AI离人类水平智能有多近？基于Nature一篇文章中的“AI不可能街道”来理解这个问题

本文来自微信公众号： 生态学时空 ，作者：复旦赵斌，原文标题：《【科学怎么说】AI离人类水平智能有多近？基于Nature一篇文章中的“AI不可能街道”来理解这个问题》

记得2024年OpenAI的新模型o1一发布就炸了锅——这家公司直言，o1的思考方式更接近人类，还在奥数题上创下83%的正确率，比之前的GPT-4o（13%）翻了6倍。

这让很多人好奇：难道传说中的通用人工智能（AGI）要来了？那种能像人一样抽象推理、灵活适应新任务，甚至自己规划学习的AI，真的离我们不远了？今天，我们就从科学认知和技术进展的角度，拆解这个问题的核心——AI与人类水平智能之间，到底还隔着什么？

一、我们说的人类水平智能到底是什么？

首先，通用人工智能（AGI）不是指AI在某件事上超过人类（比如AlphaGo下棋、AI画画），而是具备和人类大脑相当的通用能力——能从一个任务举一反三，能抽象推理解决没见过的问题，能自主规划目标，还能主动选择要学习什么。

简单说，现在的AI是偏科天才：AlphaGo只会下棋，DALL-E只会画画，即使是GPT-4o，也只是什么都懂一点的问答高手，但它们都做不到像人一样思考。而AGI则是全能选手，能像你我一样，面对陌生场景也能灵活应对——比如从没学过导航，却能根据地图和突发状况规划路线；从没做过某类题，却能靠逻辑推理找到解题方法。

过去几十年，AGI只是科幻小说里的概念，直到大型语言模型（LLMs）出现，才让科学家们认真讨论AGI是否近在咫尺——因为LLMs第一次展现了跨领域能力：既能写代码、总结论文，又能解数学题、聊哲学，就像人类大脑一样有了广度。

二、LLM已经进化到哪一步？

当时o1的出现，代表了曾经AI的最高水平，它的核心突破的是思维方式的升级：

1.从直接给答案到一步步思考

之前的AI解题，更像凭感觉猜答案，而o1融入了思维链（CoT）提示技术——简单说，就是教AI拆题：先把复杂问题分成小步骤，一步步推导，最后得出答案。这就是它能在奥数题上大获成功的原因。比如遇到鸡兔同笼的变种题，o1不会直接输出结果，而是先分析已知条件是什么、需要求什么、中间缺什么变量，这种推理过程，已经很接近人类做题的思路了。

2.Transformer架构：让AI读懂语境

LLM能理解语言的关键，是一种叫Transformer的技术。它能让AI识别出文本中远距离的关联，比如区分“河岸（bank）被淹”和“银行（bank）的ATM坏了”中同一个词的不同意思——这种对语境的理解，是AI接近人类语言能力的核心。

而且，Transformer不仅能处理文本，还能解析图像、音频（只要把这些数据转换成文本式标记），这为AI具备多感官认知打下了基础，也让它有了成为AGI的潜力。

3.初步的世界模型萌芽

神经科学家认为，人类智能的核心是大脑能构建世界模型——也就是对周围环境的认知地图，能预测不同行动的后果，从而规划决策。现在的LLM也开始显现这种苗头：

比如训练时输入纽约市的信息，LLM会在内部形成对纽约的大致认知；训练奥赛罗棋的走法，它能记住棋盘状态，预测下一步合法走法。但这只是萌芽，和人类的世界模型还差得远。

三、关键短板：AI离人类智能，还差3个核心能力

尽管当时的o1表现惊艳，但科学家们一致认为：它依然不是AGI，甚至仅凭现在的LLM技术，永远也到不了AGI。因为它存在3个无法逾越的短板：

1.抽象推理和泛化能力极差

人类能轻松从几个例子中总结规律，再用这个规律解决新问题——比如看几道数学题就学会解题方法，看别人拼乐高就知道怎么搭新造型。但LLM做不到。

2.没有可靠的世界模型，一遇新情况就懵

LLM的世界认知是碎片化的，甚至是错误的。哈佛大学的研究团队做过一个实验：用纽约市出租车的海量行驶数据训练AI，让它预测下一个转弯方向，准确率几乎100%。

但当研究人员分析AI的内部思考时发现，它构建的曼哈顿地图完全是虚构的——有方向不符合物理规律的街道，还有不存在的立交桥（见后面的详细解读）。更关键的是，一旦加入训练数据中没有的绕行路线，AI就彻底无法预测，完全不会灵活调整。

