把知识从模型权重里“拿出来”，放到一本可逐条核查的账本上——这是前DeepMind研究员Thore Graepel给出的治幻觉方案，也是他新公司Metis Reasoning的核心主张。
发生了什么
据The Decoder报道，曾参与DeepMind相关研究的Thore Graepel创办了Metis Reasoning，目标是把AlphaGo的搜索原理迁移到通用推理任务上。其思路不是让模型把知识“记”在参数里，而是在推理过程中维护一份显式的知识账本，让每一个结论都能回溯到具体证据。
需要说明的是，报道同时指出：目前没有可运行的系统，也没有公开的基准测试结果。换言之，这是一份方法论宣言，而非产品发布。
为什么重要
AlphaGo的启发意义在于它把“直觉”和“搜索”分开：策略网络给出候选，价值网络评估局面，搜索负责在候选之间做取舍。放到大模型语境里，模型权重承担了“直觉”的角色，而缺失的正是那层可展开、可验证的搜索与证据核对环节。
当前主流的抗幻觉手段——检索增强、思维链、自我一致性、工具调用——本质上都在模型外部补上某种“查证”动作，但多数仍以模型自身输出为最终裁判。Graepel的提法更进一步：把知识表示与推理过程解耦，让结论的合法性由外部证据链决定，而不是由参数里的统计倾向决定。这在概念上接近“可审计的推理”，对需要追责的高风险场景（医疗、法律、金融合规）有天然吸引力。
另一层背景是人才与叙事的流动。DeepMind系研究者创业做“推理基础设施”已不是孤例，这类项目往往先卖理念、再卖系统，投资人与技术社区对“AlphaGo式突破”的叙事仍有明显偏好。
影响与看点
对行业而言，这条路线若走通，会推动推理层从“模型内隐”转向“系统外显”，与当下agent、工具调用、结构化知识库的方向形成合流；对开发者来说，真正值得关注的是接口形态——知识账本如何表示、如何更新、如何与模型交互，以及错误归因能否落到具体条目上。
但必须克制地看待：没有系统、没有基准，就意味着没有可比较的证据。搜索式推理的代价是延迟与算力，AlphaGo能成立，是因为围棋有明确的胜负判据；通用推理缺少这样干净的奖励信号，“证据是否充分”本身就是一个难以自动判定的问题。
一句话判断：方向值得跟踪，但在看到可复现的评测之前，它仍是一个有说服力的假设，而不是一个已被验证的解法。
