AI迈向AGI：范式革新之路

从AI发展至AGI，是其发展的终极目标，而非仅仅是一种全新的算法结构。然而，在当前以LLM（大型语言模型）为主导的叙事下，要实现AGI，仍然迫切需要更多、更具创新性和智能性的新范式涌现。

那么，什么是范式？

范式可以理解为当前被广泛认可的“行事方式”，它涵盖了其背后的基本假设、所使用的工具以及评价其成效的标准。范式的转变意味着一套既有框架被更优越的框架整体性地取代，而非进行修修补补。当我们听到“范式转变”（paradigm shift）这个词时，通常意味着：这不仅仅是技术上的改进，更是底层思维方式的根本性颠覆。现今的大型语言模型（LLM）在本质上仍沿用着“Token预测”的范式——将一切信息压缩成序列，然后预测下一个，并通过持续的“机械学习”训练，以期达到足够的智能（可参考之前的《人工智能的本质》）。然而，其缺陷在于LLM依赖的是统计关联，而非因果逻辑的理解。它知道“火会烫人”，却不理解其背后的物理因果链。这便是其核心的缺失之处。

缺乏持续学习的能力

LLM在训练完成后便处于“冻结”状态，无法像人类一样从经验中持续地进行自我更新。

缺乏主动探索与目标驱动

人类的智能具有欲望、好奇心，并能主动与环境互动。LLM本质上是被动地进行响应。

缺乏与身体和物理世界的连接（Grounding）

语言的意义最终根植于感知和行动。缺乏身体经验，符号可能永远是“悬浮”的，缺乏实在的根基。

缺乏高效的少样本推理范式

人类只需看一次就能学会许多新事物，而LLM则需要海量的数据进行训练。

LLM所遵循的范式是：大规模语言建模 → 涌现理解能力

这个范式的上限可能是：它能让AI“像人一样说话”，但未必能让AI“像人一样思考”。

真正通往AGI的道路，可能需要的是新的范式，而不仅仅是增加更多模态，而是：