这和人类的世界模型完全不同：我们哪怕没走过某条路，也能根据地图逻辑和实际情况规划路线——因为我们的认知是连贯且可预测的，而AI的认知只是数据统计的堆砌。

3.数据要耗尽了，且缺乏自主性

现在的LLM是数据吃货，训练一次要吞噬数十亿文本、代码。但研究机构Epoch AI预测，公开可用于训练的文本数据，可能在2026-2032年间耗尽。更麻烦的是，随着LLM规模扩大，性能提升越来越慢——之前“模型越大越聪明”的规律，正在失效。

更核心的问题是自主性缺失。人类会主动选择该学什么、学多少，比如想了解一个新领域，会先查基础资料，再深入细节；但LLM只会被动“吃”给它的数据，不会主动判断我需要什么信息。也就是说，现在的LLM只专注于‘预测下一个词’，这种单一目标太局限了，根本撑不起AGI。

四、突破AGI：还需要3个关键科学突破

科学家们一致认为，要实现人类水平智能，光靠放大LLM的规模没用，还需要3个核心技术突破：

1.真正的世界模型：从统计关联到因果理解

现在的AI只能识别数据中的关联（比如“下雨”和“umbrella”经常一起出现），但不懂“因果关系”（比如“因为下雨，所以需要带伞”）。未来的AGI必须能构建因果型世界模型，能模拟不同行动的后果，比如如果我选择这条路线，会不会堵车，而不是只依赖过去的数据预测。

2.内生反馈机制：AI需要自我修正的能力

人类的大脑是双向反馈的：眼睛看到的信息传给大脑，大脑的认知又会指导眼睛关注什么（比如找东西时，会主动扫描可能的位置）。但现在的LLM只有单向反馈——训练时调整参数，推理时只能被动输出，没有内生的“自我修正”能力。

比如o1的思维链，是训练时植入的附加功能，而不是它自己主动想我该一步步推导。未来的AGI需要像人类一样，能自己发现错误、调整思路，而不是依赖人类设计的验证器（现在的AI需要专门为每个任务设计验证模块，没有通用的自我纠错能力）。

3.真正的自主性：从被动接收到主动探索

现在的AI是喂什么吃什么，而人类智能的关键是主动探索——比如孩子会好奇“天空为什么是蓝的”，会主动提问、实验、学习。未来的AGI需要具备这种能动性：能自主判断我需要什么数据、该学什么技能，甚至能通过内部模拟生成虚拟数据，而不是完全依赖外部输入。

2018年就有研究团队做出过尝试：让AI自己构建虚拟环境的世界模型，再用这个模型训练自己驾驶虚拟汽车——这说明，自主探索和内部模拟，可能是AGI的关键路径之一。

五、最后：AGI真的能实现吗？科学家的答案是…

关于AGI是否可能，科学界已经达成共识：理论上完全可行。就像新墨西哥州圣塔菲研究所的梅拉妮·米切尔说的：人类和动物的存在，本身就证明了‘智能’不是生物的专属，非生物系统也能实现。

但关于AGI离我们有多近，科学家们却没达成一致：有人认为只要几年，有人觉得至少需要十年以上。而且，AGI的到来可能不会像电影里那样“惊天动地”——弗朗索瓦·肖莱推测，它会悄无声息地出现：先被发明出来，再慢慢扩大应用，最后才逐渐改变世界。

更重要的是，AGI的核心不是比人类聪明，而是像人类一样灵活。现在的AI已经能在很多领域超越人类，但它们的聪明是机械的、碎片化的；而人类的智能，胜在连贯的、有因果的、能自主调整的。

AI的致命短板：这张假地图，暴露了它离人类智能的核心差距

这张图叫《AI的不可能街道》（THE IMPOSSIBLE STREETS OF AI），看似是两张简单的路线图，实则一针见血地戳破了当前AI的关键缺陷——它看似聪明，却没有真正理解世界，这也是它离人类水平智能（AGI）还差得远的核心原因。

灰色线的“真实世界”，橙色线“AI的幻想世界”

