在线精品视频小说1_亚洲精品不卡在线_亚洲欧洲视频在线_日韩电影中文字幕av

你隨便打開(kāi)手機(jī)上的大模型，問(wèn)它一個(gè)問(wèn)題：“把一只玻璃杯推到桌子邊緣，會(huì)發(fā)生什么？”

它會(huì)毫不猶豫地告訴你：杯子會(huì)掉下去，然后摔碎。

(資料圖片僅供參考)

聽(tīng)起來(lái)很聰明。但真相是，它根本不知道杯子為什么往下掉。它只是在訓(xùn)練數(shù)據(jù)里見(jiàn)過(guò)太多次“杯子”“掉落”“破碎”這幾個(gè)詞扎堆出現(xiàn)，然后根據(jù)概率統(tǒng)計(jì)，給出了最像正確答案的那句話。

文本世界里，這種“聰明的猜測(cè)”游刃有余。可一旦我們?cè)噲D把AI塞進(jìn)一臺(tái)需要端盤子、疊衣服、走樓梯的機(jī)器人，麻煩就來(lái)了。

過(guò)去幾年，CNN和Transformer稱得上是人工智能領(lǐng)域最耀眼的兩個(gè)名字。一個(gè)統(tǒng)治了計(jì)算機(jī)視覺(jué)，一個(gè)把語(yǔ)言模型推到了前所未有的高度。但當(dāng)聚光燈從屏幕轉(zhuǎn)向現(xiàn)實(shí)世界，當(dāng)AI必須離開(kāi)數(shù)字沙盤、踏入物理環(huán)境與人真實(shí)交互時(shí)，一個(gè)越來(lái)越尖銳的問(wèn)題浮出水面：這兩種我們無(wú)比依賴的架構(gòu)，是不是從根本上就不適合干物理AI這檔子事？

只會(huì)認(rèn)皮相的眼睛

先說(shuō)CNN。

這套機(jī)制的設(shè)計(jì)初衷是模擬人的視覺(jué)系統(tǒng)，用一堆可學(xué)習(xí)的濾波器去掃描圖像，提取邊緣、紋理、形狀，然后層層抽象直到完成識(shí)別。在ImageNet上它打敗了人類，在很多視覺(jué)任務(wù)上幾乎成了默認(rèn)方案。

但問(wèn)題恰恰出在它的設(shè)計(jì)哲學(xué)上——CNN本質(zhì)上是在學(xué)習(xí)“像素與標(biāo)簽之間的統(tǒng)計(jì)關(guān)聯(lián)”，而不是在理解“物體由什么構(gòu)成”。

來(lái)看一個(gè)簡(jiǎn)單的例子。一個(gè)小孩看到一輛被幾棵盆栽擋住一半的汽車，即便從沒(méi)見(jiàn)過(guò)這種遮擋方式，也能毫不費(fèi)力判斷那是一輛車。因?yàn)樗哪X子有一個(gè)“車由輪子、車身、車窗組成”的認(rèn)知框架，某個(gè)部件被擋住，他用其他線索照樣補(bǔ)全。可標(biāo)準(zhǔn)的CNN沒(méi)這個(gè)本事。它的判斷基于整體像素模式，一旦遮擋方式稍微變化——比如擋的不是車身而是車燈——那些精心訓(xùn)練的卷積核就亂了陣腳。

研究表明，傳統(tǒng)黑箱式深度CNN在處理部分遮擋時(shí)表現(xiàn)極不穩(wěn)定，直到研究者引入“物體部件組合”的結(jié)構(gòu)化方法，才顯著提升了對(duì)遮擋物體的識(shí)別魯棒性。換句話說(shuō)，你得額外給它加料，它才勉強(qiáng)學(xué)會(huì)了人類天生就懂的事情。

把這個(gè)問(wèn)題放到物理AI的場(chǎng)景里，更要命。機(jī)器人走在路上，眼前隨時(shí)出現(xiàn)堆疊的箱子、交錯(cuò)的管道、半開(kāi)的門——全是動(dòng)態(tài)的、部分遮擋的真實(shí)場(chǎng)景。如果它只能依賴CNN輸出的像素特征做決策，而缺乏對(duì)物體構(gòu)成的內(nèi)在理解，稍微轉(zhuǎn)個(gè)身、光線變一下，原本“認(rèn)識(shí)”的東西就認(rèn)不出來(lái)了。

