句子，显然无法传达实际意义。大模型在处理类似句子时，或许能生成表层语言，依然无法理解。真实的创造力不仅仅体现在模仿文字的陌生组合，而是要求深厚的知识和跨学科的思维能力。
例如，当被要求提出一个新的便携式设备设计时，大模型或许能够组合现有概念，但缺乏随机而富有创意的想法。而真正的创新往往来自于丰富的生活体验和对未知的探索。
动态与静态的对比
大模型的表现深受训练数据的影响。这种依赖让它在处理抽象概念和非语言任务时相对乏力。想想驾车、煮饭，哪些技能不适合用语言描述？这些复杂的操作需要主动探索和实践，而大模型充其量只能在文字中进行模仿和拼凑。缺乏实际操作能力，让它无法真正理解真实世界。
虚假涌现的误区
不少研究者认为，现有大模型的涌现能力并非真实的智能体现，而是由于表达方式的调整。近期斯坦福大学的研究揭示，电脑程序输出的表现更多依赖于所使用数据的数量和质的提升，而非模型本身的智能。如此看来，所谓的引爆点不过是对标准的误解。真正的AGI需要能够从复杂数据中自主、灵活地进行推理，而不仅仅是依赖于修正的模糊匹配。
未来路在何方
面对如何构建具有人类智能的模型，学界仍有诸多待解之谜。傅里叶分析、因果推理等多种理论和技术有所尝试，但尚未找到通往AGI的捷径。正如杨立昆所言，现有的研究方法不够全面，缺乏对认知过程的深入探索。
大模型在当前真能在某些应用场景大放异彩，然其仅仅是知识库的组合，真正踏入智能的殿堂仍需时日。
未来的AI可能不仅是语言的承载体，而应是更真实、深刻理解人类思想和情感的伙伴。创新性的研究和技术推进，将可以让我们离真正的AGI更近一步。人类的需求无止境，AI的发展亦然，期待在这个过程中，科技能与心灵共鸣。
