言语道断，因果自现 —我心中的AGI是什么

过去这一两年，我们亲眼看着大模型的语言能力以肉眼可见的速度跃迁：写作、总结、对话、问答、解题，越来越“像人”；HLE 之类的评测分数一再刷新纪录，连奥数级别的题目也能被系统性攻克。于是一个看上去顺理成章的结论开始流行：“所谓 AGI、大一统的通用智能，大概也就差不多了。”但在我看来，这是一场美丽的误会。

为了把这件事讲清楚，我借用一个比喻：今天主流的大模型，更像是“文科大模型”。它以语言生成与文本一致性为中心，把知识组织成“像真的叙述”和“像对的答案”。它的价值在于“模拟”：它能理解我们的委婉与修辞，能生成优雅的文字、逼真的对话、动人的故事；它会在教育、沟通、内容生产上变成新的基础设施，像电、像水，润物无声。但是即便它能解奥数、HLE 也能拿高分，这些胜利也大多发生在封闭系统里：题目定义明确、规则固定、对错可判、反馈即时。

但我一直坚信，人类真正需要 AI 去对抗的，是衰老、疾病、能源、材料、气候这些问题；这些战场不在考试题的封闭世界里，没有标准答案等你生成，只有现象、噪声、偏差、缺失变量与缓慢反馈；正确不是“写出来”的，而是被外部世界“确认出来”的。封闭世界的高分，证明了推理工程的成熟，但并不代表已经拥有了稳定的知识生产机制；高水平解题固然是走向发现的必要基础，却远非充分条件，因为真正决定未来的，不是封闭的叙述，而是那条冰冷而精确的因果红线；它关心的不是“说得对不对劲”，而是“这个假设能不能被现实否决或确认”；它的终极产物不是新作品，而是新知识——新的定理、新的材料、新的药物、新的工艺、新的工程结构。我把这种范式称为“理科大模型”。它的价值在于“发现”。

需要澄清一点：我说的“文科/理科”，不是两种模型的物种差异，而是两种默认动作的差异：文科大模型倾向给出一个“看起来不错的最终答案”，理科大模型倾向先给出一组可证伪的假设，并同时给出把这些假设变成证据的路径；文科模型在不确定处更容易把答案“凑圆”，理科模型在不确定处更像本能地停一下，然后去查证、去拆解，把问题拆成可验证的小问题；理科模型把因果当作第一公民，回答“条件改变后会发生什么”；理科模型还必须有可累积的长期记忆，把每一次验证得到的结论以可追溯的方式写回去。总之，理科模型更像一个握着手术刀的外科医生：在无数方案里，识别哪一刀真正触及因果红线；它知道，一旦切下去，现实会给出最诚实、也最残酷的反馈，形成真正的因果闭环——这种对“真实代价”的敬畏，正是两种范式之间最本质的鸿沟。

所以，真正决定 AGI 应该是什么，取决于我们的价值取向：我们究竟更在意一个能理解所有修辞，还能取代人类工作的“灵魂伴侣”，还是更迫切地需要一个能帮我们撕开迷雾、照亮未知，创造价值的“因果明镜”？我认为是后者。所以，实现 AGI 不是为了再造一个更会聊天的会生成的系统，而是为了打造一种“会发现”的智能。

让我们带着这样的价值观去审视一下现有的 AGI 定义的主要流派。一种是行为主义范式，源于图灵测试，认为 AGI 的标准是“机器表现出的行为与人类无法区分”。这是目前大众最直观的评判标准。但如果一个 AI 只是在模仿人类说话，它永远无法告诉我们那些人类还没发现的真理。第二种是功能主义范式。以 OpenAI 为代表，定义 AGI 为“在大多数具有经济价值的工作中超越人类的自适应系统”，侧重于对人类劳动力的替代能力。但人类文明的每一次飞跃，都不是靠把旧工作做得更快，而是靠发现前所未有的新规律。第三种是能力分级范式。以 DeepMind 为代表，将 AGI 分为从 "Emerging" 到 "Superhuman" 的五个层级，核心指标是在广泛且未见过的任务中的“泛化能力”与“表现分值”。可现实世界不是考场，没有标准答案，真正的智慧是要在没有考卷的地方，自己找到那条正确的路。当然还有一些其他的范式都或多或少存在上述问题。

