为什么李飞飞说LLM走不到AGI？真相很残酷！大模型根本不懂物理世界！

李飞飞认为LLM（大语言模型）走不到AGI（通用人工智能）的终点，主要原因在于LLM本质上是基于语言符号的统计模型，缺乏对物理世界的真实感知与行动能力，而真正的智能需要“感知—行动—反馈”的闭环系统。以下是具体分析：一、LLM的核心局限：困于语言符号的“牢笼”底层逻辑是统计预测：LLM的任务是通过海量语料学习词语间的统计关联，预测下一个最可能出现的词。它擅长续写、模仿风格或营造“逻辑推理”的错觉，但所有操作均发生在文本内部，无法超越符号层面。无法理解物理世界：现实世界具有重量、速度、摩擦力等物理属性，且充满不确定性（如抓取水杯时需调整力度、防止泼洒）。LLM只能描述动作（“伸手、抓取”），却无法通过感知与行动学习如何应对这些复杂性。类比：地图与真实地形：若将语言比作地图，LLM如同仅能阅读地图却无法行走的人。地图提供方向，但无法让人体验坑洼、泥泞或需要实时调整路径的真实场景。AGI的终点必然在文字之外，需直接与物理世界交互。图：李飞飞强调智能需突破语言符号的局限，走向物理世界二、真正智能的闭环：感知—行动—反馈智能的本质是适应不确定性：人类智能通过与物理世界的互动（如抓取物体、行走）不断试错、修正并学习。这一过程依赖感知（看、听、触摸）、行动（调整动作）与反馈（结果是否符合预期）的闭环。LLM缺乏闭环能力：它仅能处理输入文本并生成输出，无法通过传感器感知环境，也无法通过执行器影响世界。例如，它无法通过触摸判断物体温度，或通过实验验证因果关系。系统性突破的需求：实现AGI需机器人学、计算机视觉、传感器技术、因果推理、强化学习等领域的协同发展。AI需在真实环境中试错，而非仅在虚拟数据中优化参数。三、通向AGI的挑战与转向技术挑战：多模态融合：将语言、视觉、动作与记忆统一，使AI能理解“水杯易碎”这一概念（视觉识别形状+语言理解“易碎”+动作控制力度）。虚拟仿真训练：在沙盒环境中让智能体学习基础动作（如行走、抓取），再迁移至真实世界，降低试错成本。强化学习与因果推理：通过奖励机制引导AI学习最优策略，并理解行动与结果的因果关系（如“用力过猛会导致水杯破碎”）。伦理与安全风险：现实伤害的可能性：能行动的智能体若决策错误（如自动驾驶误判路况），可能直接造成物理损害，远超语言模型的信息误导风险。可解释性与价值对齐：需确保AI的行为符合人类价值观（如避免伤害、尊重隐私），且决策过程可追溯、可理解。四、当前进展与未来方向研究转向的迹象：多模态大模型：如GPT-4V尝试结合语言与图像理解，但尚未涉及动作执行。机器人实验室的突破：波士顿动力的Atlas机器人通过强化学习实现复杂动作，但缺乏语言理解与长期规划能力。虚拟仿真平台：如OpenAI的Universe允许AI在游戏中学习通用技能，但真实世界复杂性远高于虚拟环境。漫长但必要的路径：通向AGI需跨越“语言符号”与“物理行动”的鸿沟，这一过程可能需数十年技术积累，但可能是唯一可行的方向。总结李飞飞的警告直指当前AI狂热的核心幻觉：语言流畅性不等于真正智能。AGI的实现需突破语言模型的局限，构建能感知、行动并从物理世界学习的闭环系统。这一路径充满技术挑战与伦理风险，但唯有如此，AI才能从“能说会道”的工具，进化为能理解风雨、重量与人类情感的真正智能体。