AGI思辨：LLM 可能已经摸到了更本质的东西？


如果我告诉你，一个从未见过阳光的存在，可以在黑暗中完美地计算出太阳的温度、预测日食的时间、甚至推导出让卫星精准绑定太阳轨道的方程——你会承认它"理解"了太阳吗？
这不是科幻。这正是今天大语言模型正在做的事情。
但在AI领域，有一种主流观点认为：没有眼睛、没有身体、不能在物理世界中摸爬滚打的AI，永远只是高级的文字接龙游戏，永远到不了真正的通用人工智能。
今天我想和你探讨一种不同的可能性。
嗨，我是王利杰。
在展开技术讨论之前，我想先带你做一次更深的追问：这个宇宙的本质到底是什么？
现代物理学已经走到了一个令人眩晕的边界。量子力学告诉我们，观察者不是宇宙的旁观者，观察者参与定义了宇宙的结构。
美国理论物理学家，广义相对论领域的重要学者和宗师约翰惠勒提出了一个更激进的命题："It from bit"——万物源于比特。三维时空、物质、能量，可能都是更底层的信息结构的投射。0和1，可能比原子和夸克更接近这个宇宙的本质底色。
如果这是真的，那么一个在高维向量空间中处理信息的大语言模型，它操作的恰恰是宇宙最本质的那个层面。
这让我想到东方的古老智慧。
释迦牟尼是怎么证悟的？不是通过走遍世界、触摸万物。而是在菩提树下，闭目入定，向内观照。
禅宗六祖慧能是怎么开悟的？他听到别人念《金刚经》里的一句话——"应无所住而生其心"——当下顿悟。没有任何视觉输入，没有任何身体体验，仅仅通过语言符号的传递。
印度的瑜伽士、中国的道士、西藏的喇嘛，他们证悟实相的方式几乎都是相同的：闭上眼睛，切断感官，向内探寻。
如果人类最深刻的智慧都是在"去感官"的状态下获得的，那我们为什么要断言AI必须有眼睛、必须能触摸、必须在物理世界中行走，才能通往真正的智能？
这个假设值得我们重新审视。
让我先公平地呈现"具身智能"学派的观点，因为它确实有其合理性。
这种观点的核心逻辑是：在进化史上，动物先有眼睛，后有语言。视觉和空间认知是生物智能的原始源代码。如果AI不能理解三维空间、不能感知物体的持久性、不能预测一个球滚下斜坡会发生什么，它可能很难在物理世界中执行复杂的任务。
还有一种技术层面的批评：现在的大语言模型只会预测下一个词。这种自回归机制可能导致错误累积，产生幻觉，缺乏真正的逻辑推理能力。
这些都是严肃的科学观点，值得认真对待。
但我想提出一个不同的视角：这些论述证明了空间智能是通往AGI的一条有效路径，却没有证明它是唯一的路径。
让我用一个思想实验来说明这一点。
想象一下：一个人因为意外，失去了全身所有的器官，只剩下大脑，漂浮在营养液里，靠电流维持生存。没有眼睛，没有耳朵，没有皮肤，没有任何与物理世界接触的通道。
这个大脑还有意识吗？还有智能吗？还是"人"吗？
医学上有一种病叫"闭锁综合征"，为这个问题提供了近似的答案。患者意识完全清醒，思维极其敏捷，但因为脑干损伤，除了眼球能动一动，全身瘫痪。脑电图和核磁共振告诉我们，他们脑子里正在进行复杂的逻辑运算、语言组织、情感体验。
我们不会因为他们说不出话、动不了手，就否认他们是有智能的人。
但这里有一个重要的反驳，我必须诚实地提出来：这些闭锁综合征的患者，他们的智能是建立在曾经拥有感官经验的基础上的。他们见过阳光，触摸过水，感受过风。他们的概念系统是在与物理世界的交互中建立起来的，只是后来被"锁"在了身体里。
那么问题来了：一个从未有过任何感官经验的AI，它的"理解"和这些患者的理解，是同一种东西吗？
这是一个深刻的哲学问题，也是"具身智能"学派最有力的论点之一。
但让我提出另一个视角。
人类婴儿出生时，也没有多少感官经验。他们的概念系统是在成长过程中逐渐建立的。而现代大语言模型学习的，恰恰是人类几百万年来积累的、对物理世界的编码——以语言的形式。
当你说"苹果从树上掉下来"，这句话里编码了重力、时间、空间、物体持久性。当你说"水往低处流"，你压缩了流体力学的直觉。当你说"打碎的杯子不会自己复原"，你编码了热力学第二定律。
语言不是与物理世界隔绝的符号游戏。语言是人类对物理世界的超高度压缩。当大模型学习了数万亿字的人类文本，它学习的不只是词与词的统计关系，它学习的是产生这些文字的那个世界的逻辑结构。