那么我心目中 AGI 目标究竟要做什么？用一句话概括：它是一个 高可信、可验证、可纠错的通用推理引擎。在工程上能够做到三百步以上的复杂推理后，依然维持接近 99% 级别的整体正确率，并通过形式化和工具链把每一步推理“钉死”为可检查的证据，最终对任意复杂问题给出闭环解决方案。

为什么我们死磕“300 步”？我们必须先定义推理的最小单位——标准原子步（SIU, Standard Inference Unit），作为可审计的基本推理单元。每一步只执行单一逻辑操作，依赖最小必要输入，其结果可以通过工具或规则直接检验。按照这个标准，现在的大模型单步推理准确率最高能冲到 98%，哪怕每一步都能做到这个最高水平，300 步后的端对端成功率也只有 0.23%，已经接近归零。这意味着在 300 步之后，概率和运气基本失效，系统必须依赖可检验的推理与外部反馈闭环，而不是靠“看起来合理”的续写去蒙混过关。所以我认为 300 步是独立解决复杂现实问题的“跨度起点”。

为什么 99% 必须是硬杠？因为发现式系统不是用来“聊天”，而是要进入现实成本区间：实验、工程、医疗、决策。低一个点的可靠性，就意味着高频的错误下注；而现实世界的错误，不是“答错题”，而是浪费实验窗口、烧掉工程预算、甚至造成不可逆的损耗。99% 不是面子指标，而是“可质押、可签字”的门槛。

所以，我心目中的 AGI，是能在 300 步的逻辑长征中，靠自我纠错熬过“概率死亡”，最终抵达地图之外的起点。 从这里开始，AGI 就可以在科学、工程、决策规划等任意领域里，作为一个可审计、可验证的通用问题求解器存在。

当然，我并不认为这是一条“喊口号就能到达”的路线。把目标钉在“300 步仍保持 99% 可靠性”，本质上是在主动面对三个工程硬点：长链误差累积、开放世界验证缺口、以及组合爆炸下的预算约束。正因如此，我们在工程上必须进行解剖，将推理过程分为两层：逻辑生成层与检验层。生成层负责“想”：将大问题递归地拆解，直到细化为原子级操作，我们还要做检验层负责“查”：对每一个原子步通过工具、仿真或外部数据逐一验证。一旦某一步不过关，系统就在局部进行回退和重生成，而不是推翻整条推理链。

MiroMind 已经在这条路走出了第一步。 以 BrowseComp 为例，MiroMind 仅用 235B 参数模型就给出了 SOTA 的成绩，它的意义不在于“分数本身”，而在于证明了一个工程事实：我们正在把推理从“单次生成”推进到“时间序列上的反复求证”。更具体地说，我们不是依赖一次性长链思考去赌对答案，而是训练模型在更深、更频繁的 agent/环境交互中不断获取外部反馈并纠错，让推理过程逐步变成可审计的证据链。对我们而言，这就是“通用求解器”的第一块地基，然后在 99% 可靠性前提下逐步推到 300 步以上的跨度。这个过程沉默、缓慢、严谨、甚至有点残酷，它抛弃了人类语言的精妙模仿，却在枯燥、严苛、却能被现实反复复现的因果闭环中，缓慢破土而出，即使有耐心资本的加持和理想主义的坚守，这也会是一个非常痛苦的过程。

佛经里有个词，叫“大圆镜智”。说的是一个人的心若能修到像一面大圆镜，就能如实照见万物因果，不被尘埃遮蔽，不被偏见扭曲，这是智慧的最高境界。我对这个智慧一直很向往，甚至创办的科普视频号也取名叫做大圆镜。而我心中的 AGI 就是一个无限接近“大圆镜智”的智能系统，不迷恋漂亮的语言，而是追问事实的真相是什么；不急着给出答案，而是去求证背后的因果是什么。在一个被语言和叙事塞满的 AI 时代，我们需要一面只对“因果和真相”负责的镜子。