知识的影子与本体：AI 正在寻找穿透文字的路

自从 2022 年 ChatGPT 3.5 横空出世，让世人领略到 AI 的非凡魅力；再到 2024 年底 DeepSeek 惊艳登场，给国人带来了巨大的惊喜与自信。如今，各类大模型（LLM）及 AI 应用已经深刻地改变了我们的生活。

AI 每天都在增强功能。昨天做不到的事，今天已经能做；前天做不好的题，今天已经可以轻松解决。我们仿佛回到了蒸汽机投入实用后的那段时间——新技术、新发明以肉眼可见的速度狂飙突进。

然而，在这波 AI 浪潮的狂欢背后，科技界仍存争议：LLM 真的是通往 AGI（通用人工智能）的正确方向吗？ 或者说，仅靠当前的 LLM 就足够了吗？

答案其实很清晰：不够。

Transformer 是一次伟大的突破，但要让机器真正“理解世界”，我们仍需要更多类似 Transformer 等级的全新核心技术。

冻结的知识快照不是智能

我们知道，当前大模型的训练方法，本质是让 Transformer 在大量文本里寻找“词与词的关系”，并基于这些统计关系预测下一个词。

训练完成后，所有知识都被压缩进最终的权重文件里，像一张凝固的“知识快照”。 但之后它不会自动学习新知识，除非重新训练或微调。明天产生的新知识无法自动融入，换言之，LLM 本身没有实时的学习能力。

从上面你很快能就发现当前基于LLM的AI的两个“死穴”：

其一，LLM只是一个概率模型，它知道“E=mc²”后面大概率跟着“爱因斯坦”，也知道怎么用这句话造句，但它不知道这公式是怎么推导出来的，也不知道如果光速改变了世界会怎样。它学到的是知识的“投影”（文字），而不是知识的“本体”（逻辑与因果）。

其二，它的知识是静态的。正因为它没有一个知识的生产过程，所以它不知道这些知识是如何产生的，为什么会形成这个知识，这些知识为什么对，为什么错。

正如X上有某位大佬所言：“当前 AI 水平离真正的 AGI 还差好几个 Transformer 级别的创新。” 但遗憾的是，现在还没有可以取代Transformer的新架构。

在这一点上，中美其实“站在同一片荒原上”，未来怎么走，大家都在摸索。

理解知识的积累过程，是智能的前提吗？

回想一下人类的学习方式：从小到大，知识是一点一滴积累的，对同一个知识点的理解也是层层递进的。相比之下，LLM 生成即“冻结”，缺失了进化的过程，所以它“知道”，但它不“理解”。

那么，将知识的积累过程保留下来，会不会是通往 AGI 的一个方向？

如果 AI 能复现人类对某个现象的认识过程，是否就能理解其背后的原理，从而举一反三？至少，可以将这个认识过程当作一种“元模式”记录下来，在处理新问题时按部就班地套用。

当然，这个观点也存在争议。因为许多科学突破是“断层式”的——先是天才的“灵光一闪”，后人再通过逻辑去填补证据。

不过，从人类的普适经验来看，模拟知识的积累过程，肯定有助于 AI 达到人类智能的平均水准。我们不指望 AI 顿悟成爱因斯坦，但达到专家的水平是完全可期的。

这个过程可以从两个角度来分析

一是知识的层级性，高阶知识依赖并建立在前导知识（基础概念、技能）之上。比如说，一个人学习流体力学前，需掌握微积分与线性代数。

二是学习的渐进性，对具体知识的理解和记忆，是一个从模糊、具体到清晰、抽象的动态过程。对于个人来说，对新概念的掌握，会从最初的生硬记忆，逐渐内化为可灵活运用的直觉。

Google的思考：结构化与记忆

针对第一个维度（层级性），Google 试图将模型的知识结构化为不同时间尺度、相互嵌套的层级，提出了**“嵌套学习”（Nested Learning）与记忆框架。（参见论文：https://abehrouz.github.io/files/NL.pdf）。

“嵌套学习”的核心是将一个复杂的AI模型，视为一系列相互嵌套的优化问题。简单来说，模型的不同部分可以像人的不同记忆一样，以不同的“速度”学习和更新。

简单举例，一般的LLM训练，对于一个文本来说，可以理解成一个平面，从上而下，流式分布。然后训练过程相当于找出每个字之间的关系概率，因为处理窗口的关系，如果算到了后面的内容，往往与前面的文字关系就小了，计算时用的权重也就低了。如同一篇小说，即使作者费尽心机在结尾时回应了开头处的一个梗，填了开始的一个坑，对于AI来说，也是抛媚眼给瞎子看。AI早就忘记了。

