如果放弃生成式模型、不研究大语言模型，真能让AI靠着文本训练达到人类智慧水平吗？这可不得不打个大大的问号，咱们今天就来深入聊聊！
生成式模型的局限与重要性
现在很多观点提到生成式模型根本不适用于制作视频。目前那些能生成视频的AI模型，其实只是在生成漂亮图片，根本无法理解物理世界。要是彻底放弃生成式模型以及不研究LLM，仅仅依靠文本训练让AI达到人类智慧水平，简直就是异想天开。毕竟这样片面的训练太狭隘，和人类广阔而复杂的认知差距甚远。
文本训练AI的困境
人们总希望通过文本训练让AI接近人类的智慧。然而事实证明，只依靠文本训练AI难以达到人类的智慧水平。就拿那些专门针对特定领域问题的AI模型来说，如果问题表述标准，答案几秒内就能生成；一旦稍微修改问题表述，AI大概率会给出相同答案，因为它并没有真正去思考问题。
人类在训练中的“作弊”行为
于是就出现人类“作弊”的现象。为了让系统看似更智能，人们告诉系统该怎么回答问题、运用推理思维技巧，让系统产生更多的token，这不过是在白白消耗算力。这看似提升了回答，其实只是虚假的表象，并没有让AI真的获得更深刻的认知。
世界模型的构建
要想让AI理解世界如何运转，世界模型的构建极为关键。观察世界要通过感知模块，这个模块概括世界状态。但这个状态并非全部可观察，还得和记忆相结合，构成完整的世界模型。有了世界模型，我们就能预测一系列动作的结果，并把它用到任务目标设定里，来衡量最终状态是否符合预期目标。
机器学习的分层规划难题
在机器学习中，分层规划很常见，可每个层次的提示都靠手工输入。这太麻烦了，我们得训练架构让它自主学习抽象演示。不光是世界状态，连预测世界模型、不同抽象层次上的抽象动作它都能自行学习，只有这样，机器学习才能如同人类一样自动完成分层规划。
视频训练让AI理解世界
要使系统理解世界运转，可以借鉴训练自然语言系统的经验，用视频来训练AI。比如给系统一段视频，让它预测后面会发生什么。通过这样的训练能让AI理解世界的底层结构，而且用类似于JEPA架构能让AI学习消除无用信息，更好地做规划。
看完这些，大家是不是觉得目前让AI接近人类智慧的路还很长？你认为未来可以克服这些困境，让真正具有人类智慧的AI出现吗？欢迎在评论区分享你的看法！要是这篇文章对你有启发，不妨点赞、分享给更多朋友。
