AI 研究的下一前沿：让模型学会抽象

学习抽象概念：AI 的下一个前沿

我和我的爱人曾在一个房间里，她说：“看那些顶角线。”奇怪的是，我以前从未见过顶角线。它们肯定多次落在我的视网膜上，但我从未认出它们。在那之后，顶角线无处不在，我可以用它们来判断建筑的年代和华丽程度。她给了我一个抽象概念，改变了我所看到的和我所能理解的。

我们需要能够像这样即时学习的 AI 智能体。它们需要从我们这里获取概念，独立发展概念，并将这些概念结合起来以理解新情况。随着我们从文本环境中的智能体转向在物理世界纷繁混乱中运行的机器人，这种能力将变得越来越重要。

2026 年底，我们正处于一场“智能体狂欢”之中。编码智能体编写程序并使用工具，而 Dot、Muse 和 OpenClaw 等个人智能体将这项工作扩展到日常任务中。这些智能体生活在我们对世界的组织方式之中。函数有名称，API 规定了它们的输入和输出，日历中包含称为会议的东西。

相比之下，机器人的摄像头给它的是像素值，力传感器给它的是测量值。我们在互联网上看到机器人做酷事情的精彩演示，但在你真实的厨房里，仍然需要有人或某样东西来确定为什么那个该死的杂物抽屉打不开。是儿童锁的问题，剪刀卡住了，还是别的什么原因？

在之前的文章中，我论证过 AI 需要构建和组合基于经验认知基础的模型。基于大型语言模型的生成式 AI 现在为我们提供了一种实用的方式来生成这些模型所需的抽象概念。这些系统已经从仅仅预测下一个词（token）进化到使用强化学习来有帮助地回答问题了（详见我的解释）。在本文中，为简单起见，我将此类系统称为 LLM，并将解释智能体/机器人如何在其预测失败时使用 LLM 提出新概念，用经验检验这些概念，并在所学基础上继续构建。

我们环顾四周，以为看到的就是存在的，但顶角线就在我面前多年。一旦我有了这个概念，它改变了我所看到的。树也是一样。在你了解不同种类之前，你只看到树。之后，你看到活橡树、雪松榆树和悬铃木。

我们用我们所知道的来构建对世界的经验。在我之前关于认知基础的文章中，我描述了普通杜鹃，它把蛋下在另一种鸟的巢里，这样就不必承担养育它们的工作。被骗的宿主鸟养育了一只比她大得多的巨大杜鹃雏鸟。她怎么不知道她养了一个怪物？

我们轻率地认为那只鸟容易被愚弄，却在某种程度上仍然假设我们看到的世界就是它真实的样子。我们和它经历了同样的进化过程，所以我们一定也有盲点，只是把世界看得足够好以勉强生存。你可以进一步推进这个想法，声称像苹果这样的基本事物只存在于我们的头脑中（见 Donald Hoffman 的《反对现实》）。显然存在与我们所看到的苹果相对应的原子（好吧，是底层量子场中的扰动，或者你想深入到哪一层），但关键在于我们所体验的物体是由我们的进化塑造的界面。我们所知的苹果从上帝的角度来看并不存在。

（原文较长，此处译出前 6000 字，完整内容请点「打开原文」。）