2025中国学界对大语言模型的批判性思考通用人工智能AGI的多元路径探索研究报告_29页_1mb

总结：大模型与通用人工智能的路径之争

核心内容

本文探讨了大语言模型（LLMs）在实现通用人工智能（GAI）中的作用及其局限性，同时分析了中国科学家对LLMs的批评与对替代路径的探索。文章指出，尽管LLMs在生成人类语言和执行任务方面表现出色，但它们仍存在诸多缺陷，难以单独作为通向GAI的可靠途径。

主要观点

• LLMs的优势：LLMs能够生成类似人类的响应，执行多种任务，如文本摘要、翻译、编程和定理证明，因此吸引了大量投资，并被视为实现GAI的可能路径。
• LLMs的局限性：
  • 缺乏对现实世界的理解与推理能力。
  • 存在“幻觉”（hallucination）问题，即生成不准确或虚构的信息。
  • 无法真正“理解”语言，仅依赖统计模式匹配。
  • 无法处理复杂任务，如形成抽象概念、自我反思、决策制定等。
  • 高能耗、高成本，且在扩展性方面存在瓶颈。
• 中国视角：中国科学家普遍对LLMs实现GAI持怀疑态度，认为其仅是“静态涌现”，缺乏认知架构和因果推理能力。他们主张应结合生物启发式方法、具身智能（embodied intelligence）和多模态学习，以探索更有效的GAI路径。
• 中国策略：中国采取多元化的AI发展战略，既投资LLMs，也探索其他方法，如脑启发模型、具身智能、分布式智能等，以避免对LLMs的过度依赖。

关键信息

• LLMs的机制：LLMs基于大规模参数和自然语言训练，依赖统计概率而非实际推理，其“智能”源于模式匹配而非真正的认知能力。
• 批评与替代方案：
  • 中国科学家认为，LLMs无法实现真正的通用人工智能，需结合生物学、认知科学和现实环境交互。
  • 一些研究尝试通过模块化、插件、脑启发算法等改进LLMs的缺陷。
  • 中国强调构建“具身”系统，以增强AI对现实世界的理解与适应能力。
• 政策支持：中国政府支持多种GAI路径，包括脑启发智能、具身智能和多模态系统，鼓励开放环境下的真实交互和测试。

中国对LLMs的批评与应对

中国科学家的批评

1. 唐杰：认为LLMs需要“具身化”以实现人类水平的智能，反对仅靠参数扩展。
2. 张亚勤：指出LLMs在计算效率、对物理世界的理解、以及“边界问题”（如分词）方面的不足。
3. 黄铁军：提出三种GAI路径：大数据模型、具身模型和脑启发模型，强调需结合多种方法。
4. 徐波：主张通过脑启发算法改进LLMs的推理和学习能力，减少对传统神经网络的依赖。
5. 朱松纯：认为LLMs无法实现GAI，需借鉴大脑结构和机制。
6. 曾毅：致力于构建基于时间依赖脉冲神经网络的GAI平台，强调真实环境交互的重要性。

中国研究的替代路径

• 具身智能：强调AI需与环境交互，提升对现实世界的理解和决策能力。
• 脑启发模型：研究大脑的神经网络结构与学习机制，以构建更接近人类认知的AI系统。
• 多模态学习：探索结合文本、图像、视频等多类型数据的模型，提升AI的泛化能力。
• 计算架构改进：尝试用新型芯片（如光子芯片）替代传统计算架构，提升效率与性能。
• 认知与推理机制：研究如何构建真正的推理引擎，而非依赖模式匹配。

学术研究支持

• 通过关键词搜索，共找到78篇相关论文，其中24篇直接针对LLMs的缺陷提出解决方案。
• 研究涵盖：理论思维（ToM）缺失、推理能力不足、幻觉问题、学习新任务困难、缺乏社会智能、对复杂输入（如视频）理解有限、难以处理长上下文、输出调优困难等。
• 中国顶尖机构与企业，如北京人工智能研究院、中科院自动化研究所、北京大学、清华大学、阿里、字节、华为、腾讯等，均参与了相关研究。

建议与展望

• 西方需警惕LLMs的“单一文化”风险：过度依赖LLMs可能导致忽视其他GAI路径，影响未来技术突破。
• 中国路径值得重视：中国在探索多种GAI路径，包括脑启发、具身智能等，展现了更全面的AI发展战略。
• 推荐政府支持：文章建议美国政府应支持替代GAI项目，并加强对中国AI研究的分析与理解。

结论

LLMs虽然在当前AI发展中占据主导地位，但其局限性不容忽视。中国在这一领域展现出多元化的研究方向与更深层次的思考，强调结合生物学与认知科学，以实现真正意义上的通用人工智能。这种多样化的策略可能为全球AI发展提供新的思路与方向。