让AI学会"活辞寰宇里"，而不仅仅"评述寰宇"，这是2026年AI筹议领域最热切的标的回荡。

当年十年，整个AI行业信奉一条铁律：模子越大越好。2020年，Anthropic谄谀首创东说念主贾里德·卡普兰领衔发表的"膨大定律"论文，给出了明晰的论断：只消延续增多模子参数、训导数据和算力，性能就会延续晋升。这条定律带领各大科技公司砸下数千亿好意思元，把模子一代比一代作念得更遍及，OpenAI最新的GPT模子界限测度是其2020年最大模子的数倍，训导数据量级也晋升了整整一个数目级。

赶走令东说念主印象真切：大语言模子能通过讼师阅历老练和医派系司老练，能在海外数学奥林匹克竞赛中忘形顶尖高中生，能写出让读者以为比东说念主类作品更好意思的诗歌。

但越来越多的筹议者运行质疑：这条路，能走到很是吗？

膨大定律的天花板与LLM的根蒂劣势

实践的压力正在靠拢。一项2024年的筹议测度，各大AI公司将在翌日几年内讧尽可供握取的高质地公开文本数据。与此同期，算力需求的增长速率一经远超芯片效果的晋升，正在蛊卦中的数据中心单体耗电量将达到吉瓦级别，对电网形成严峻压力。

但更根蒂的问题不是资源，而是架构自身。大语言模子的中枢任务是展望序列中的下一个词元，它从海量数据中学习统计礼貌，却从未着实"体验"过它所态状的寰宇。它无法考据一个假定，无法探索一个环境，对因果关联的会通是曲折而脆弱的。

这个劣势在实践中并不抽象。让LLM态状如何堆叠无为物品时，它或然会给出昭彰违抗物理直观的谜底。谷歌DeepMind筹议科学家简·王心快口直地说："LLM正变得越来越好，但你不行仅仅扔更巨额据进去，就指望它神奇地晋升。"

普林斯顿大学解析科学家布伦登·雷克用一个实验揭示了这个问题的深度：筹议东说念主员训导LLM学习纽约市出租车行驶路子的标的序列，模子能可靠地生成新路子，看起来像是"会通"了城市舆图。但当筹议东说念主员查验其里面示意时，发现的不是整洁的城市网格，而是一堆繁杂纠缠的街说念。它学会了说，但莫得着实知说念。

另一个光显的对比来自儿童发展筹议。东说念主类儿童在启齿话语之前，要花一到两年时分触摸物体、探索空间、不雅察寰宇对我方行动的响应，习得语言所用的数据量，唯有LLM训导数据的几百万分之一，却能活泼诈欺学问并将其迁徙到全新场景。雷克认为，AI的发展时势搞反了，"要像东说念主类那样会通一个词，AI需要扎根于真的寰宇中的物体。"

造"寰宇"：两条旅途与一场未决的赌局

恰是在这么的配景下，"寰宇模子"成为了2025至2026年AI筹议最炙手可热的标的。

寰宇模子的基本想路是：让AI不单学习语言，而是建树对寰宇运作样貌的里面示意，并在其中进行模拟、辩论和学习。这个标的约莫分化出两条旅途。

第一条路是"离线学习"：让AI智能体在模拟寰宇中通过试错蕴蓄申饬，再将申饬迁徙到实践。谷歌DeepMind蛊卦的Genie系列寰宇模子，不错从辅导词或视频中及时生成可导航的3D环境，就像按需创建一个视频游戏寰宇。在这些寰宇中训导的SIMA智能体，能够在生分环境中推论指示，探索场景并尝试会通未知物体的组成。英伟达则将这套逻辑获胜激动到物理寰宇，通过DreamZero等寰宇模子展望当作后果，让机器东说念主在仓库和工场中完成需要合作通顺的任务。

第二条路是"在线辩论"：让AI随身捎带一个寰宇模子，在汲取行动之前，先在里面进行模拟推演。这恰是AI前驱杨立昆离开Meta、斥资逾10亿好意思元创办AMI实验室所押注的标的。AMI的中枢技能是谄谀镶嵌展望架构（JEPA），它不像传统寰宇模子那样展望每一个像素，而是展望翌日气象的抽象示意，就像驾驶时你关注红绿灯是红是绿，而不是灯的具体外不雅。

杨立昆用一句话概述了他对LLM路子的判断："说靠膨大LLM就能已毕通用东说念主工智能，就像说靠放大飞机就能插足轨说念。"

但是，Anthropic首席科学家卡普兰并不认可这个判断。他认为，跟着LLM不休膨大，会自满出莫得被明确编程的新才调，正如当年几年LLM冉冉学会算术、多步推理和写代码雷同，这种"自满"气候标明，更大的模子可能会自愿形成对寰宇的里面示意，无需有意的寰宇模子架构。

两条路孰优孰劣星空体育，现在仍无定论。更可能的谜底省略是两者的交融：语言模子厚爱语义推理，寰宇模子厚爱空间与物理判断，各司其职又相互调用。无论如何，AI从"只会说"走向"着实懂"的这一步，正在以多种样貌同期迈出。