在一个视生成式 AI 为技术创新前沿的时代背景下，Meta 首席 AI 科学家杨立昆提出了一个具有挑战性的观点，这一观点与主流看法形成鲜明对比。上周在伦敦见到杨立昆并聆听他在 Meta AI Day 的主题演讲实属荣幸，他直言不讳地指出了生成式 AI 的局限，并展望了他认为的 AI 未来发展方向：目标驱动 AI 系统（Objective-Driven AI systems）。他的这些观点并非臆想，而是基于他在 AI 和机器学习领域多年的开创性研究。

生成式 AI 的局限

生成式 AI 凭借其生成文本、图像乃至音乐的能力，成功捕获了许多人的想象力，这些作品在某种程度上模仿了人类的创造力。但是，杨立昆认为，即使与最简单的动物相比，这项技术在学习能力上远远不够看，简直让人失望。他指出，现今生成式 AI 工具的核心 ——LLM，虽能在特定领域生成具有超凡能力的文本，但其本质是通过预测前文来推断下一个词，这种方式缺少对上下文的真正理解，也无法与物理世界进行有效互动。其结果虽流畅，却往往缺乏事实的准确性和常识性的理解。

与此形成对比的是，人类和动物不仅能从极少的数据中学习，还能灵活地适应新环境，将所学知识应用于完全不同的情境中。这种能力来自于对世界及其复杂动态的直观理解。这种自然智能不仅培养了常识，还精通物理法则，具备了推理和推断的能力 —— 这是生成式 AI 目前所无法比拟的。杨立昆强调，尽管生成模型的表现令人瞩目，但它们缺乏构成生物智能的基本理解和适应性学习机制，这一点凸显了人类和 AI 系统在处理和应用信息方面的根本差异。

杨立昆特别指出生成式 AI 模型的一大局限是缺乏真正的理解和创新能力。他表示：“这些模型生成的答案往往是凭空想象的…… 它们无法做到真正的实事求是。” 这突显了这些模型在理解现实世界的物理复杂性或生成基于常识的回答方面的不足。这种表面的知识处理方式意味着，尽管生成式 AI 的输出可能让人印象深刻，但它在更有意义的应用中缺乏必需的深度和可靠性。

目标驱动 AI 的愿景

杨立昆的批评不仅仅停留在指出问题上，他还提出了一种建设性的解决方案。他主张进行一次根本性的转变，向目标驱动 AI（Objective-Driven AI）迈进，这种转变旨在彻底重新定义 AI，将其从识别模式的工具转变为一个能够理解、预测并与世界进行深层互动的系统，其互动深度堪比生物。杨立昆构想了一种架构，在这一架构中，AI 系统将开发 “世界模型（world models）”—— 一种关于事物如何运作、交互和变化的丰富内部表征。这种基础让这些系统有能力模拟结果、对未来进行推理，并作出明智的决策以达成特定的目标。

与当前仅在狭窄领域内表现优异且无法把握因果逻辑的 AI 不同，目标驱动的 AI 将能进行因果推理，并理解行动与结果之间的联系。这种改变将使 AI 能够实时地规划和调整策略，这些策略基于对物理世界和社会世界的深刻理解。

目标驱动 AI 不仅是小幅改进，而是一次质的飞跃，使机器能够真正地与人类合作，提供见解、生成解决方案，并理解其行为的广泛影响。这一愿景代表了向创造能够以智能和目的导向导航现实世界复杂性的 AI 的重大转变。

挑战和预期

面向目标驱动 AI（Objective-Driven AI）的探索之旅充满了科学与技术上的挑战。杨立昆坦承，创建能与人类或动物智能媲美的 AI 系统是一项艰巨的任务，其复杂性远超许多人的预期。他说：“这总是比我们想象的要难”，这句话反映了 AI 研究历史上常见的过度乐观情绪。

尽管存在这些挑战，杨立昆对未来持乐观态度，他坚信 AI 最终会在所有领域超越人类智能。这种信念建立在对技术进步和可能的突破性科学发现的明确评估基础上。但是，杨立昆同时强调，这种演变不会一夜之间实现，也不能在不彻底重新思考我们当前的 AI 开发方法的情况下发生。

对 AI 社区的呼吁

杨立昆的见解是对 AI 研究社区的一声清晰的呼唤，他鼓励大家从迷恋生成模型转向探索目标驱动 AI 的新领域。这种转变不仅需要技术上的创新，还需要对我们对智能的认识以及如何在人工系统中复制这种智能进行深刻的哲学反思。

在他演讲的最后，杨立昆向听众提出了一个关键问题，同时也向广大 AI 社区提出挑战：我们准备好接受建设能真正理解和与世界互动的 AI 系统的挑战和机遇了吗？前行的路途虽然复杂且充满不确定性，但潜在的回报 —— 一个能够真正进行推理、学习和创新的 AI—— 有望彻底改变我们与技术的关系，为人类潜能的发掘开辟新的可能。

站在这些技术进步的前沿，杨立昆的话语不仅仅是批评，更是邀请我们共同踏上这一时代最激动人心的科技和科学之旅。杨立昆所设想的 AI 未来，不只是制造能生成内容的机器，而是打造出能够思考、学习，甚至可能有一天，能以人类思维的深度和细腻理解世界的系统。