💻 computer science

Data-Environment Coverage and the Path from Narrow to General AI:A Cyber-Physical-Social-ThinkingSurvey

本文认为，当前人工智能在因果推理、社会认知和符号组合方面的持续局限性源于缺乏多样化的数据环境而非规模不足，并通过对八十个系统的调查证明，整合物理、社会和思维空间信号对于实现从狭隘模式识别向通用智能的跨越至关重要。

原作者： yi peng, Huansheng Ning, Jianguo Ding

发布于 2026-08-07

📖 1 分钟阅读☕ 轻松阅读

原作者： yi peng, Huansheng Ning, Jianguo Ding

原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在试图教一个机器人理解这个世界。在过去的十年里，人工智能（AI）领域最重大的突破都来自于向这些机器人喂养海量的数字信息——文本、图像、代码和视频。这就像是给一个学生提供了一座关于海洋的无尽图书馆：他们可以背诵关于潮汐、鱼类和风暴的所有事实，并能写出关于大海的美丽散文。但如果你要求他们真正去游泳，去感受冰冷的水流，或者去应对从未见过的洋流，他们可能会手足无措。这就是目前的“弱人工智能”（Narrow AI）的状态：这些系统擅长处理数字数据，但在处理像因果关系、理解人类意图或需要超越单纯模式匹配的逻辑推理等复杂、混乱的现实世界事务时，却显得力不从心。科学家们将构建这样一种能够胜任所有这些任务的机器体的目标称为“通用人工智能”（AGI）。每个人都在问的一个大问题是：为什么我们还没能实现它？是因为我们的计算机不够大，还是因为我们在教导这些机器的方式上遗漏了什么？

这篇由研究员 Yi Peng、Huansheng Ning 和 Jianguo Ding 撰写的论文认为，问题不在于计算机的大小或我们拥有的数据量，而在于这些数据的来源。作者指出，目前的 AI 正困在“仅限网络”（Cyber-only）的泡沫中，仅通过数字记录进行学习。他们认为，要变得真正聪明，AI 需要走出图书馆，进入现实世界。他们提出了一种看待 AI 学习的新方式，称为“CPST”框架，即网络-物理-社会-思维（Cyber-Physical-Social-Thinking）。你可以把它看作是一个四维的现实地图：

网络（Cyber）： 文本、代码和文件的数字世界（当前 AI 所处的世界）。
物理（Physical）： 物体、重力和因果关系的物理世界（比如你可以推一下杯子，然后看到它掉落）。
社会（Social）： 人类情感、意图和规则的世界（你需要猜测他人的想法）。
思维（Thinking）： 严格逻辑、数学和结构化符号的世界（你可以通过它来证明一个定理）。

论文指出，要从一个“智能计算器”进化到“通用智能”，AI 需要在所有这四个世界中实现闭环，而不仅仅是在数字世界中。

巨大的数据泡沫

研究人员调查了八十个不同的 AI 系统，涵盖了从早期的图像分类器到当今最先进的机器人和聊天机器人。他们根据这些系统在多少个“世界”（网络、物理、社会、思维）中实现了“闭环”进行了分类。所谓闭环，是指系统不仅是读取数据，还能对世界产生作用，观察结果，并从中学习。

以下是他们的发现，对于那些崇尚“越大越好”的人来说，这可能有点令人震惊：在他们列出的八十个 AI 系统中，没有任何一个系统成功地在超过两个的世界中实现了闭环。

那些纯粹数字化的（仅限网络）最先进系统正撞上一道难以逾越的屏障。它们非常擅长识别所见数据的模式，但在需要现实世界理解的任务面前却表现得一塌糊涂。例如：

因果推理： 如果你给一个数字化的 AI 看一段机器人堆叠积木的视频，它可能会猜出下一步动作。但如果你问它，“如果我拿掉底部的积木会发生什么？”（这是一个反事实问题），它往往会出错。因为它没有真正“感受”过重力，也没有“推过”积木，所以它并不真正理解物理学。
社会认知： 现在的 AI 可以模仿人类对话，但如果一个人隐藏了真实情感，它就很难理解对方在想什么。这就像在玩扑克牌，你能看清牌面，却无法读懂玩家的面部表情或肢体语言。
逻辑推理： 虽然 AI 可以通过猜测模式来解决数学问题，但当被要求遵循一套严格的、需要对照规则检查自身工作的逐步逻辑路径时，它经常失败。

