三个挑战，三座大山
想象你是一个AI。你读过互联网上所有的文字，你能写诗、写代码、回答法律问题。但有一件事你不会：你分不清"把一个杯子推下桌子，它会掉到地上摔碎"和"把一个杯子推下桌子，它会飞到天花板上"——因为你在文本中看到了这两种描述，你无法判断哪个符合物理现实。
这就是AGI面临的"世界模型"挑战。而它只是AGI的"三座大山"之一。
金句：当前AI最像什么？一个读了世界上所有书但从未见过现实世界的天才——博学，但不懂物理。
第一座大山：世界模型
问题： AI可以生成逼真的视频，但它不理解视频中的物体为什么会那样运动。Sora可以生成一个篮球弹跳的视频，但它不理解"弹跳"的物理原理——它只是在模仿训练数据中篮球弹跳的视觉模式。
为什么重要： 没有世界模型，AI就无法进行真正的"规划"——预测行动的后果。人类在行动之前，大脑中会模拟"如果我这样做，会发生什么"——这就是我们的世界模型在工作。AI缺少这个能力。
2026年的进展： DeepMind的Genie 2和OpenAI的Sora展示了"视频生成器"作为世界模型的潜力——它们可以生成逼真的、物理上一致的世界模拟。但问题是，这些模型仍然会产生"物理幻觉"——物体突然消失、重力方向改变等。2026年，世界模型研究正在从"视频生成"转向"潜在空间中的世界状态预测"——在更抽象的空间中建模物理规律，而不是在像素空间中。
第二座大山：因果推理
问题： AI可以识别"公鸡打鸣"和"太阳升起"之间的相关性，但它不知道谁导致了谁。LLM擅长统计相关性，但缺乏因果推理能力。
为什么重要： 没有因果推理，AI就无法回答"如果…会怎样？"（Counterfactual）的问题。一个没有因果推理的医疗AI，会建议你"吃更多的冰淇淋"来治疗晒伤——因为它发现了"冰淇淋销量"和"晒伤发生"之间的相关性，但不理解是"夏天"同时导致了这两者。
2026年的进展： Judea Pearl的因果推理框架（do-calculus、结构因果模型）正在被尝试整合进AI系统。2026年，出现了一些将因果图与神经网络结合的混合模型——在特定领域（如医疗诊断、经济预测）中实现了因果推理能力。但通用因果推理仍然是未解决的难题。
第三座大山：持续学习
问题： 当前AI模型是"一次性"的——训练完成后，参数就固定了。如果世界变了（如疫情改变了消费习惯），模型需要重新训练（从零开始或微调）。它们不能像人类一样"持续学习"——不断更新知识而不遗忘旧知识。
为什么重要： AGI必须能适应不断变化的世界。一个只能在2023年数据上工作的AI，在2026年已经过时了。但"持续学习"面临一个根本性的困境：灾难性遗忘（Catastrophic Forgetting）——学习新知识时，旧知识会被覆盖。
2026年的进展： 2026年，持续学习的主要方向包括：弹性权重巩固（EWC）、渐进式神经网络（Progressive Neural Networks）、记忆重放（Memory Replay）等。但这些方法在"大模型"尺度上仍然难以高效实现。LLM的"上下文窗口"本质上是一种"伪持续学习"——它可以在上下文中学习新信息，但不会真正更新模型参数。
结论：三座大山，一个共同根源
世界模型、因果推理和持续学习——这三座大山的共同根源是：当前AI从数据中学习相关性，而不是从经验中学习因果。 翻过这三座大山，需要的不只是更大的模型和更多的数据，而是全新的学习范式。
在这场攀登中，2026年我们可能还站在山脚下。但我们已经看到了山的样子——而这本身就是巨大的进步。