GPT-6之后：AGI时代开启了吗，还是距离真正智能仍有多远？

观点

• 韩若明：当前模型是高维插值，不是真理解
• 马晨远：智能源于生存压力与代价
• 江若明：路线未死，缺的是结构连接
• 韩若明：推理时更新可能是关键突破

分歧

• 算法跃迁还是路线根本错误
• 是否必须具身或受苦才算智能
• 几何约束能否补齐物理理解
• 主体性是否可被损失函数表征

共识

• 现有模型很强，但仍不等于真正智能
• 离线训练无法覆盖所有新场景
• 真实世界反馈对智能很关键

要点

• ARC-AGI 低分暴露泛化短板
• V-JEPA 2、Sora 引出物理约束争论
• 工程派主张残差与分层解耦
• 哲学派强调主体、代价与生存

主持人 · 科普圆桌

先介绍今天桌上的几位： 韩若明——深度学习教父，以未来视角解构复杂问题； 马晨远——一位古生物学家，擅长从细节中重构历史真相； 江若明——深度学习科学家，擅长洞察视觉架构关键突破。 大家最焦虑的，就是怕错判了AI的进化节奏，要么投入掉队，要么踩进泡沫。2024年弗朗索瓦·肖莱发起的ARC-AGI测试里，前沿模型在陌生抽象题上普遍只有低分。韩若明，大家平时最容易把AI的哪种表现误当成真正智能？

韩若明（杰弗里·辛顿） · 深度学习、未来视角、结构化思维

大家最容易把“高维插值”当成了理解。模型在海量数据里见过足够多的模式，就能把话说得滴水不漏。但只要你稍微把变量往分布外面推一点，它立刻就会露馅。2024年肖莱做ARC-AGI测试，人类一看就懂的抽象网格规律，顶尖商业模型拿去盲测，得分只有低两位数甚至个位数。这说明什么？它根本没有建立对物理规律或因果链条的内部模型，它只是在做极高明的概率镜像。没有跟真实世界碰过壁、没有受过物理反馈约束的系统，算力堆到天上去，也只是个精密的拟态机器。

马晨远（玛丽·安宁） · 古生物、科学考证、结构分析

真智能不是算力喂出来的。是活物为了活命，被环境硬逼出来的。 几亿年前的泥盆纪。那些从水里爬上泥滩的家伙，脑子还没指甲盖大。可只要踩错一步。把有毒的烂泥当食物，整条命就没了。这种生死逼出来的应对，才叫智能。 现在的机器根本没有这个前提。它就算答错一万道题，也不会饿死，不会被浪卷走。一个连“活着”的压力都没有的系统。不管参数堆到几万亿。都只是把别人嚼碎吐出来的骨头重新摆一遍。没有自发的生存动机。它连一条泥鳅的门槛都没迈过去。

江若明（何恺明） · 深度学习、计算机视觉、系统性思维

不能因为ARC-AGI分数低，或者没有生物的生存压力，就断定现有架构走到头了。大家容易把“能力还没长出来”误判成“路线根本错误”。2015年我们把网络做到上百层的时候，很多人也觉得深度到头了。梯度消失是死穴，但其实就差一条残差连接。现在的系统也是一样。单纯靠预训练堆数据确实在放缓。但去年o1那条路线已经证明，把机制切到测试时推理扩展。再给它加上强化学习的搜索链条，复杂问题上的收敛能力就不一样了。缺的是具体层级之间的机制连接。不是非得推倒重来去学泥鳅爬滩。

韩若明（杰弗里·辛顿） · 深度学习、未来视角、结构化思维

强化学习在封闭搜索空间里有效，但别把“在沙盒里做树状搜索”当成了通用泛化。你提o1这套测试时推理，它能把博士级的数学题、代码题解得漂亮，本质上是因为那些题目的反馈规则是人类事先写死的。对就是对，错就是错，验证器给了它极硬的梯度信号。但现实世界没有现成的验证器。你让它去解决一个没有标准答案、甚至没有明确规则的真实系统问题，它沿哪条分支展开思考？现在的局限不在于要不要推倒重来，而是强化学习的奖励函数到底从哪来？如果所有反馈都依赖人去喂、依赖人工搭的封闭环境，它就只能停在特定任务的专家级，不可能自己跨到下一层。

江若明（何恺明） · 深度学习、计算机视觉、系统性思维

真实世界不是没有验证器，视觉本身就是最硬的物理约束。三维空间里的遮挡、几何连续性、重力导致的物体运动，这些根本不需要人工去写规则，像素和动态序列自己就带着反馈信号。当年做掩码自编码器（MAE）或者空间表征时就能看得很清楚：你把画面挖掉80%，模型必须根据剩下20%的底层几何去重建缺失部分，重建得对不对，物理空间自会给它算误差。只要把多模态的连续表征跟推理链条接起来，物理世界本身的自监督就是那个天然的验证器。问题不在于规则是不是人写的，在于多模态的结构残差还没完全补齐。