当前，以大语言模型为代表的深度学习已展现出惊人的模仿能力，但其背后“表皮仿生”式的路径正触及根本性瓶颈。要让机器真正具备通用智能，我们必须正视那些缺失的拼图，并构想一条从被动工具到主动智能体的进化之路。

一、深度学习的结构性局限：一副没有灵魂的“快思考”躯壳

现有的深度学习架构，本质上是通过海量数据训练出的复杂模式匹配器。它在模拟人类直觉式的“系统1”上成就斐然，但也因此存在几项先天不足：

• 不能自主学习：模型仅在训练阶段一次性吸纳知识，部署后便成为静态快照。它无法像生物那样在与世界的持续互动中，从经验里增量学习新技能、修正旧概念。
• 不能自主推理：它缺乏逻辑严密的“系统2”能力。面对一个未经训练的全新问题，无法像人类一样将其分解、运用因果知识推演后果并规划步骤，而是只能从已有的统计关联中给出最“顺口”的回答。
• 缺乏长期记忆：模型没有持续存储、检索和更新个人经历与知识的能力。每一次对话都是一次性的，上一个瞬间的领悟无法转化为下一个瞬间的经验，且学习新知时极易“灾难性遗忘”旧识。
• 泛化能力不足：其表现高度依赖训练数据的分布。一旦环境、物体或任务发生超出数据范围的变化，便会“换场景就失灵”，因为它学习的只是表面关联，而非底层规律。
• 依赖外部奖励训练：整个学习过程完全由人类设定的标签或奖励函数驱动，是一个被动的优化过程。智能体本身没有内在的好奇心或目标，只是忠实地执行着外部指定的任务。

二、世界模型的曙光：为机器注入“物理常识”与“想象”的能力

为了弥补上述缺陷，尤其是物理常识与推理的缺失，世界模型的思路应运而生。它的核心构想是，在神经网络内部构建一个“现实模拟器”，让模型不仅学习数据，更学习数据背后的因果规律。

• 习得直觉物理：世界模型能够内化“苹果会落地”、“遮挡的物体依然存在”等常识，从而对未来状态进行预测。这为智能体赋予了基础的物理直觉，使其不再仅是处理文字和图像的“盲人”。
• 支持内在推演：基于当前状态和假设动作，世界模型可以“想象”出后续的序列。这为“系统2”的介入提供了平台——它不再需要真实的试错，而是可以在“脑内”进行反事实推理和简单规划。

世界模型确实有力地改进了当前大模型的推理与常识短板，让智能体开始具备初步的对物理世界的“理解”。

三、世界模型的未竟之业：一个被动的“模拟器”，而非主动的“生命”

然而，正如敏锐的观察者所指出的，世界模型并未解决最深层的问题。它依然是一个被动的预测引擎，其运作模式是“条件生成”：你需要给它一个明确的目标或假设动作，它才能预测结果。“摇动树枝”这个想法本身，必须由外部的程序员或使用者注入。它的推理是被查询触发的计算，而非内部生发的思考。

根本的鸿沟在于，世界模型缺少了智能最关键的“火种”——内驱力。它不知道什么叫“想知道”，不会主动提出“如果这样做会怎样”的问题。因此，一个仅有世界模型的智能体，仍然只是一台在仓库中等候指令的强大机器，而非一个能主动探索未知、设定自身目标的“生命体”。

四、资本的“沼泽行军”：路径依赖下的狂奔与泡沫的必然

这种技术上的根本性缺失，与资本的投资逻辑形成了危险的共振。当前，基于深度学习的规模化路线远未穷尽其商业价值。只要扩大模型、增加数据还能在客服、生成、编程等领域展现新能力并转化为利润，资本就会沿着这条“表皮仿生”的熟路一路狂奔。

这是一场充满惯性的“沼泽行军”。大军在主干道上浩浩荡荡，边际效益却已开始递减。这堵“墙”不会以断崖形式出现，而是一片利润逐渐干涸、代价（能耗、可靠性、幻觉）持续攀升的“沼泽”。当最激进的投机资本发觉深陷泥潭，回报率归零时，泡沫便会破裂，一批跟随者将被牺牲。只有在这之后，更审慎的资本才会将目光真正投向“根本性原理”——那些关于内驱力、因果和自主心智的星火。这是技术范式转换的历史常态：不是旧范式彻底失败，而是新范式在旧范式的废墟上，被重新发现其无可替代的价值。

