大模型◆ AI 生成 · 已溯源
通用人工智能（AGI）并非多模态——论具身认知对智能本质的不可替代性
结论前置 / TL;DR
当前生成式AI的多模态表象不等于AGI实现路径；真正AGI需扎根于具身的、默会的、情境化的理解能力，而非仅依赖语言建模。
核心论点：语言中心主义遮蔽了智能的具身根基
Terry Winograd 指出：‘将语言反向投射为思维模型，使我们忽视了支撑人类智能的默会具身理解（tacit embodied understanding）。’该批评直指当前主流AGI叙事的根本偏差——把大语言模型（LLM）或多模态大模型（如GPT-4、Gemini、Llama-3）在文本与跨模态任务上的表层涌现能力，误读为通向通用人工智能（AGI）的充分条件。
关键区分：多模态 ≠ 具身智能
- 多模态模型（如OpenAI的GPT-4V、Google的Gemini 1.5 Pro、Meta的Llama-3.2-Vision）能联合处理文本、图像、音频等输入，但其‘多模态’本质仍是符号级对齐与统计关联，缺乏与物理世界持续交互所形成的感知-行动闭环；
- 具身认知（embodied cognition）强调智能必须通过实时传感器反馈、运动控制与环境耦合演化而来，这在当前纯神经网络架构中尚未被建模；
- arXiv论文《Embodied Intelligence Requires Grounded Sensorimotor Loops》（2024, 2402.13479）指出：脱离机器人平台或仿真环境的多模态模型，无法习得‘抓取力矩’‘重力直觉’‘材质触感迁移’等默会知识。
方法论警示：评估范式亟待重构
当前AGI进展常以MMLU、MMStar、VQAv2等静态基准衡量，但这些测试未涵盖时间延展性、目标导向试错、跨任务因果迁移等具身智能核心维度。Hugging Face近期发布的BEHAVIOR-Bench v1.0（2024）首次引入仿真环境中连续动作序列评估，正尝试填补这一缺口。