论文明确排除了“仅仅通过扩大规模（增加参数或训练更多文本）就能解决问题”的观点。他们指出，即使是最庞大、最强大的模型，仍然困在“网络”区域。它们就像一位读遍了全世界所有食谱的厨师，却从未真正接触过炉灶，也从未品尝过菜肴。无论读多少书，如果从未亲自动手，也永远学不会如何烹饪出一顿完美的饭菜。

缺失的要素

作者使用了一个巧妙的比喻来解释为什么“仅限网络”的方法会失败。他们说，这四个世界中的每一个都提供了其他世界无法产生的独特“信号”：

要学习因果关系（因果效应），你需要物理数据。你必须实际“做”一些事情，并观察结果。你不能仅仅通过阅读一本关于物理的书来学习这一点。
要学习社会智能（理解人类），你需要社会数据。你必须与真实的人互动，观察他们的反应，并调整自己的行为。你不能仅仅通过阅读聊天记录来学习这一点。
要学习复杂逻辑，你需要思维数据。你需要一个可以查询和修改的结构化符号与规则系统，而不仅仅是一堆文本。

论文为此提供了有力的证据。他们对比了在除输入数据外完全相同的 AI 系统：

当一个机器人仅在其他机器人移动的视频上进行训练时，它无法规划自己的动作。但当同一个机器人接受了关于它自己移动并与物体互动的真实视频训练后，它突然学会了如何规划和操作它从未见过的东西。
同样，一个仅作为语言模型的数学解题 AI 几乎答不对任何问题。但当他们将同一个语言模型连接到一个严格的逻辑引擎（一个“思维”工具）时，它的表现大幅飙升。

数据呈现出一个清晰的模式：如果系统能与额外的一个世界（如物理或思维）进行交互，它们更有可能达到更高的能力水平。然而，通往 AGI 的“圣杯”——即一个能同时处理所有四个世界的系统——依然是空白的。在他们对八十个系统的调查中，零个系统成功地在三个或更多世界中实现了闭环。那个真正的“通用智能”应该存在的地图区域，目前还是一片无人区。

通往通用智能的路线图

那么，我们该何去何从？作者不仅指出了问题，还提出了一个三步走的路线图来解决它。

语义对齐（Semantic Alignment）： 我们需要教 AI 如何在这些不同的世界之间进行翻译。现在，AI 可能理解物理传感器的读数，但不知道这如何与一条社会规则或一个逻辑事实相联系。我们需要建立桥梁，让 AI 能够说：“机器人撞到了杯子（物理），这让那个人生气了（社会），所以我应该道歉（思维）。”
统一世界模型（Unified World Models）： 我们需要构建一个能够同时容纳所有这些不同类型信息的单一“大脑”。与其拥有一个负责物理的大脑、一个负责社会规则的大脑和一个负责数学的大脑，我们需要一个能同时驾驭所有这些领域的单一系统。
治理（Governance）： 随着 AI 开始与现实世界（物理）和真实人类（社会）互动，我们需要新的安全规则。我们不能只检查代码，我们还需要确保 AI 理解其行为在现实世界中的后果。

论文以一个大胆的预测结束：通往 AGI 的路径不在于建造更大的计算机或从互联网上抓取更多的文本。而在于构建能够触摸、感受并与物理世界互动的机器人；创造能够进行真实对话和谈判的系统；以及设计能够进行严格逻辑推理的工具。直到 AI 系统能够走出数字图书馆，进入这个由网络-物理-社会-思维构成的、复杂且四维的现实世界之前，它们都将只是聪明但受限的学生，无法毕业成为真正的通用智能。

