研究实锤：世界模型根本不懂物理定律，属于它的“ChatGPT时刻”还很远

图灵奖得主LeCun炮轰：自回归模型根本不懂物理

自ChatGPT横空出世以来，关于它是否真正理解世界的争论从未停止。图灵奖得主、Meta首席人工智能科学家Yann LeCun多次公开抨击，认为以GPT-4为代表的自回归语言模型“没有前途”。在2023年的一次演讲中，LeCun明确指出，GPT类模型本质上只是对海量文本的统计建模，它们擅长预测下一个词，却对物理世界的因果关系、空间结构和时间演化一无所知。他警告，这种“自回归”技术路线寿命不会超过5年，真正的通用人工智能必须建立在能够理解物理定律的“世界模型”之上。LeCun的看法并非孤例，多位学者在相关研讨会上也指出，大模型在涉及物理常识的推理任务中频频翻车，比如无法准确判断物体在倾斜平面上的运动轨迹，或是因为“一杯水倒扣在桌上是否漏水”这种简单问题而陷入逻辑混乱。

实验实证：代码会写，但“水杯会倒”吗？

除了理论批判，一系列实验研究更直接地揭示了世界模型的“物理盲区”。研究者发现，尽管GPT-4能轻松通过编程考试、甚至帮助用户解决“狗中毒”这种紧急医疗问题（因其能快速检索并整合知识），但在最基本的物理直觉测试中却表现糟糕。例如，北大“韦神”出的一道数学题，ChatGPT仅能给出逻辑看似正确但实际错误的答案；而一项针对语言歧义理解的测试更显示，GPT-4无法完全理解因背景知识缺失导致的歧义句，这正是因为它缺乏对物理世界的具身认知。更直接的证据来自一项针对“世界模型”的专项研究：模型在回答“把一个球放在桌子上，然后推一下，球会怎样？”这类问题时，能正确输出“球会滚动”，但当被追问“如果桌子是倾斜的，球会怎样？”时，它可能仍会回答“球会滚动”，而无法内化“重力方向”这一基本物理定律。这说明，模型学到了“滚动”这个词汇的关联，却没有学到“力”与“运动”的物理本质。

面向物理世界的“智能”为何如此难学？

为什么大模型在物理常识上如此脆弱？核心原因在于其训练范式的根本缺陷。当前的大语言模型主要通过“下一词预测”任务来学习，它们从海量文本中捕捉的是词语之间的统计规律，而非物理世界的运行规律。文本中并不包含真实的物理交互数据，例如“摔倒”这个词在文本中出现的频率很高，但模型从未体验过“摔倒时的加速度、疼痛感、地面反作用力”等物理信号。正因如此，模型无法构建一个能预测物理事件因果链的“世界模型”。正如LeCun所强调，真正的世界模型需要能够对世界进行抽象表示，并基于这个表示进行推理和规划，这与纯粹的文本预测有本质区别。此外，已有研究试图通过“反思”机制（让模型重新审视自己的输出）来提升代码能力（提升了21%），但在物理推理任务上，这种反思带来的提升依然有限，因为模型缺乏物理世界的“真实锚点”来进行自我纠错。

距离“世界模型”的ChatGPT时刻还有多远？

尽管行业对“世界模型”寄予厚望，甚至出现了“Manus”这类工具调用能力被视为“Anthropic的ChatGPT时刻”，但需要清醒认识到，这并非物理世界模型本身的突破。Manus的成功在于将Claude模型的工具使用能力包装成惊艳的产品体验，它本质上仍是语言模型在数字世界中的高效执行。真正的物理世界模型，如NVIDIA的Cosmos（用于物理AI仿真）或Google的Genie，目前仍处于非常早期的研究阶段。它们需要海量的、带物理标签的真实世界数据进行训练，而这比文本数据昂贵得多。更重要的是，物理世界模型的计算复杂度极高，在现有的硬件水平下，要像ChatGPT那样实现“人人可用”的实时推理，几乎不可能。正如NVIDIA黄仁勋所说，从Pascal到Blackwell GPU，八年间性能提升了1000倍才勉强支撑起GPT-4的规模，而物理世界模型对算力的需求可能还要高出几个数量级。因此，当ChatGPT已经被用来写代码、做客服、甚至组织游行时，世界模型还在为“一个杯子掉到地上会碎”这种常识问题苦苦挣扎——属于它的“ChatGPT时刻”确实还很遥远。