图是两个地图叠加的，核心是对比“纽约曼哈顿的真实街道”和“AI自己构建的街道”：

• 灰色：纽约曼哈顿的真实街道。这是现实中存在的道路布局，所有街道的方向、连接方式都符合物理规律——比如街道大多是横平竖直的网格状（曼哈顿经典道路规划），没有互相冲突的走向，也没有凭空出现的桥梁，每一条路都能走得通。人类大脑对这种真实街道的认知，是连贯且有逻辑的：我们知道从A点到B点可以走哪几条路，遇到堵车还能灵活绕路，因为我们的大脑里有一张靠谱的世界地图。

  
  

• 橙色：AI重建的不存在街道。这是AI通过分析纽约出租车海量行驶数据后，在自己大脑里构建的地图。看似AI能100%预测出租车的下一个转弯，但这张地图其实漏洞百出：

  
  

• 有方向不符合物理规律的街道：比如有的路拐了个根本不可能的弯，现实中汽车根本无法行驶；

  
  

• 有不存在的立交桥：AI凭空造了一些架在其他街道上方的桥梁，现实里曼哈顿根本没有这些建筑；

  
  

• 整体布局混乱：道路之间的连接毫无逻辑，就像一堆碎片随便拼在一起，完全不是一张能用的地图。

  
  

这张图背后的实验：AI猜得对，但看不懂




要理解这张图，得先说说它对应的科学实验：




1. 研究人员给AI喂了纽约市出租车的海量行驶数据——相当于让AI“看”了无数次出租车从出发地到目的地的路线；

   
   

2. 训练后，AI预测出租车下一个转弯的准确率几乎达到100%，看起来比老司机还懂路；

   
   

3. 但当研究人员深入分析AI的思考过程时发现：AI根本没有理解街道布局，只是记住了数据中的统计规律——比如在某条路的某个路口，99%的出租车都会左转，所以它能精准预测，但背后没有任何地图逻辑支撑；

   
   

4. 更关键的测试来了：研究人员给AI加入了训练数据里没有的绕行路线（比如前方修路需要绕路），结果AI瞬间懵了，完全无法预测下一个转弯——因为它的地图是死的，不会像人类一样根据真实路况灵活调整。

   
   

AI缺了人类智能的灵魂——靠谱的世界模型




神经科学家说，人类智能的核心是大脑能构建世界模型——也就是对周围环境的认知地图，不仅能记住是什么，还能理解为什么，能预测如果这样做会怎样。




比如你第一次去曼哈顿，看一眼地图就知道第五大道和百老汇大道是交叉的、从中央公园到华尔街可以走哪条路，遇到突发情况还能快速调整——这就是靠谱的世界模型在起作用。




但这张图告诉我们：AI的世界模型是假的、碎的——它只是把海量数据的统计规律拼凑起来，看似能完成任务，却没有真正理解街道是什么、道路为什么这样布局、汽车为什么要这么走。简单说：人类是看懂了再做，AI是没看懂但猜中了。




这就是AI离人类智能的关键差距




这张图不只是一个有趣的实验结果，更暴露了当前AI的3个核心短板（文章重点强调）：




1. 不会灵活应变：AI只能处理训练过的数据，遇到没见过的情况（比如新的绕行路线）就束手无策，而人类能靠世界模型快速适应；

   
   

2. 没有因果理解：AI知道出租车在这个路口会左转，但不知道因为这条路是单行道，所以只能左转，它只懂关联，不懂因果；

   
   

3. 认知是碎片化的：AI的地图是一堆毫无逻辑的碎片，而人类的认知是连贯的——我们知道街道、汽车、交通规则之间的关系，AI却不知道。

   
   

这张图告诉我们——AI的聪明，和人类的智能不是一回事




AI能在特定任务上表现得比人类好（比如预测转弯、解奥数题），但它的聪明是机械的、统计性的；而人类的智能是灵活的、有逻辑的，核心就是我们有一张靠谱的世界模型。




这张不可能的街道图，就像一面镜子：照出了AI的表面聪明，也照出了它离真正的人类水平智能（AGI）的核心差距——要实现AGI，AI必须先学会构建“真实、连贯、有因果的世界模型”，而不是靠数据拼凑出看似有用的碎片。









解读文献：




• https://doi.org/10.1038/d41586-024-03905-1