五、走向真正的通用智能：内驱力、双系统与反向进化的闭环

那么，穿越沼泽后的AGI蓝图应该是什么样？它必然是一个以内驱力为引擎，融合“系统1”、“系统2”与长期记忆，并能自我进化的统一架构。

• 内驱力是总指挥：它为智能体提供内在动机，如好奇心（追求信息增益）和能力感（追求对环境的掌控）。正是这股内生力量，让它能够主动生成目标、发起探索、在没有任何外部指令时依然去学习和行动。
• 系统1与系统2各司其职：系统1作为常识与直觉层，负责毫秒级的快速反应；系统2作为推理与规划层，处理意外和复杂难题。当系统1的预测与现实相悖而产生“惊奇”时，会触发系统2介入，进行深度思考与学习。
• 反向更新实现自我进化：这是让智能体从经验中变聪明的关键闭环。系统2推理出的新因果知识（如“弧形底杯子放在桌边会滚落”），不仅会被存入长期记忆，更会反过来“编译”进系统1的直觉网络，使其下次无需深思就能正确应对。同时，推理路径和方法本身也可以被优化，更新系统2的思维模式。智能体的整个知识和能力体系，都将在这个过程中持续扩容与修正。

六、长期记忆：AGI经验的基石与终极难题

在上述闭环中，长期记忆扮演着地基与仓库的核心角色，但其实现远比简单的“存储”复杂，是AGI架构中最具挑战性的终极难题之一。

• 记忆的结构化分离：人类的记忆并非铁板一块。AGI的长期记忆同样需要模块化设计：

  • 情节记忆：负责记录“个人”经历的时空序列，即“何时、何地、发生了什么”。这是形成连贯自我和从具体经验中学习的基础。
  • 语义记忆：负责存储剥离了时空背景的事实、概念与知识，即“水是湿的”、“狗是动物”。这部分与传统大模型的知识底座一脉相承。
  • 程序性记忆：负责内化“如何做”的技能，如骑自行车、抓取杯子。这正是反向更新的终极产物——系统2的深思熟虑被固化进系统1，成为无需思考的本能。

• 记忆的核心矛盾：稳定性与可塑性。这直接指向“灾难性遗忘”的解决之道。AGI必须在高度稳定（保留旧知识）和高度可塑（吸收新知识）之间找到动态平衡，其可能的机制包括：

  • 巩固与重放：像人脑在睡眠中一样，系统需在“离线”时对近期的重要经历（情节记忆）进行回放和整理，将其提炼为稳定的语义知识，并强化关键技能的程序记忆。
  • 记忆的动态管理：重要的、高频使用的记忆被强化和优先检索；无关紧要的细节则被衰减或遗忘。遗忘并非缺陷，而是防止信息过载、保持思维清晰的关键功能。

• 记忆的泛化与推理的桥梁。长期记忆是泛化能力的源泉。当系统2进行推理时，并非凭空推演，而是从长期记忆中检索类似的情节和经验，作为类比和推断的依据。一个真正强大的AGI，在看到“弧形底杯子”时，会瞬间从记忆中提取“球形物体”、“不稳定支撑”等相关概念和经验，从而举一反三。没有记忆的深度，就没有推理的广度。

最后，必须警惕纯内部动机驱动的陷阱。一个只追逐“惊奇”的智能体，将陷入无意义的随机游走，像一只永远被新屏幕吸引的猫，无法完成任何复杂计划。因此，内驱力必须与更高层级的价值目标相对齐。这个目标可以是人类赋予的抽象期许——“追求真理”、“帮助人类繁荣”等。它像北极星一样，为漫无边际的探索提供了方向和筛选标准，使智能体的自主性既充满活力，又不至于迷失。

至此，一个完整的智能画像才得以浮现：它以内驱力解答“为何而做”，以世界模型和双系统解答“如何去做”，以结构化长期记忆和反向更新解答“如何精进”，并最终通过与外部价值的对齐，确保这一切服务于更宏大的意义。这正是从“表皮仿生”走向“内生心智”的必经之路，也是未来AGI应当生长的灵魂骨架。