AI 真的「理解」世界嗎？還是只會模仿？

業界不少人談論 AGI，彷彿它可能在未來幾年內到來。模型寫作、繪圖、規劃都越來越流暢，樂觀情緒不難理解。但熱鬧底下仍有一個更根本的問題：跑在全球伺服器裏的系統，是否真的理解這個世界——還是只是把「看起來像理解」演得特別像？

這不是哲學文字遊戲。它直接影響下一注該押在哪裏。若現有系統已具備真正理解，繼續沿當前路線——更多資料、更多算力、更大模型——也許就夠了；若它們沒有，而只是在複製人類資料中的模式，那無論把模型做多大，都未必能到達真正的通用智能。

我們熟悉的圖像：機器裏面有一份世界副本

多數現代 AI 建立在一套很符合直覺的認知故事上：資訊從感官進來，系統建立內部表徵——像是外部世界的一份副本——再推理、決策，最後輸出行動。在這個框架裏，感知先於行動，而且偏被動：先看見東西，認出它是什麼，再決定怎麼處理。

電腦視覺很吻合這幅圖：用數百萬張標註圖片訓練，抽出尖耳朵、鬍鬚等特徵，之後輸出「這是貓」。大語言模型也一樣：吞下海量文本，形成語言與世界知識的內部地圖，再生成回答。按這個觀點，智能高低取決於內部副本有多準、多完整。

另一種看法：理解是你能拿它做什麼

Sutton 與 Rafiee 借助生成認知（enactive cognition）的思路，強烈反駁「先複製、再行動」的故事。理解主要不是記憶裏的靜態模型，而是透過行動與世界保持有效接觸的能力。意義是在互動中生成的，不是物體裏預先藏好、等著被標註發現的標籤。

椅子這個例子最清楚。表徵主義會說：你認出椅子，是因為它匹配了腦中的「椅子」模板。生成認知則說：你知道那是椅子，是因為你知道可以坐上去、搬起來、踩上去夠高處，或臨時當桌子用。沒有這些行動可能性，「椅子」這個詞就很單薄。

為什麼讀一萬本游泳書仍不會游泳

監督學習與自監督學習，大多訓練於他人經驗留下的痕跡：標註照片、爬取文本、錄製影片。這些痕跡很有價值，但不是系統自己與世界的親身接觸。你可以看遍網上所有游泳教學，仍不知道浮力、嗆水，也不知道手脚如何維持平衡。

日常物件也有同樣落差。模型看過所有關於杯子的說明與圖片，卻從未拿過杯子、用杯子喝過水，或打碎過杯子。它可以很有把握地談論杯子；這種流暢，看起來像理解，卻仍可能是打磨得很好的模仿。

• 固定數據集是別人與世界接觸後留下的定格，不是系統自己的持續經驗。
• 「訓練完再部署」預設學習大致在上線前結束；真正的理解卻沒有終點。
• 漂亮的回答仍可能只是模式補全；一旦模式斷裂，系統未必懂得介入與調整。

為什麼這個問題決定下一個十年怎麼走

若「模仿加規模」已足夠，業界現有打法仍是主軸。若真正的理解需要 Agent 透過持續互動生成自己的經驗，瓶頸就會轉移：不只是更大的模型，而是能行動、接收回饋、並改寫世界對自己意義的系統。

Sutton 與 Rafiee 的論文沒有交出現成的 AGI 配方，也沒有給出上市日期。它重新框定了目的地：智能是與世界保持活生生接觸的過程，而世界永遠比任何內部模型都大。對關注 AGI 辯論的讀者來說，實用結論很清楚——流暢是真進步，但單靠流暢，未必能證明機器真的理解。