通用人工智能并非多模态

近期，一些人认为通过大规模训练的多模态模型可以实现通用人工智能（AGI），但这种观点存在误导。真正的AGI需要具备物理世界的理解能力，而不仅仅是符号操作的能力。当前的语言生成AI虽然表现出类似人类的理解力，但实际上它们可能只是学习了一套预测文本的规则，并没有真正掌握世界模型。因此，多模态方法在短期内难以实现具有感知运动推理、动作规划和社会协调等能力的人类水平AGI。此外，尽管一些人认为大型语言模型（LLM）通过下个词预测来学习世界的隐含模型，但更有可能的是它们只是学会了预测词汇的规则集合，这使得它们对现实的理解浅薄，并导致对其智能的误解。