从预测下一个词到理解世界：LLM是否通向通用人工智能的窄门？

在人工智能席卷全球的当下，我们正处于一个充满悖论的时代：一方面，大语言模型（LLM）能写诗、写代码，甚至在奥数竞赛中击败全球顶尖选手；另一方面，它们却连简单的家务劳动都无法胜任，更遑论像猫一样敏捷地感知物理世界。人工智能究竟是已经踏入了理解的大门，还是仅仅在玩一场高明的数学游戏？这场由图灵奖得主、Meta首席科学家杨立昆（Yann LeCun）与Google DeepMind科学家Adam Brown展开的巅峰对谈，为我们拆解了AI技术背后的本质博弈。

神经网络的进化：从仿生灵感到数学重构

现代AI的核心架构——神经网络，其灵感最初源于生物大脑，但它与真脑的关系更像是飞机与鸟类。飞机的机翼虽然借鉴了鸟类的升力原理，但其动力源（螺旋桨或喷气发动机）与鸟类挥动翅膀的机制截然不同。神经网络的发展史也并非一帆风顺，从20世纪50年代只能识别简单模式的单层神经元，到80年代反向传播（Backpropagation）算法的成熟，再到本世纪初被重新包装为深度学习（Deep Learning），其核心在于通过不断调整数千亿个参数的权重，让系统学会在数据中提取特征。

这种学习过程赋予了机器一种涌现行为（Emergent Behavior）。当数以万计的神经元协同工作时，整体表现出的智能远超个体神经元的简单加总。正是这种从简单规律中产生复杂现象的能力，吸引了大量物理学家投身AI领域，试图从底层数学逻辑中解码人类智力的秘密。

预测即理解？两种路径的激烈交锋

大语言模型的本质是词元预测（Next-token Prediction）。它通过阅读几乎整个互联网的文本数据，学习单词之间的概率分布。对于LLM是否真的产生了理解，业界存在着根本性的分歧。