LLM距離AGI只差一層：斯坦福研究顛覆「模式匹配」觀點(diǎn)

機(jī)器之心報道

編輯：楊文、澤南

有關(guān)大語言模型的理論基礎(chǔ)，可能要出現(xiàn)一些改變了。

斯坦福發(fā)了篇論文，徹底顛覆了「LLM 只是模式匹配器」的傳統(tǒng)論調(diào)。

它提出的不是擴(kuò)展技巧或新架構(gòu)，而是一個讓模型真正具備推理能力的「協(xié)調(diào)層」。

• 論文題目：The Missing Layer of AGI: From Pattern Alchemy to Coordination Physics
• 論文地址：https://arxiv.org/pdf/2512.05765

核心觀點(diǎn)：AGI 的瓶頸在于協(xié)調(diào)，而非規(guī)模

人工智能界正因圍繞大語言模型本質(zhì)的爭論而分裂。一方面，擴(kuò)展派認(rèn)為 LLMs 足以實現(xiàn) AGI；另一方面，有影響力的批評者認(rèn)為 LLM「僅僅是模式匹配器」，在結(jié)構(gòu)上不具備推理、規(guī)劃或組合泛化能力，因此是死胡同。

作者認(rèn)為這場爭論建立在一個錯誤的二分法之上，并提出一個顛覆性極強(qiáng)的核心觀點(diǎn)：LLM 的失敗不是因為缺乏推理能力，而是因為我們?nèi)鄙賹⑵淠Ｊ脚c目標(biāo)綁定的系統(tǒng)。

為了解釋這一點(diǎn)，作者用了一個捕魚隱喻。

海洋代表模型龐大的模式庫，漁夫不用魚餌就撒網(wǎng)，收獲的只是最常見的魚類（訓(xùn)練數(shù)據(jù)中的通用模式）。批評者譴責(zé)這些未錨定的輸出，但他們觀察到的只是未加誘餌的捕撈所產(chǎn)生的原始統(tǒng)計基線，這不是系統(tǒng)損壞，而是系統(tǒng)在默認(rèn)模式下的自然表現(xiàn)。

然而，智能行為不僅僅是撒網(wǎng)，它還涉及下餌和過濾。如果誘餌過于稀疏，它就無法吸引特定、稀有的魚，海洋的先驗仍然主導(dǎo)。如果誘餌足夠密集，它傳達(dá)了強(qiáng)烈的意圖，轉(zhuǎn)移了后驗分布，使目標(biāo)概念壓倒常見先驗；但誘餌并非沒有成本，使用過多的誘餌來確保捕獲是低效的。

在這種觀點(diǎn)中，「缺失的層」就是協(xié)調(diào)層，它優(yōu)化了這種權(quán)衡：計算轉(zhuǎn)移后驗所需的精確密度，同時不產(chǎn)生過高成本。

鑒于此，作者提出第三條道路：基礎(chǔ)層加協(xié)調(diào)層。LLM 是必要的系統(tǒng)- 1 基礎(chǔ)層（模式存儲庫），瓶頸在于缺少系統(tǒng)- 2 協(xié)調(diào)層，該層將這些模式與外部約束綁定、驗證輸出并維護(hù)狀態(tài)。

UCCT 理論：推理的相變現(xiàn)象

作者引入了 UCCT（統(tǒng)一認(rèn)知意識理論）來形式化這一機(jī)制。UCCT 最激進(jìn)的觀點(diǎn)是：LLM 從幻覺到推理的轉(zhuǎn)變不是一個漸進(jìn)的、線性的過程，而是一個相變 。

這就像水在達(dá)到冰點(diǎn)時會瞬間凝結(jié)一樣，當(dāng)施加給模型的錨定信號達(dá)到一個臨界閾值時，模型的行為會發(fā)生突變：

• 低于閾值：模型基于訓(xùn)練數(shù)據(jù)的統(tǒng)計學(xué)最大似然先驗進(jìn)行輸出，這表現(xiàn)為無根據(jù)的生成或幻覺。
• 高于閾值：目標(biāo)導(dǎo)向的約束主導(dǎo)了輸出的后驗分布，推理行為被激活，模型表現(xiàn)出受控且可靠的行為。

這種相變的發(fā)生由一個物理學(xué)式的錨定分?jǐn)?shù)決定，該分?jǐn)?shù)綜合考慮了以下三個關(guān)鍵變量：

• 有效支持：指外部約束（如檢索到的證據(jù)、提供的示例、工具的輸出）對目標(biāo)任務(wù)提供的強(qiáng)度和密度。其作用是拉動模型走向目標(biāo)，有效的錨點(diǎn)越多，分?jǐn)?shù)越高。
• 表征失配：指模型當(dāng)前的潛在模式（基質(zhì)）與目標(biāo)任務(wù)或外部約束之間的差異程度。其作用是懲罰模型偏離約束，失配度越大，分?jǐn)?shù)越低。
• 自適應(yīng)錨定預(yù)算：代表在實際操作中，為了達(dá)到目標(biāo)而愿意付出的上下文成本和計算資源。其作用是平衡效率與可靠性，避免為了微小的收益而無限制地投入錨點(diǎn)。