還有更頭疼的：CNN對(duì)紋理有一種近乎偏執(zhí)的依賴。它更傾向于根據(jù)表面紋理分類，而不是根據(jù)物體形狀。就像一個(gè)人判斷貓不看耳朵、瞳孔和胡須，只看毛色——毛色像貓的動(dòng)物全算貓，換個(gè)毛色就翻臉不認(rèn)。這種偏執(zhí)，在變幻莫測(cè)的物理世界里，是致命的。

只背答案的考生

如果說(shuō)CNN的盲區(qū)在于“看見(jiàn)了卻不懂”，那Transformer的問(wèn)題更深刻——它壓根不是為了理解因果而設(shè)計(jì)的。

Transformer的核心武器是自注意力機(jī)制，能一次性捕捉序列中任意兩個(gè)位置之間的依賴關(guān)系。這在語(yǔ)言模型里簡(jiǎn)直是神器——一個(gè)詞能和幾千字外的另一個(gè)詞建立關(guān)聯(lián)，對(duì)理解語(yǔ)義、生成連貫文本至關(guān)重要。但請(qǐng)注意，“注意力”算出來(lái)的只是統(tǒng)計(jì)相關(guān)性。訓(xùn)練數(shù)據(jù)里，“打雷”和“下雨”常常一起出現(xiàn)，所以它們之間的注意力權(quán)重很高。但模型并不知道，是打雷導(dǎo)致了下雨，還是兩者背后另有原因。

說(shuō)穿了，Transformer是個(gè)頂級(jí)的“開(kāi)普勒”——能描述現(xiàn)象、總結(jié)規(guī)律，卻永遠(yuǎn)成不了“牛頓”。它背下了答案，卻沒(méi)學(xué)懂公式。

物理AI不需要這種死記硬背的好學(xué)生。一臺(tái)在工廠里搬運(yùn)零件的機(jī)器人，必須理解力學(xué)的基本規(guī)則：推一個(gè)箱子，箱子的移動(dòng)速度和方向取決于推力大小、摩擦系數(shù)、箱子質(zhì)量。如果模型沒(méi)有內(nèi)化這些物理因果，只是根據(jù)視覺(jué)輸入與動(dòng)作輸出的統(tǒng)計(jì)關(guān)聯(lián)做決策，那一旦地板從干燥變濕滑，或者零件材質(zhì)從金屬換成塑料——整套策略就全盤崩塌。

有研究者一針見(jiàn)血地指出，當(dāng)前的具身大模型本質(zhì)上是“記憶軌跡”而非“理解邏輯”。圖靈獎(jiǎng)得主姚期智也直言：如今具身智能最大的技術(shù)瓶頸之一，就是它們只會(huì)不斷模仿人的行為，卻缺乏可解釋的世界模型和物理因果推理過(guò)程。從“模仿”走向“推理”，這道門檻，Transformer的底層邏輯——預(yù)測(cè)下一個(gè)token——根本跨不過(guò)去。

數(shù)據(jù)的荒漠，能耗的黑洞

就算暫時(shí)把架構(gòu)層面的根本局限放在一邊，光看工程現(xiàn)實(shí)，CNN和Transformer在物理AI上也已經(jīng)步履蹣跚了。

數(shù)據(jù)就是第一個(gè)繞不過(guò)去的坎。大語(yǔ)言模型之所以能成，是因?yàn)榛ヂ?lián)網(wǎng)本身就是一座取之不盡的數(shù)據(jù)礦山——維基百科、新聞、論壇、論文、代碼庫(kù)，全是現(xiàn)成的、經(jīng)過(guò)標(biāo)注的文本數(shù)據(jù)。但物理AI呢？機(jī)器人需要的數(shù)據(jù)來(lái)自真實(shí)世界中的每一次交互：每一次抓取、每一步行走、每一下推拉。每一幀數(shù)據(jù)背后都是真實(shí)的物理動(dòng)作和對(duì)應(yīng)的多模態(tài)傳感反饋。

