世界模型与智能体：AI如何“理解”它所身处的世界？（1）

发表评论 / 科技漫谈 / 作者：

打造通用人工智能（AGI）——一种能够像人类一样理解世界、推理、学习和适应的系统——一直是人工智能领域最为宏大的目标之一。近十年来，随着深度学习的发展，特别是大型语言模型（LLM）的惊艳表现，让人们一度觉得这一目标似乎触手可及。从文本生成、翻译到编程与自动问答，AI仿佛已经“理解”了人类语言，并掌握了某种智能。

然而，语言的流畅性并不意味着理解的深度。哪怕是最先进的语言模型，其知识来源也依然局限于文本本身。它们没有眼睛，没有耳朵，没有身体，也没有行动的能力。它们不能直接感知真实世界、与环境交互、从反馈中学习。因此，它们缺乏对“世界”最基本的建构——即缺乏一个“世界模型”。

所谓“世界模型”（world model），指的是一种由智能体在内部构建的、对世界结构、规律与动态过程的表示系统。它使得一个系统不仅能够描述世界，而且能够预测世界的变化、制定行动计划、理解因果关系并从结果中不断学习。没有世界模型，AI系统就只能浮于表层的模式识别，无法具备真正的适应性和通用性。

因此，现在大家对所谓的“世界模型”更为注重，更加相信构建智能体是人工智能继续发展不可或缺的基础。感知—推理—行动这一闭环结构应该构成智能的核心机制。

语言模型的边界在哪里？

大型语言模型的成就令人瞩目。它们通过大规模语料训练出的语言能力几乎可以在各种任务中胜任：从文章写作到代码生成，从翻译对话到回答复杂问题，甚至还能进行一定程度上的推理。这些能力的展现，一度让人们产生错觉：AI已经“理解”了语言，甚至可能“理解”了世界。

然而，语言模型的本质只是基于统计规律的下一个词预测系统。它们生成的句子看似合理，但往往出现“幻觉”，即捏造事实或产生逻辑不一致的内容。它们无法持久记忆过去的信息，也不能校验自己的输出与现实世界是否一致。更重要的是，它们既不感知也不行动，因此也就无法从经验中获得反馈，也无法修正自己的“理解”。

在这一点上，语言模型的表现与通用智能还有很大的距离。它们只是语言界面的模拟器，而不是具身的智能体。没有行动，就没有反馈；没有反馈，就没有学习；没有学习，就没有适应能力。这也正是当下LLM模型面临的瓶颈：继续堆叠参数，提升语言生成能力，并不必然带来理解能力的增强。

什么是“世界模型”？

在人工智能和认知科学中，世界模型是一种内部表示机制，使得智能体能够模拟环境的运行、预测未来状态，并在此基础上制定决策。就像飞行员可以通过模拟器来练习操作一样，拥有世界模型的AI系统也能在“脑中”预演未来情境，进而选择最优的行动路径。

这个概念其实在心理学和神经科学中早已有之。人类在与世界互动的过程中，始终在构建、更新并优化对世界的内部认知模型。这些模型是多感官融合的，能够从有限的信息中做出推理，甚至推演虚拟的未来情境。我们能记住路径、预测落物轨迹、想象不存在的情节，正是因为大脑中有一个不断演化的世界模型。

对于人工智能而言，构建世界模型的目标是赋予机器类似的能力：具备从感知数据中学习世界结构的能力，能够模拟未来状态、评估因果关系、制定多步计划。这不只是对数据的压缩表示，更是一种主动的、能演化的“内部世界”，其中蕴含了关于物理、空间、事件、交互规则等的系统性理解。

从行为主义到模拟主义：世界模型的兴起

早期的人工智能与机器人系统往往受行为主义影响较深，依靠固定的刺激—反应机制或手工规则应对环境。这些系统可以完成一些简单任务，但无法灵活应对复杂变化的世界。它们缺乏世界模型，也就缺乏预测与推理能力。

这种局限性促使研究者转向“基于模型的强化学习”（model-based RL）方向。与传统的“黑箱”强化学习不同，基于模型的方法强调智能体在学习策略前，先学习环境的结构。这使得智能体可以在内在模型中进行模拟，而非一味依赖外部试错。

DeepMind的MuZero是这种思想的典型代表。与AlphaGo、AlphaZero在围棋或象棋中已知规则前提下进行规划不同，MuZero首次实现了“不知道环境规则也能学习规则”的模型。它不需要事先提供游戏的规则，而是通过观察反馈自己学会了世界的运行规律，并能做出远期规划。

MuZero的架构包含三个核心模块：表示函数（用于编码当前观察状态）、动态函数（预测未来状态与奖励）、预测函数（估计价值与策略）。这三部分共同构成了一个“可学习”的世界模型，使系统不仅能适应规则已知的环境，还能胜任未知、复杂的任务。

这一成就显示出世界模型的重要意义：不仅要从世界中学习行为策略，更要学习世界本身的运行规律。这种“内外兼修”的能力，是向AGI迈进的重要一步。

（未完待续)

1 2 3 4 5
钱宇瀚
Latest posts by 钱宇瀚 (see all)

发表评论

您的邮箱地址不会被公开。 必填项已用 * 标注