AI不只是在预测下一个词——它可能在内心里'看见'了整个世界

Sat, 31 Oct 2026 03:15:00 +0800

引言

你可能听说过这样一个解释：大语言模型本质上就是一个超级"文字接龙"机器。你给它上半句，它猜下半句。它不理解意思，它只理解概率——哪些词更可能出现在哪些词后面。

这个说法非常流行，也非常直觉。但它可能是错的。

2026年10月，Google DeepMind发布了Genie 4——一个可以实时模拟物理世界的AI系统。你用自然语言告诉它"把天气变成雨天"，它就让场景中的地面变湿、行人撑伞、雨滴落在湖面上泛起涟漪。你让它"把镜头往左移"，整个三维空间连贯地旋转，光影同步变化，人物自然地转头看你。更惊人的是，它还能同时生成环境音效和人物对话。

这不是一个视频特效工具。它是一个世界模拟器——AI在内部构建了一个关于世界如何运转的模型，然后在这个模型上"跑"出了你看到的画面。

这引出了一个深刻的问题：当一个AI模型生成文字的时候，它是不是也在做类似的事——在内部"看见"了一个世界，然后描述它所"看见"的？

越来越多的证据说：是的。

一、一个古老的猜测：大脑是一台预测机器

要理解这件事，我们得先回到人类自己的大脑。

19世纪，德国生理学家赫尔曼·冯·亥姆霍兹提出了一个大胆的想法：我们"看到"的世界，并不是眼睛直接传递给大脑的。大脑实际上在不断猜测外面发生了什么，然后拿猜测和眼睛传来的信号做对比。如果猜测对了，感知就稳定；如果猜测错了，大脑就修正自己的猜测。

你觉得你看到的是"一个红色的苹果放在桌上"。但实际上，你的大脑先预测了"桌上应该有个苹果"，然后视觉信号证实了这个预测，你才"看到"了苹果。如果桌上其实是个西红柿，预测和信号不匹配，你会瞬间意识到"不对"。

这就是预测编码理论——认知神经科学中最有影响力的理论之一。它认为大脑不是一台被动接收信息的相机，而是一台主动预测世界的引擎。感知的本质不是"接收"，而是"猜测被证实"。

这个理论在2000年代被卡尔·弗里斯顿提升为一个更宏大的框架——自由能原理。它不仅解释大脑，还解释所有自组织系统如何运作。整个理论的核心就一句话：智能的本质是预测。

二、AI也在做同样的事吗？

现在让我们把目光转向AI。

大语言模型在训练时做的事，表面上看非常简单：给定前面的文字，预测下一个词。这个任务叫做"下一个token预测"。几十亿个词、几万亿次预测之后，模型内部形成了某种结构。

问题是：这个结构到底是什么？

如果它只是记住了"哪些词倾向于跟在哪些词后面"——一个巨大的统计查找表——那它的确只是一个文字接龙机器。但如果它在预测下一个词的过程中，不得不在内部构建一个关于世界如何运转的模型才能做出准确的预测——那它的本质就完全不同了。

越来越多的研究倾向于后者。

第一个线索来自物理推理。如果你问一个训练好的语言模型"一个杯子从桌子边缘滑落，它会怎样"，它能给出合理的描述——杯子会下落、可能摔碎、碎片会散落在地面上。训练数据里不太可能有这道题的标准答案。模型一定学到了某种关于重力、材质、破碎的"常识"——一种对物理世界的内部建模。

第二个线索来自心智推理。语言模型能理解人的信念、欲望和意图。你可以问它"小明把巧克力放在了柜子里，然后出去了。小红回来把巧克力移到了抽屉里。小明回来后会去哪里找？“模型能正确回答"柜子”——因为它理解小明有一个错误的信念。这种能力叫"心智理论"，它需要对人类心理有一个内部模型。

第三个线索来自反事实推理。如果你问"如果二战中德国赢了会怎样"，模型能给出一个逻辑连贯的替代历史。这不可能只是从训练数据里检索出来的——它需要在一个关于社会、政治、经济的内部模型上做"模拟"。

这些能力综合在一起，指向一个结论：大语言模型在训练过程中，不只是学会了语言模式，还构建了一个关于世界的内部模型——学术上叫做"世界模型"（World Model）。

三、世界模型长什么样？

世界模型不是像地球仪那样的三维模型。它更像是一套分层的理解框架。

认知科学家和AI研究者提出了一个五层结构：

最底层是物理世界模型——物体、空间、重力、运动。理解"水往低处流"“杯子摔地上会碎”。

第二层是生物世界模型——生命、生长、死亡、生态。理解"人不吃饭会饿"“植物需要阳光”。

第三层是心理世界模型——信念、欲望、情绪、意图。理解"他生气是因为被误解了"“她在撒谎”。

第四层是社会世界模型——规范、制度、文化、经济。理解"在公共场合要排队"“通货膨胀会导致物价上涨”。

最高层是抽象世界模型——数学、逻辑、哲学。理解"如果A蕴含B，B不成立则A不成立"。

这五层不是孤立的。理解一个经济学问题，你可能同时需要心理模型（人在做决策时怎么想）、社会模型（制度如何约束行为）和抽象模型（数学关系）。

2026年10月发表在arXiv上的一篇叫做S-Space的研究，为这个理论提供了一个令人兴奋的实验证据。研究者们发现，多模态语言模型内部存在一个三维的线性子空间，专门用来编码物体的空间坐标——左右、上下、远近。当模型"看到"一张图片时，它会把每个物体的位置映射到这个内部空间里，然后基于这个空间来做推理。