這樣的數(shù)據(jù)極難大規(guī)模采集。一臺(tái)遙操作采集設(shè)備，單條高質(zhì)量數(shù)據(jù)的成本折合高達(dá)3到5元，而全行業(yè)匯聚的高質(zhì)量具身數(shù)據(jù)僅約50萬(wàn)小時(shí)，不足大語(yǔ)言模型訓(xùn)練數(shù)據(jù)的數(shù)萬(wàn)分之一。一個(gè)具備通用泛化能力的具身模型，至少需要千萬(wàn)小時(shí)級(jí)別的數(shù)據(jù)支撐。缺口擺在這里，誰(shuí)都看得到問(wèn)題的嚴(yán)重性。

數(shù)據(jù)問(wèn)題即使解決了，算力成本也不容樂(lè)觀。Transformer的注意力機(jī)制有一個(gè)廣為人知的軟肋：計(jì)算復(fù)雜度與序列長(zhǎng)度的平方成正比。在語(yǔ)言模型里，這O(n2)的復(fù)雜度已經(jīng)夠讓人頭疼了；但在物理AI場(chǎng)景里，傳感器流是連續(xù)、高頻、多模態(tài)的——視覺(jué)、觸覺(jué)、慣性測(cè)量單元、關(guān)節(jié)角度——數(shù)據(jù)源源不斷涌入。如果在機(jī)器人本體上跑一個(gè)參數(shù)量幾十億的Transformer來(lái)處理這么多維度的時(shí)序數(shù)據(jù)，功耗和延遲都會(huì)飆到不可接受的水平。

有研究指出，全局注意力機(jī)制下每個(gè)token都要和所有其他token計(jì)算，而CNN里最基本的相鄰關(guān)系，在Transformer里卻需要大量冗余運(yùn)算。用一句話說(shuō)：你花了大價(jià)錢買了張貴得離譜的入場(chǎng)券，換來(lái)的是拖泥帶水的決策速度。

需要新地圖

說(shuō)CNN和Transformer不適用于物理AI，不是說(shuō)它們?cè)谖锢鞟I中完全沒(méi)有用武之地。CNN可以拿來(lái)做感知端的多模態(tài)特征提取，Transformer可以用來(lái)做高層任務(wù)規(guī)劃和語(yǔ)義理解。問(wèn)題是，不能把一個(gè)本來(lái)設(shè)計(jì)來(lái)處理離散序列或靜態(tài)圖像的架構(gòu)，硬塞給它“理解物理世界因果律”這種完全不匹配的期望。

物理AI需要的是能內(nèi)嵌物理規(guī)律的模型——它應(yīng)該天然懂得連續(xù)性、守恒律和因果鏈，而不是靠海量數(shù)據(jù)硬生生去擬合出這些規(guī)律的表面特征。它需要高效的時(shí)序推理能力，能在有限計(jì)算資源下完成實(shí)時(shí)閉環(huán)控制。它需要從“模仿人的動(dòng)作”升級(jí)為“理解物理的邏輯”，先想清楚再動(dòng)手。

劍橋大學(xué)一位控制理論學(xué)者打過(guò)一個(gè)讓人深思的比方：用Transformer去學(xué)習(xí)物理規(guī)律，就像用鋼琴?gòu)椧皇仔√崆僮帏Q曲——聲音可能接近，但弓弦之間那種復(fù)雜的物理耦合，是你永遠(yuǎn)彈不出來(lái)的。

眼下，物理AI的賽道才剛起跑。真正需要的東西，不是把CNN和Transformer往機(jī)器人里硬塞，而是敢于質(zhì)疑主流范式的勇氣。畢竟，物理世界不會(huì)因?yàn)槟愕哪Ｐ蛥?shù)夠多、注意力頭夠密，就放棄它對(duì)因果律的堅(jiān)持。

在一條用概率統(tǒng)計(jì)撐起來(lái)的數(shù)字長(zhǎng)廊里，你永遠(yuǎn)找不到牛頓的蘋果。

(文章來(lái)源：公眾號(hào)退一步看看)