作者谨慎地指出，这是一个有强有力证据支持的假设，但尚未成为被证实的定律。他们建议，如果一个纯数字化的 AI 确实能在从未接触过现实世界的情况下解决了所有这些问题，那么他们的理论就是错误的。但到目前为止，证据指向了一个清晰的方向：要构建通用智能，我们必须停止将世界视为一个数据集，而要将其视为一个游乐场。

技术摘要：数据环境覆盖范围与从狭义人工智能向通用人工智能的演进路径

1. 问题陈述

尽管模型规模和训练算力在快速增长，当前的人工智能系统在三个关键领域仍表现出持续的能力天花板：因果推理（规划与反事实推理）、社会认知（心理理论与意图归因）以及组合符号推理。

本文认为，这些局限性并非特定架构、模态或训练机制的产物，而是数据环境的失效。目前的系统几乎完全从“网络”（Cyber）空间（静态数字记录，如文本、代码和图像）中获取训练信号。作者指出，实现通用智能所需的信号仅存在于当前系统仅能浅层参与甚至完全未参与的环境中：物理空间（干预数据）、社会空间（意向数据）以及思维空间（结构化符号数据）。其核心论点是，从人工智能狭义智能（ANI）向人工智能通用智能（AGI）的转变，要求将数据环境的覆盖范围从仅限于“网络”扩展为多空间的闭环参与。

2. 研究方法

本文采用了一个 网络-物理-社会-思维（CPST） 框架，并将其重新解释为 AI 数据环境的分类法，用以分析 80 个 AI 系统。

2.1 CPST 框架与操作准则

作者定义了四个相互作用的空间：

网络 (Cyber, C)： 数字信息与计算（统计共现模式）。
物理 (Physical, P)： 物质对象与动力学（干预数据，$P(Y|do(X))$）。
社会 (Social, S)： 关系与制度（意向信号、心理状态）。
思维 (Thinking, T)： 形式化认知（结构化符号数据、逻辑规则）。

为了判定一个系统是否真正参与了某一空间，论文引入了闭环参与准则。若系统 $A$ 在运行期间同时满足以下三个条件，则视为与空间 $X$ 处于闭环运行状态：

感知 ( $P_X$ )： 持续获取来自 $X$ 的信号。
行动 ( $A_X$ )： $A$ 的输出改变了 $X$ 的状态。
反馈 ( $F_X$ )： $A$ 观察到了 $X$ 发生的改变。

若系统未能满足其中任何一个条件，即使其处理的数据源自该空间，仍被视为处于“仅限网络（C-only）”模式。

2.2 指标：覆盖度 ( $K$ ) 与能力 ( $L$ )

覆盖度 ( $K$ )： 闭环参与次数的整数计数。 $K=1$ （仅限网络）， $K=2$ （网络 + 一个非网络空间）， $K=3$ （网络 + 两个空间）， $K=4$ （全量 CPST）。
能力 ( $L$ )： 基于可观测基准结果的序数尺度：
- $L0$ ：在单一基准上达到人类水平。
- $L1$ ：在单一模态内实现跨任务迁移。
- $L2$ ：在多步规划、反事实推理或信息不对称的心理理论测试中取得成功。
- $L3$ ：无需外部重训实现自我改进。

2.3 实证分析

作者筛选了 80 个 AI 系统（涵盖从早期 CNN 到现代 VLA 机器人及社会智能体）的语料库，并将其映射到 $(K, L)$ 空间中。分析包括：

受控对比： 比较具有相同架构但数据环境不同的系统（例如，带有/不带有机器人交互数据的 V-JEPA 2；以及带有/不带有符号耦合的 AlphaGeometry）。
统计检验： 使用费舍尔精确检验（Fisher's exact test）来评估覆盖度与能力之间的关联。
领域诊断： 将该框架应用于“智慧城市”和“工业互联网”领域，以识别约束瓶颈。

