谷歌DeepMind（Google DeepMind）发表了一篇由汤姆·扎哈维（Tom Zahavi）撰写的论文，题为《大语言模型跳不起来》（LLMs can't jump）。该论文探讨了一个显而易见的真相：AI软件缺乏物理实体，这一局限性带来了一种认知障碍。论文还指出，大型语言模型（Large Language Models，简称LLMs）无法取代人类及其创造性天赋，因为基于软件的智能仅仅掌握了一种独特的推理类型。
这篇论文深入探讨了大语言模型的局限性，指出在三种独特的推理类型中，AI仅在一个领域取得了成功。
研究指出，这三种推理类型分别是归纳、演绎和溯因。得益于统计模式识别和大规模数据压缩，AI已经成功掌握了归纳推理。像AlphaProof这样的系统，则能通过利用既定规则推导出的逻辑证明，迅速掌握演绎推理。然而，AI无法逾越的难关在于溯因推理——即在数据稀缺时，能够生成解释性假说的能力。
德国计算机科学家于尔根·施密德胡伯（Jürgen Schmidhuber）以其在人工智能领域的贡献而闻名，他主张科学发现只是数据压缩的一种高级形式。DeepMind的这篇论文驳斥了这一论断，并以阿尔伯特·爱因斯坦（Albert Einstein）的广义相对论（General Relativity）作为反证。当爱因斯坦取得突破性进展时，视觉数据极其匮乏，这使得他几乎没有可供分析或通过统计模式匹配进行压缩的数据集。
爱因斯坦并未因缺乏数据而却步，反而依赖于“具身思想实验”，例如想象一个人在封闭电梯里下坠时会有什么感受。最终，仅仅是运用物理直觉来连接感官体验，就催生了新的数学原理的发现。相比之下，一个大语言模型在掌握了爱因斯坦的初步发现后，固然可以无缝地处理复杂的数学演绎，但该AI模型永远无法仅通过分析现有文本来独立发明那些原始前提。
当前的AI发现框架，包括自动化编码工具，仍然局限于特定的规则手册和阈值之内，而非创建全新的框架。由于大语言模型缺乏在现实世界中的物理基础，它不可能基于因果关系创建出直观的模型。此外，用数据中心和算力来扩张AI基础设施，也无法神奇地赋予这些大语言模型能够实现革命性科学突破的天才级智力。
DeepMind的论文指出，要弥合逻辑计算与真正科学发明之间的鸿沟，未来的AI架构需要超越文本和图像处理能力，向物理化的多模态世界模型迈进。赋予AI系统在虚拟环境中运行具身模拟的能力，将使它们能够在生成方程或代码之前，建立起现实世界的物理直觉。你可以通过下面的来源链接阅读整篇论文，并在评论区告诉我们你是否发现了任何引人入胜的内容。