而Google的嵌套学习，则是对同一篇文章，除正常的训练方式外，还对文章先在不同的层次上进行预处理。比如先做一个文章梗概，先过一遍文章，把所有作者预埋的“坑”提取出来……，这样一篇文本就变成了n篇不同维度文本，然后在训练时，这些文本都参与训练，可以并行处理，只是训练参数和训练方法不同。能根据性质选择不同精度和速度的计算，而且训练出的成果是可以叠加的，不再是单一固定的权重文件。

上面的图就是一个例子，左边是普通的深度学习训练过程，而右边则是嵌套学习的例子，你能看出对于同一个内容，根据进行多次训练，只是广度和精度各不相同。

此外，Google 的 ReasoningBank 记忆框架（相关论文：https://arxiv.org/abs/2509.25140 ）则更进一步。它的思路是让AI智能体从以往的成功与失败经验中，主动提炼出结构化的“记忆项”。每个“记忆项”包含策略标题、描述和推理内容，本质上是对低级经验的抽象总结。当面对新任务时，AI会检索并应用这些抽象原则来指导行动，这模拟了人类专家运用已有知识框架去解决新问题的过程。

DeepSeek的尝试：多维感知与自验证推理

针对第二个维度（渐进性），DeepSeek 在感知与推理两个层面都展现了对人类思维模式的深度模拟。

首先在视觉感知层面，以 DeepSeek-OCR 为例，他们采用了一种独特的“多分辨率训练”思路：不仅仅是对图像进行简单的向量化，而是试图模拟人类的视觉认知过程——即 “从模糊到清晰” 的动态扫描。对同一张图片（场景），模型会同时学习其低分辨率的宏观轮廓与高分辨率的微观细节（相关技术细节可参看此前的公众号文章）。这种策略暗合了人类大脑处理视觉信息的生物学模式：先建立全局印象，再填充局部细节。

不仅在感知上发力，DeepSeek 更试图在推理层面重现人类的“反思”能力。

DeepSeek 不仅在基础大模型上发力，向各个专家模型演进（如 DeepSeekMath-V2），更在某些领域尝试模拟人类的“记忆状态”。

在 2025 年 11 月 27 日刚刚发布的 DeepSeekMath-V2（论文：https://arxiv.org/pdf/2511.22570 ）中，DeepSeek 引入了突破性的 “自验证”（Self-Verification） 机制。

这相当于让 AI 进化出了“自我监考”的能力。传统的模型像是一个只顾填答题卡的考生，只在乎最终答案是否命中；而 DeepSeekMath-V2 则像是一个严格的老师，它不仅检查答案的对错，更会一步步审视 解题过程（Process） 的逻辑链条。通过这种方式，模型不再是“蒙”对了一个答案，而是真正确信自己“理解”了这道题。这种从“结果导向”向“过程导向”的转变，是 AI 迈向深度逻辑推理的关键一步。

DeepSeek 的“自验证”机制构成了一个自我完善的智能闭环：它不仅能评估解题过程，更能主动生成推理步骤并对其验证。这模仿了人类的元认知与自我学习能力。古人倡导“吾日三省吾身”，而 AI 则可实现瞬时、高频的自我审视与迭代优化。如下图（论文中的附图）所示，随着验证次数（最高达7次）的增加，模型解决问题的能力显著提升，充分体现了通过“反复自学”实现能力进化的潜力。

虽然上述分别列举了两家公司的例子，但在技术演进的洪流中，它们并非孤立存在。Google 的嵌套学习涉及不同清晰度数据的处理，而 DeepSeek 的多专家系统（MoE）及多层次数据训练，本质上也是在对知识进行结构化拆解。

结尾：AGI的未来方向，也许正在悄悄显现

从 Google 到 DeepSeek，我们正在看到一个趋势越来越明确：

真正的智能，不是更大的模型，而是更“结构化”的学习过程。

未来的 AI，可能会具备：

• 能分层理解知识结构的能力
• 能保持多时间尺度记忆的能力
• 能自主总结“经验规则”的能力
• 能在模糊与清晰之间渐进切换的能力
• 能记录“知识的进化史”而不是只记录结论

这些能力加在一起，不是“下一代更大的 Transformer”，而是：一种能够像人一样“成长”的架构。

我们或许距离 AGI 仍有数个重要突破，但路径正在变得越来越清晰：不是简单堆算力、堆数据，而是让模型获得“理解知识如何生成”的能力。

或许，真正的智能不是一夜之间的奇迹，而是一次又一次让机器“重走人类认知之路”的漫长积累。而现在，我们正在走在这条路的最前面。