AI 真的「理解」世界吗？还是只会模仿？

业界不少人谈论 AGI，仿佛它可能在未来几年内到来。模型写作、绘图、规划都越来越流畅，乐观情绪不难理解。但热闹底下仍有一个更根本的问题：跑在全球服务器里的系统，是否真的理解这个世界——还是只是把「看起来像理解」演得特别像？

这不是哲学文字游戏。它直接影响下一注该押在哪里。若现有系统已具备真正理解，继续沿当前路线——更多数据、更多算力、更大模型——也许就够了；若它们没有，而只是在复制人类数据中的模式，那无论把模型做多大，都未必能到达真正的通用智能。

我们熟悉的图像：机器里面有一份世界副本

多数现代 AI 建立在一套很符合直觉的认知故事上：信息从感官进来，系统建立内部表征——像是外部世界的一份副本——再推理、决策，最后输出行动。在这个框架里，感知先于行动，而且偏被动：先看见东西，认出它是什么，再决定怎么处理。

计算机视觉很吻合这幅图：用数百万张标注图片训练，抽出尖耳朵、胡须等特征，之后输出「这是猫」。大语言模型也一样：吞下海量文本，形成语言与世界知识的内部地图，再生成回答。按这个观点，智能高低取决于内部副本有多准、多完整。

另一种看法：理解是你能拿它做什么

Sutton 与 Rafiee 借助生成认知（enactive cognition）的思路，强烈反驳「先复制、再行动」的故事。理解主要不是记忆里的静态模型，而是透过行动与世界保持有效接触的能力。意义是在互动中生成的，不是物体里预先藏好、等着被标注发现的标签。

椅子这个例子最清楚。表征主义会说：你认出椅子，是因为它匹配了脑中的「椅子」模板。生成认知则说：你知道那是椅子，是因为你知道可以坐上去、搬起来、踩上去够高处，或临时当桌子用。没有这些行动可能性，「椅子」这个词就很单薄。

为什么读一万本游泳书仍不会游泳

监督学习与自监督学习，大多训练于他人经验留下的痕迹：标注照片、爬取文本、录制视频。这些痕迹很有价值，但不是系统自己与世界的亲身接触。你可以看遍网上所有游泳教学，仍不知道浮力、呛水，也不知道手脚如何维持平衡。

日常物件也有同样落差。模型看过所有关于杯子的说明与图片，却从未拿过杯子、用杯子喝过水，或打碎过杯子。它可以很有把握地谈论杯子；这种流畅，看起来像理解，却仍可能是打磨得很好的模仿。

• 固定数据集是别人与世界接触后留下的定格，不是系统自己的持续经验。
• 「训练完再部署」预设学习大致在上线前结束；真正的理解却没有终点。
• 漂亮的回答仍可能只是模式补全；一旦模式断裂，系统未必懂得介入与调整。

为什么这个问题决定下一个十年怎么走

若「模仿加规模」已足够，业界现有打法仍是主轴。若真正的理解需要 Agent 透过持续互动生成自己的经验，瓶颈就会转移：不只是更大的模型，而是能行动、接收反馈、并改写世界对自己意义的系统。

Sutton 与 Rafiee 的论文没有交出现成的 AGI 配方，也没有给出上市日期。它重新框定了目的地：智能是与世界保持活生生接触的过程，而世界永远比任何内部模型都大。对关注 AGI 辩论的读者来说，实用结论很清楚——流畅是真进步，但单靠流畅，未必能证明机器真的理解。