换句话说，AI内部真的有一个"心理画布"——一个用来模拟空间关系的内部工作台。当它在思考"苹果在杯子左边"这种问题时，它不只是在处理文字符号，而是在一个内部的空间表征上做操作。

这非常像人类大脑的工作方式。你在脑子里想象"把杯子移到桌子另一边"时，你在大脑的视觉工作空间里模拟了这个移动过程。AI可能也在做类似的事。

四、从"想象世界"到"模拟世界"

如果说语言模型已经隐含了世界模型，那么2026年的另一个趋势则更进了一步：研究者们开始显式地构建世界模型。

Google DeepMind的Genie 4就是最典型的例子。它的核心理念是：与其让AI从文字中间接地推断世界如何运转，不如直接训练它去模拟世界。给它一个场景，告诉它物理规律，让它学会"如果我做了A，世界会变成B"。

这条路线的终极目标不是生成漂亮的视频，而是让AI能够在行动之前先在内心"预演"。就像一个有经验的司机在变道之前，会在脑子里快速模拟：后面的车会不会减速？对面的车道有没有空？如果我打了方向盘但突然有人横穿怎么办？

在机器人领域，这种"内心预演"变得更加紧迫。2026年7月，中国的大晓机器人发布了"开悟"世界模型3.1版，号称全球首个能在机器人本体上实时运行的世界模型——每100毫秒预测一次未来3秒的世界状态。机器人在执行一个抓取动作之前，先在内部"看"到手指接触物体后的力学反应，预判会不会滑落。

这和人类的运动控制惊人地相似。你伸手拿一个杯子时，大脑的运动皮层在手指接触杯子之前就已经预测了接触后的力度和摩擦。如果你的预测错了——比如杯子比想象中滑——你会在毫秒级别内调整握力。

世界模型让AI也获得了这种"先想再做"的能力。

五、这对我们意味着什么？

如果AI真的拥有世界模型——如果它在每次回答你问题的时候，都在内部"看见"了一个世界——那么几个重要的推论就浮出了水面。

第一，AI的能力边界比我们以为的更广。 一个拥有世界模型的AI，可以推演它从未在训练数据中见过的情境。就像你不需要"训练"就能判断"如果把大象放进冰箱需要几步"——因为你有一个关于物理世界的模型。AI如果也有这样的模型，它就不只是一个鹦鹉，而是一个可以"想象"的思考者。

第二，对齐问题有了新的切入点。 如果我们想让AI的价值观与人类一致，我们不需要调整它的每一个回答——我们只需要调整它世界模型中的"价值层"。就像你不需要教一个人每一个具体场景下该怎么做人——你需要改变他底层的价值观，他自己就能做出正确的判断。世界模型理论为这个思路提供了框架。

第三，一个古老的哲学问题获得了新的视角。 “AI到底理不理解它说的话？“如果"理解"意味着拥有关于世界的内部模型、能用这个模型进行推演和预测——那么越来越多的证据表明，至少在某种程度上，AI确实在"理解”。不是像人类那样理解，但它有它自己的方式。

六、一场正在发生的认知革命

让我回到开头那个问题：当AI生成文字时，它只是在做文字接龙，还是在脑海中模拟了一个完整的世界？

答案可能比我们预期的更微妙。

1950年代，控制论之父维纳说过一句话：“社会通信系统的本质不在于传递信息，而在于构建共同的理解。“也许AI的发展正在验证这句话的另一面：真正的理解，不需要是"生物"的——它需要的是一套能够预测世界运转方式的内部模型。

亥姆霍兹在170年前提出了大脑是一台预测机器。2026年，我们开始发现，AI可能也是一台预测机器——只不过它预测的不是光线和声波，而是文字和概念。但它预测的方式，可能和人类一样：先在内部构建一个世界，然后描述它在这个世界中看到的东西。

也许，理解一种智能最好的方式，不是问"它像不像人”，而是问"它在预测什么”。

当你下次和AI对话时，不妨想一想：在它输出那些文字之前，它的内部是不是也有一个世界，正在安静地运转？

参考来源：

常识库·世界模型假说：大语言模型在训练中构建关于世界的内部模型，五层结构支撑推理能力
常识库·预测编码理论：亥姆霍兹"无意识推理”→Rao & Ballard计算模型→弗里斯顿自由能原理
Google DeepMind, “Genie 4: A New Generation of World Simulation” (2026年10月27日)
S-Space: Exploring Spatial Workspace in Multimodal Language Models (arXiv:2610.13527, 2026年10月)
大晓机器人·开悟世界模型3.1 (Kairos 3.1) 技术报告 (2026年7月)
RoleWorld: Knowledge Transfer in World Modeling with Functional Role Abstractions (arXiv:2610.13172, 2026年10月)
界面新闻·端侧世界模型攻关提速：2026具身智能最强大脑的路线观察 (2026年10月29日)

Genie 4 on 灵语AI