如果医生遇到这样的病人：发烧、咳嗽，肺部还有阴影。
凭借经验，他可能会判断：这是肺炎。
程序员把医生的判断写进软件里，不断添加各种“如果……那么……”的规则，一个专家系统就诞生了。
专家系统这个想法着实美好，成了20世纪80年代最热门的研究方向，美国、日本、英国都投入了大量资源。日本甚至启动了雄心勃勃的“第五代计算机系统”计划，希望在人工智能领域取得突破。
专家系统在一些领域确实很有用，但很快就碰到了一个尴尬的问题。
让它识别一个小学生写的数字“5”，可能比诊断肺炎还麻烦。
人类看一眼就知道这是数字“5”，可你要让计算机也认出来，就得想办法把人脑的判断过程写成规则。
上面有一横，左边有一竖，中间有弯曲，下面还有一个弧。
如果写得歪一点呢？如果笔画连在一起呢？如果这个孩子写出来的5，跟字帖上的5完全不像呢？
现实中的变化实在太多了，靠人工编写规则，很难把所有情况都考虑周全。
研究人员开始琢磨：能不能换个思路？别费劲地告诉计算机每一种情况该怎么处理，而是给它足够的数据，让它自己找出规律。
杨立昆就是这条路上的重要研究者之一。
1989年，杨立昆发表了将卷积神经网络用于手写数字识别的经典研究。沿着这条路线继续发展，后来有了著名的 LeNet 系列。
LeNet在图像识别上非常成功，90年代被美国银行用于自动识别支票上的手写数字，每天处理超过 2000 万张支票。
但是，受限于当时的算力和数据，神经网络能干的事儿并不多，渐渐淡出了主流视野。
杨立昆却一直没有放弃，只不过，他需要等待二十多年。
2012年，Hinton 带领的 AlexNet 参加了 ImageNet 大规模视觉识别挑战赛。
AlexNet以8层深度卷积神经网络为核心，直接将图像识别的错误率拉低了一个量级，震惊了整个学术界和工业界。
数据集越来越大，GPU 提供了充足的算力，神经网络也能训练得更深，过去那些难以实现的想法，终于有了施展的空间。
从图像识别到语音识别，再到今天的大语言模型，神经网络的能力不断扩展，ChatGPT 的出现，更是把 AI 推到了大众面前。
整个行业开始疯狂扩大模型规模，试图实现梦寐以求的通用人工智能（AGI）。
但是杨立昆却提出了不同的看法：只靠把大模型做得更大，还远远不够，现有的AI缺少一项重要能力，即理解这个世界是怎么运行的。
我们做一个特别简单的实验。
拿一个装满水的杯子，把它慢慢倾斜，水会怎么样？
ChatGPT当然能回答，因为它知道重力、液体、容器这些知识，甚至可以给你讲一遍流体力学。
但一个四岁的小孩呢？他可能连“重力”这个词都没听过。你把杯子一倾斜，他却知道水很可能会流出来。
因为他早就跟水打过无数次交道，洗澡时玩水，吃饭时打翻杯子，拿着水壶往外倒水……这些经历让他逐渐摸清了水和容器之间的关系。
他不需要先学会流体力学，就能预测水会往哪里流。
更牛的是，这个小孩还有举一反三的能力，把杯子换成碗、瓶子或者水桶，他也能大致判断会发生什么。
在杨立昆看来，这背后有一个很重要的概念：世界模型（World Model）。
简单说，就是大脑里有一套关于世界如何运行的内部模型。它能帮助我们预测接下来会发生什么，并据此采取行动。
小孩的这套模型是怎么形成的呢？
它可没有读过10万亿个网页，他只是每天和这个世界打交道，一点点积累经验。
比如，一个一岁多的孩子把玩具推下桌子。
“啪！”玩具掉到了地上。
他觉得有意思，又推了一次。“啪！”
再推一次，还是一样。
他可能还说不清楚发生了什么，但大脑已经开始建立一种预期：东西到了桌子边缘之外，就会往下掉。
再比如，他发现按下开关，灯就亮了。多按几次，他就逐渐明白，开关可以控制灯。
这些经验看起来很不起眼，却在不断帮助孩子建立对世界的认识。
更有意思的是，孩子还能逐渐理解一些看不见的东西依然存在。
妈妈把玩具放进盒子，再把盒盖盖上。虽然玩具看不见了，孩子还是会去找它。
心理学把这种能力称为“客体永久性”，它的发展涉及婴幼儿认知的多个阶段，也说明孩子对世界的理解会逐渐超越眼前看到的东西。
孩子就是这样，一次次观察、动手、反馈，慢慢摸清了这个世界的脾气。
当然，人类大脑的工作机制远比这个例子复杂，杨立昆真正关心的问题是：能不能让 AI 也通过学习，建立起类似的内部模型，从而对现实世界做出可靠的预测？
2025年，杨立昆和Facebook分道扬镳以后，随后成立了 AMI Labs（Advanced Machine Intelligence Labs）。
到了 2026 年，没有任何产品和营收的 AMI Labs 完成了全球瞩目的 10.3 亿美元种子轮融资。
投资人中有两位大佬，“欧洲科技投资教父” Xavier Niel 和 亚马逊创始人Jeff Bezos。
杨立昆希望探索一条不同于当前大语言模型主流路线的道路：让 AI 学会建立关于现实世界的模型，预测环境的变化，并根据预测采取行动。
如果这条路线能够取得突破，机器人可能是最直接的受益者之一。
想象一下，一个机器人第一次遇到从未见过的杯子，它需要判断杯子的形状，寻找合适的抓取位置，估计杯子的重量和材质，再决定用多大力气，如果杯子正在移动，它还得预测杯子接下来会到哪里。
今天的机器人系统也能完成其中不少任务，但往往需要依赖特定的模型和训练数据，换一个环境，或者遇到训练中很少见的情况，表现就可能打折扣。
杨立昆希望 AI 能拥有更强的预测能力。即使没见过某个具体的杯子，也能根据过去学到的物理规律，推断它大致会怎样运动、怎样与其他物体发生作用。
这就是杨立昆所说的“真正的智能”。
2024年，WIRED记者问杨立昆： 只要把现在的机器学习技术继续扩大，是不是最终就能得到人类级 AI？
杨立昆回答：绝对不能。
但是，这两年大模型发展异常迅速，在药物分子设计、数学难题证明、芯片架构优化等高度严谨的科学领域做出了实质性贡献。
尤其是数学，已经把顶尖数学家都逼得不得不反对 AI 了，如果OpenAI 等新一代模型真的具备了“发明新事物”的能力，那么杨立昆的断言肯定会被大打折扣。
没有人能够证明大模型之路一定能走通，也没人证明一定走不通。
杨立昆的10亿美元赌注，买的是一个机会：AI的下一场革命。
如果这条路最终走通，AI不仅仅会发生在聊天窗口里，而是在工厂、医院、汽车、仓库..... 在我们每天生活的每一个角落里。
结果如何，只能交给时间来证明了。