3. 核心贡献

操作化 CPST 框架： 本文为现有的 CPST 本体论增加了操作层，定义了一个可计数的覆盖轴 ( $K$ ) 和一个独立的容量轴 ( $L$ )。这使得关于“具身性”或“接地性”的定性讨论转化为可证伪的实证观察。
“空白区域”发现： 调查显示，在所有 80 个系统中，多空间闭环区域 ( $K \ge 3$ ) 是空白的。目前没有任何系统能真正实现三个或更多空间的闭环。
“仅限网络”的天花板： 研究表明，没有任何仅限网络的系统 ( $K=1$ ) 达到了 $L2$ 能力水平（可靠的规划与反事实推理），无论其架构或规模如何。
通过受控对比提供的因果证据： 两个特定的同架构对比为数据环境论点提供了因果权重：
- 物理： V-JEPA 2 仅在经过真实机器人交互数据后训练，才获得了操纵规划能力。
- 思维： 只有当神经提议者（neural proposer）与符号演绎引擎耦合时，AlphaGeometry 才能达到奥林匹克级别的几何表现；两者单独存在时均无法实现。
统计关联： 研究发现，闭合一个非网络环路 ( $K=2$ ) 与达到 $L1.5$ 或以上水平之间存在显著的统计关联 ( $p \approx 1.23 \times 10^{-6}$ )。在 48 个 $K=2$ 的系统中，有 28 个达到了这一层级，而 32 个 $K=1$ 的系统中仅有 2 个达到。
领域诊断： 框架识别出了现实应用中的特定约束瓶颈：
- 智慧城市： 受限于对丰富的物理 (P) 数据进行浅层的社会 (S) 和思维 (T) 集成。
- 工业互联网： 受限于几乎完全缺失的社会 (S) 数据（操作员的隐性知识、信任动态），尽管其拥有丰富的 P 和 T 数据。

4. 结果与发现

能力天花板： 当前 AI 在需要因果推理（IntPhys 2）、社会认知（FANToM, ExploreToM）和抽象推理（ARC-AGI-3）的基准测试中均表现失败。尽管进行了规模扩展，这些差距依然存在。
数据稀缺性： 论文指出，高质量的人类生成文本（网络数据）预计将在 2020 年代后期耗尽，且合成数据无法引入生成器训练数据中不存在的信号类型。
通往 AGI 之路： 数据表明，在单一空间（网络）内进行规模扩张会遭遇天花板。向 $L2$ 及更高阶段的过渡，需要增加非网络空间的闭环。
“浅层接触”现象： 那些触及第三个空间（例如带有符号查找功能的机器人）但仅通过单向或只读通道进行的系统，并不能获得全量闭环带来的能力增益；它们在效果上仍维持在 $K=2$ 。

5. 意义与路线图

本文声称其意义在于将研究重心从参数规模扩展转向数据环境扩张。文章认为，AGI 的实现取决于能否闭合物理、社会和思维空间的环路，而非仅仅依靠增加算力。

作者提出了一个通过扩展 CPST 覆盖范围从狭义智能迈向通用智能的三路径路线图：

跨空间语义对齐： 开发能够对齐因果（物理）、意向（社会）和逻辑（思维）结构的算法，这些结构目前处于孤立状态。
统一世界模型构建： 创建能够承载具有异构更新规则（连续动力学、意向逻辑、离散组合）实体的架构，且不会导致这些规则坍缩。
治理规模随覆盖度提升： 从外部审计转向考虑物理、社会与知识上下文之间相互作用的内部约束。

未来展望： 论文假设，人工智能超智能（ASI）将是一个达到了 $K=4$ 且 $L3$ 的系统，它能够自主部署新的传感器或协议，以进一步扩张其自身的数据环境，从而创造出一个比人类所构建的更具质感的环境。

局限性与可证伪性： 作者明确指出， $K=4$ 是 AGI 的必要条件这一说法属于推测，因为目前尚不存在 $K=3$ 或 $K=4$ 的系统。关于社会空间的因果性主张目前仅由存在性证明（CICERO）支持，并提出了一个尚未进行的实验方案（即具有/不具有真实人类闭环的同架构智能体实验）。该框架是可证伪的：如果一个仅限网络（ $K=1$ ）的系统在心理理论和反事实基准测试中达到了人类水平，则会推翻本文的核心论点。