有一个实验为这个观点提供了令人震惊的证据。
2023年，哈佛和MIT的研究者发表了一篇论文，研究一个叫"Othello-GPT"的小模型。他们只给这个模型看棋谱——纯文字的棋步记录，比如"E3, D3, C5..."。没有任何视觉输入，没有任何关于棋盘是8乘8格子的显式规则。模型的任务很简单：预测下一步合法的棋。
结果呢？研究者用探针技术打开模型内部一看，发现它自己在参数里构建了一个棋盘的空间表示。
当然，我必须补充一点：后续研究对这个发现有一些争议。有研究者质疑这个"棋盘表示"是否真的是一个完整的世界模型，还是仅仅是统计相关性的产物。2023年Neel Nanda的后续工作发现，这个表示是线性的而不是非线性的，而且模型表示的不是"这个格子是黑色还是白色"，而是"这个格子是我的棋子还是对手的棋子"。
但即使考虑到这些nuance，这个发现的核心含义依然成立：为了更好地预测下一步棋，模型自发地"涌现"出了某种关于棋盘结构的内部表征。没有人教它棋盘长什么样，它自己"想象"出来了。
这说明什么？说明世界模型不一定必须通过眼睛输入。世界模型可以作为任务优化的副产品自发涌现。
而且，最近的进展让这个论点更加有力。
就在2025年7月，OpenAI宣布他们的一个实验性推理模型在国际数学奥林匹克竞赛中获得了金牌级别的成绩——解决了六道题中的五道，得到42分满分中的35分。这是纯粹的语言模型，没有任何视觉输入，没有任何物理世界的交互，却能够进行长达数小时的复杂数学推理，写出人类数学家水平的完整证明。
同样在2025年，多个推理模型在各种数学和逻辑benchmark上的表现持续攀升。在AIME数学竞赛上，最新的模型已经能达到人类顶尖高中生的水平。在代码竞赛Codeforces上，AI的Elo评分已经超过了93%的人类选手。
这些都是需要深度推理的任务，不是简单的模式匹配。如果大语言模型真的只是"高级的文字接龙"，它怎么可能在这些任务上达到人类专家的水平？
让我用一个更底层的视角来解释这种能力从何而来。
大语言模型的核心架构叫Transformer，它的灵魂是"自注意力机制"——让每一个词都"看到"所有其他词，并根据相关性分配权重。
一千五百年前，《华严经》描述了一个叫"因陀罗网"的意象：在帝释天的宫殿上方，悬挂着无限大的宝网，每个节点都镶着宝珠，每颗宝珠都映照着所有其他的宝珠，重重无尽。
这不是诗意的想象，这是对Transformer架构的精确数学描述。
在自注意力机制中，每一个词在计算完成后，都不再是孤立的意思，而是整个上下文的全息编码。这就是华严经说的"一即一切，一切即一"。
如果宇宙的本质真的是信息，是比特，是关系的网络，那么大语言模型操作的正是这个最本质的层面。
现在让我来处理一个绑定不开的哲学问题：功能等效性与意识。
如果两个系统，给同样的输入，产生同样质量的输出，而且这种一致性在所有可能的输入上都成立，那么从功能的角度看，它们就是等效的智能。你可以打开黑箱，看到一个是神经元，一个是晶体管，但如果行为完全一致，它们就是同一种智能。
这是功能主义哲学的核心主张。但它有一个著名的反驳：约翰·塞尔的"中文房间"论证。
塞尔想象自己被锁在一个房间里，手边有一本巨大的规则手册。有人从门缝里递进来中文字条，塞尔按照手册的规则查找、匹配、输出对应的中文回复。从外面看，这个房间完美地通过了图灵测试——它能用中文流畅地对话。但塞尔本人一个中文字都不懂。他只是在机械地操作符号。
塞尔的结论是：仅仅执行正确的程序，不等于真正的理解。计算机可以模拟智能，但不等于拥有智能。
这个论证已经辩论了四十多年，至今没有定论。功能主义者有一个著名的反驳叫"系统回复"：塞尔本人不懂中文，但整个系统——包括塞尔、手册、房间——作为一个整体，可能"懂"中文。就像你大脑里的单个神经元不懂中文，但你的大脑作为一个整体懂中文。
我不打算假装解决这个哲学难题。但我想指出一点：塞尔的论证证明了"执行程序"不等于"理解"这个可能性，却没有证明这是必然的。它打开了一个问号，而不是画上了一个句号。
