杨立昆：AI对齐是个伪命题大顺AI商业流量
“把人类水平的AI称为AGI实际上是一个误导。”
“现在的AI对齐是一种错误的思维方式。”
“目前最好的开源模型来自中国。”
前段时间，图灵奖得主、深度学习奠基人杨立昆在达沃斯论坛上近乎“拆台”地重审了当前AI领域的三大共识。
他不是在修正技术路线，而是在否定整个认知前提。
如果你仍相信“大语言模型=智能”，或认为“对齐”是AI安全的核心解法，那么你正站在一座即将崩塌的认知高地上——而多数人浑然不觉。
本文将从第一性原理出发，系统拆解一个被严重误读的问题：
什么是真正的智能？
以及，为什么我们关于AI安全的全部讨论，可能都建立在一个错误的假设之上？
1. 重新定义智能：
语言 ≠ 智能，预测世界才是核心
你可能觉得，能写诗、编程、辩论的AI已经很聪明了。
但这些能力只是语言统计的副产品，而非真正意义上的智能。
杨立昆指出：
“真正的智能来源于对现实世界的理解。”
这句话看似简单，却直指当前AI范式的根本缺陷。
1.1 语言世界的局限性
大型语言模型（LLM）的本质，是在海量文本中学习“下一个词”的概率分布。
它擅长的是模式匹配与语言生成，而非因果推理与物理建模。
LLM无法理解“球被抛向空中后会下落”这一物理规律，除非有人用文字描述过。
它无法预测“如果我推倒这张桌子，杯子会摔碎”这一连锁反应。
它甚至无法区分“猫坐在沙发上”和“沙发坐在猫上”在物理世界中的不可能性。
语言只是智能的表层输出，而非智能的底层机制。
1.2 真正的智能：预测行为后果 + 规划行动序列
杨立昆举了两个极具反差的例子：
一个10岁孩子第一次面对新任务（如组装玩具），通常能在无训练的情况下完成。
一个17岁少年学开车，10小时内就能掌握基本驾驶技能。
而我们的自动驾驶系统，即便用数百万小时的真实道路数据训练，仍未实现L5级自动驾驶。
关键差异在于：
人类拥有“世界模型”（World Model）——一个内在的、可模拟物理与社会动态的心理表征系统。
它允许我们：
预测自身行为在现实中的后果；
在脑中“试错”而不付出实际代价；
规划多步行动以达成目标。
LLM没有这个能力。
它只能“回放”过去见过的语言模式，无法“想象”未发生的情境。
智能的本质，不是回答问题，而是解决问题；
不是复述知识，而是构建对世界的可操作理解。
2. “AI对齐”是错误的思维方式：
你对齐的是谁？对齐什么？
现在，让我们直面一个被政策制定者、媒体和公众广泛接受的“常识”：
我们必须让AI与人类价值观对齐。
而杨立昆的回答是：
这是完全愚蠢的逻辑。
2.1 对齐的误区：把LLM当作未来AI的模板
当前“AI对齐”讨论几乎全部围绕LLM展开：
如何防止它输出冒犯性内容？
如何让它遵守道德准则？
如何用RLHF（人类反馈强化学习）微调其行为？
但杨立昆尖锐指出：
未来的AI不会基于LLM架构。
因此，用LLM的安全问题去推演通用智能的风险，是典型的“类比谬误”。
就像19世纪的人担心蒸汽机是否会“背叛主人”，却完全没意识到电力、内燃机、计算机才是真正的变革力量。
2.2 目标驱动系统 vs. 语言模仿系统
杨立昆提出，真正的智能系统将是目标驱动的（goal-driven）：
它被设计用于完成特定任务（如“安全驾驶到目的地”）；
它通过世界模型预测行动后果，并规划最优路径；
安全约束可作为硬性规则嵌入其推理过程（如“不得违反交通法规”）。
这种系统不需要“对齐价值观”，因为它根本没有“价值观”——它只有目标和约束。
对齐问题的本质，是把AI拟人化了。
而真正的AI，应该像工具一样可靠、可预测、可控制。
2.3 谁的价值观？谁来决定？
更深层的问题是：
“人类价值观”本身就是一个模糊、冲突、文化依赖的概念。
美国保守派与进步派对“公平”的定义截然不同；
中国、印度、沙特的社会规范存在巨大差异；
即使在同一国家，代际、阶级、地域的价值观也千差万别。
试图让一个全球部署的AI“对齐”某种统一价值观，要么导致文化霸权，要么陷入逻辑瘫痪。
杨立昆的解决方案是：
不要对齐，而要开放。
让不同社区基于开源模型构建符合本地需求的AI系统。
3. 开源是AI的必然归宿：
杨立昆断言：
所有AI最终将走向开源。
过去10年AI的爆炸式发展，核心驱动力不是某个天才的突破，而是研究的开放性：
论文公开（arXiv）；
代码开源（GitHub）；
模型共享（Hugging Face）。
这种“集体智慧加速器”使得创新呈指数级扩散。
杨立昆强调：“贡献越多，发展越快。”
然而，近年来趋势逆转：
Anthropic极度封闭；
Google从开放转向保守；
Meta的FAIR实验室也逐渐收紧。
西方正在自缚手脚。