也就是說，幻覺不是模型損壞，而是它在未加誘餌（unbaited）的情況下，簡單地輸出了其模式存儲庫的最大似然先驗；推理則是外部約束將后驗分布從通用的統(tǒng)計模式轉(zhuǎn)向目標(biāo)的結(jié)果。

因此，只要提供足夠密度的「誘餌」和「漁網(wǎng)」，即協(xié)調(diào)層的錨定機(jī)制，LLM 這個強(qiáng)大的模式基礎(chǔ)層就能被組織起來，執(zhí)行可靠的推理任務(wù)。

架構(gòu)實現(xiàn)：多智能體協(xié)調(diào)堆棧

為了將 UCCT 理論轉(zhuǎn)化為實際的架構(gòu)，作者構(gòu)建了 MACI（多智能體協(xié)作智能），這是一個協(xié)調(diào)堆棧，為 LLMs 提供了類似于人類「執(zhí)行功能」的能力。

MACI 架構(gòu)通過其三個核心組件，精準(zhǔn)地映射并解決了 UCCT 中決定推理相變的三要素：

• 行為調(diào)制的辯論用于最大化有效支持。它讓多個智能體扮演不同角色（質(zhì)疑者、證據(jù)提供者、規(guī)劃者）進(jìn)行辯論，主動檢索、生成和驗證證據(jù)，確保審議是多角度且有證據(jù)支持的。
• 蘇格拉底式評判 CRIT 用于最小化表征失配。UCCT 中的表征失配 是導(dǎo)致幻覺的根本原因。 MACI 引入了 CRIT 作為專門的蘇格拉底式裁判。CRIT 的核心任務(wù)是在推理的每一步中，嚴(yán)格審查智能體的提議和論點(diǎn)。它專門查找和過濾那些與事實、先前狀態(tài)或任務(wù)約束相矛盾的不恰當(dāng)論點(diǎn)。通過在早期環(huán)節(jié)就剔除與目標(biāo)嚴(yán)重偏離的聯(lián)想式輸出，MACI 積極地最小化了表征失配，從而防止低質(zhì)量或幻覺性的內(nèi)容污染推理循環(huán)。
• 事務(wù)性內(nèi)存用于優(yōu)化錨定預(yù)算。事務(wù)性內(nèi)存不只是簡單的歷史記錄，它以持久化和事務(wù)性方式存儲經(jīng)過驗證的關(guān)鍵中間狀態(tài)，避免重復(fù)計算和上下文膨脹，實現(xiàn)錨定預(yù)算的最優(yōu)使用。

深度協(xié)調(diào)模式將推理視為受控過程。智能體進(jìn)行辯論、交叉檢查、修改方案、提取證據(jù)、修復(fù)計劃，并跨步驟持續(xù)維護(hù)狀態(tài)，所有這些都由錨定信號指導(dǎo)。這本質(zhì)上是在底層模式基質(zhì)之上疊加執(zhí)行功能 —— 一旦錨定分?jǐn)?shù)跨越閾值，模型的行為就會從聯(lián)想式猛然轉(zhuǎn)向受控式。

論文的核心結(jié)論改變了我們對 AGI 路徑的認(rèn)知：AGI 不會來自于更大的模式之海，它將來自于組織這些模式以形成可靠推理的網(wǎng)、誘餌、過濾器和記憶機(jī)制。如果這項技術(shù)能夠擴(kuò)展，LLM 就不再是「自動補(bǔ)全」，而會成為完整推理系統(tǒng)的認(rèn)知基質(zhì)。

大語言模型并非通往 AGI 的死胡同，而是實現(xiàn) AGI 的必要「認(rèn)知基質(zhì)」。AGI 的瓶頸不在于 LLMs 的底層模式規(guī)模，而在于缺失了一個將這些模式組織和綁定到目標(biāo)的「協(xié)調(diào)層」。

作者 Edward Y. Chang 是誰？

本研究唯一作者 Edward Y. Chang（張智威）是斯坦福大學(xué)計算機(jī)科學(xué)系的兼職教授。此前，他曾任加州大學(xué)圣巴巴拉分校（UCSB）終身教授。2006-2012 年，他擔(dān)任谷歌研究院總監(jiān)，率先開展了以數(shù)據(jù)為中心和并行機(jī)器學(xué)習(xí)的研究，并為 ImageNet 項目做出了貢獻(xiàn)。他還曾在香港科技大學(xué)和加州大學(xué)伯克利分校任職。張智威擁有斯坦福大學(xué)計算機(jī)科學(xué)碩士學(xué)位和電氣工程博士學(xué)位。

他的研究興趣涵蓋意識建模、生成式人工智能和醫(yī)療保健，并因此榮獲多項獎項，例如谷歌創(chuàng)新獎、 XPRIZE 獎等。他還是 ACM 和 IEEE 會士。