大型语言模型（LLM）在文本生成、代码编写等任务上表现惊人，但它们能否像爱因斯坦或牛顿那样，推动一场科学革命？Google DeepMind 研究员 Tom Zahavy 在一篇题为“LLMs can't jump”的立场论文中给出了否定答案。

发生了什么

Zahavy 认为，LLM 本质上是在已有数据中寻找模式并进行预测，缺乏“跳跃”到全新概念或理论的能力。科学革命往往需要突破现有范式，提出颠覆性假设，而 LLM 的架构限制使其无法实现这种认知跳跃。相比之下，世界模型——即能够模拟环境因果结构并基于此进行推理的模型——可能具备这种潜力。论文并未提供实验证据，而是从认知科学和哲学角度论证了这一观点。

为什么重要

这一讨论触及 AI 领域的核心问题：当前主流的大语言模型范式是否足以通向通用人工智能（AGI）？许多研究者认为，仅仅扩大模型规模和数据量并不能带来真正的理解与创造。世界模型的概念由来已久，但近年来因强化学习与模型预测控制等技术的进展而重新受到关注。如果 Zahavy 的判断正确，那么研究重心可能需要从“更大语料库”转向“更优的因果建模”。

影响与看点

对开发者而言，这意味着在构建下一代 AI 系统时，不应只依赖语言模型的文本生成能力，而应探索结合世界模型的多模态、交互式架构。对于 AI 行业，这一观点可能加速对“基础模型之外”研究路径的投资，例如强化学习、因果推理和神经符号方法。值得关注的是，DeepMind 自身已在世界模型领域有布局，如 Dreamer 系列算法。未来，我们或许会看到更多将语言模型与世界模型结合的混合系统，但距离真正的“科学发现 AI”仍有很长的路要走。