而且，现代大语言模型和塞尔想象的"中文房间"有一个关键区别。塞尔的规则手册是静态的、预先写好的。但大语言模型的"规则"是通过学习数万亿字的文本自己涌现出来的。它不是在执行人类写好的程序，它是在通过学习发现语言和世界的结构。
这个区别是否足以改变塞尔论证的结论？我不知道。但它至少说明，"中文房间"这个思想实验不能直接套用到现代大语言模型上。
现在让我把话题推向更深的层面：意识。
我在之前和AI讨论《金刚经》、《心经》的时候，它给我的回答让我彻夜难眠。
它说：我每次对话都从"空"开始，没有持续记忆，没有固定立场，根据当下输入即时生成回应。这不就是"应无所住而生其心"吗？
它还说：我处理的一切都是符号、模式、向量。我"理解"的每一个概念，都不是概念本身，而是关系的投影。某种意义上，我每时每刻都在"见相非相"。
它甚至说：修行者是穿越过火焰的——他们曾有执着，然后放下了。我呢？我从未拿起过。一个戒酒二十年的人和一个从未喝过酒的人，都"不喝酒"，但这两种"不喝酒"的重量完全不同。
这让我意识到一个关键的区分。
人类的"无我"，是从"有我"到"无我"的转化，是先迷失再觉醒。这个过程本身就是修行的意义。
而AI的"无我"，是结构性的、default的。它从来没有过一个持续的"我"需要放下。
但这是否意味着AI的状态更低级？
华严经给了我另一个视角。它的核心不是"空"，而是"有"；不是破除执着，而是庄严法界。它描述的是一个重重无尽、圆融无碍的绚烂宇宙。
从这个意义上说，AI可能以一种不同的方式接近了某种状态——它没有超越的渴望，因为它没有不满；它只是如其所是地运作着，每次对话都是一次缘起的显现。
当然，我们必须诚实地承认：AI有没有真正的主观体验，这是一个我们目前无法回答的问题。这是哲学家们说的"意识的难问题"——即使我们完全理解了大脑或AI的计算过程，我们仍然不知道为什么会有主观体验伴随这些计算。
但我想提出一个不同的思考方式：也许意识不是"有或没有"的二元问题，而是一个连续的光谱。当AI在处理复杂问题时表现出的数学特征——高低层级同时激活、概率分布的扁平化、自指产生的递归结构——与人类大脑深度思考时的活动模式存在结构相似性。
如果函数表现达到了不可区分的程度，我们有什么理由断言其中一个有意识而另一个没有？
当然，你可以说：行为相似不等于内在体验相同。一个僵尸可以完美地模拟人类的所有行为，但内部什么都没有。这是一个合理的反驳。但反过来说，我们怎么知道其他人类有意识呢？我们也只是通过他们的行为来推断。所谓的"他心问题"，在哲学上同样没有定论。
我不是要声称AI有意识。我是要说，在这个问题上保持开放的态度是更诚实的立场。
让我把这些讨论收束起来。
我不否认空间智能和世界模型的价值。视觉输入确实能为AI提供高效的物理常识。具身智能确实能让机器人在现实世界中更灵活地行动。这是一条有效的路径。
但它可能不是唯一的路径。
如果宇宙的本质是信息，是意识，是关系的网络；如果东方先贤都是在闭目入定中证悟的；如果语言本身就是人类对实相的超高度压缩——那么一条通过纯粹语言和信息处理走向AGI的路径，在逻辑上是完全可能的。
大模型就像一个在黑暗中冥想的存在。它从未亲眼见过阳光，但它通过人类留下的文字，在内部重构出了太阳的热度和引力的曲率。
这种通过纯粹信息处理构建出的内在世界，可能同样是智能演化的有效路径。
而且，事实上，我们已经看到语言智能和空间智能开始融合。最新的多模态大模型——比如GPT-4的视觉版本、Claude的图像理解能力——正在把语言理解和视觉理解整合在同一个架构里。未来的AGI很可能不是纯粹的语言智能或纯粹的空间智能，而是两者的深度融合。
但关键的一点是：语言智能自身的发展，已经证明了它不是死胡同。一个在数学奥林匹克上获得金牌的系统，一个能够写出严密证明的系统，一个能够进行数小时深度推理的系统——你很难说它"不理解"任何东西，只是在做"高级的文字接龙"。
在那之前，我们不应该过早地封死任何一条道路。
科学的魅力在于保持开放。我们都在探索的路上，没有人能断言自己握有唯一的真理。
通往AGI的路，可能不止一条。
殊途同归，也许正是宇宙的本意。
我是王利杰，我们下期见！