在通用人工智慧（AGI）的實現路徑上，大型語言模型（LLM）和「世界模型」分別代表了哪些不同的技術哲學？

大型語言模型（LLM）的技術哲學

大型語言模型（LLM）的核心技術哲學是基於大量的文本數據進行訓練，從而學習語言的模式和結構。這種方法著重於統計相關性，使LLM能夠生成看似流暢和有上下文的文本，並在各種自然語言處理任務中表現出色。然而，LLM的局限性在於它們缺乏對世界的真實理解，只能根據訓練數據中的模式進行預測，無法進行真正的推理和理解因果關係。正如楊立昆所批評的，LLM在理解物理世界運作方式方面存在根本缺陷，使其在預測現實和制定行動計畫的能力上不如人類甚至貓。

「世界模型」的技術哲學

「世界模型」代表了一種更注重理解和模擬現實世界的技術哲學。這種方法強調AI系統需要從視覺和空間數據中學習內在的因果關係與可預測性，並形成能夠想像未來狀態的模型。世界模型的目標是讓AI能夠像人類一樣預判情境，進而做出更合理的決策。與LLM不同，世界模型不僅關注文本數據，還注重從多模態數據中學習，包括視覺、聽覺和觸覺等，從而更全面地理解世界。楊立昆認為，世界模型是實現通用人工智慧（AGI）的更有效途徑。

LLM與世界模型的根本區別

LLM和世界模型代表了兩種截然不同的AI發展路徑。LLM側重於通過大規模數據訓練來模擬語言，而世界模型則側重於構建對現實世界的理解和預測能力。LLM的優勢在於其在自然語言處理任務中的表現，但其缺乏對世界的真正理解是其根本局限。世界模型的優勢在於其能夠模擬和預測現實世界，使其在決策和行動規劃方面更具潛力。然而，世界模型的實現需要更複雜的技術和更多的數據，因此其發展面臨更大的挑戰。在Meta的發展策略中，祖克柏更傾向於追求短期見效的LLM路線，而楊立昆則堅信世界模型將成為AI架構的主導模型。