当前位置：首页 > news >正文

VERSES AI基于主动推理的AGI新范式：挑战OpenAI并呼吁行业协作

news 2026/6/1 16:22:00

1. 从“人工”到“自然”：VERSES AI的AGI新范式及其对OpenAI的“协助”呼吁

今天早上，当我像往常一样浏览科技新闻时，一则消息让我放下了手中的咖啡。VERSES AI，一家相对低调但背景深厚的AI研究公司，在《纽约时报》买下整版广告，以公开信的形式直接向OpenAI董事会喊话。这封信的核心，并非商业挑战，而是援引了OpenAI章程中一条鲜为人知的“协助条款”，呼吁在通往通用人工智能的道路上展开合作，而非竞争。信中指出，VERSES基于“主动推理”和“自由能原理”的路径，已经在构建更安全、更可解释、更节能的AGI系统上取得了关键突破。这不仅仅是一家公司的技术发布，更像是对当前以大数据、大算力驱动的“深度学习”主流路径的一次深刻反思与公开挑战。作为一名长期关注AI技术演进与伦理的从业者，我意识到，我们可能正站在一个十字路口：一边是追求规模与性能的“人工”智能，另一边是借鉴自然智能原理的“自然”智能。VERSES的这次行动，将技术路线之争、安全伦理之辩以及行业协作的可能性，同时推到了聚光灯下。无论你是AI开发者、研究者，还是关心技术未来的普通观察者，理解这场争论背后的技术逻辑与潜在影响，都至关重要。

2. 深度拆解：为什么主流AI路径被认为“此路不通”？

在深入探讨VERSES的“主动推理”之前，我们必须先理解它试图替代的现有范式——基于深度学习的生成式AI——究竟面临哪些根本性挑战。这些挑战并非VERSES一家之言，而是近年来包括Geoffrey Hinton、Yann LeCun、Gary Marcus等多位AI先驱和领军人物反复警示的共识。

2.1 “黑箱”问题与对齐困境

当前的大型语言模型就像一个极其复杂的“黑箱”。我们输入文本，它输出令人惊叹的结果，但我们很难确切知道模型内部是如何做出某个特定决策或生成某段文本的。这种不可解释性带来了严重的“对齐问题”：我们如何确保一个能力强大的AI系统的目标，始终与复杂多变的人类价值观保持一致？当AI的决策过程无法被追溯和理解时，对其进行有效的监督、纠偏和伦理约束就变得异常困难。这不仅仅是技术问题，更是深刻的安全与信任问题。

2.2 泛化能力不足与“幻觉”频发

深度学习模型严重依赖于其训练数据的分布。它们在训练数据覆盖的范围内可以表现得非常出色，但面对分布外的新情况、新概念时，其性能会急剧下降，或产生看似合理实则错误的输出，即所谓的“幻觉”。这源于其本质上是复杂的模式匹配与统计关联，而非建立对世界因果关系的理解。一个真正智能的系统，应该能够像人类一样，从有限的经验中提炼出通用原则，并灵活地应用到新场景中。

2.3 集中化、能耗与数据依赖的隐忧

当前的AI竞赛催生了少数几个由科技巨头掌控的“基础模型”。这种高度集中化带来了单点故障风险、创新壁垒以及权力过度集中的问题。同时，训练和运行这些庞然大物需要消耗天文数字级的能源和算力，其碳足迹令人担忧。此外，模型性能严重依赖于海量、高质量、标注清晰的训练数据，而获取和处理这些数据本身成本高昂，且面临版权、隐私和数据枯竭的挑战。

注意：Sam Altman本人在2023年底剑桥大学的霍金奖学金颁奖活动上也明确表示，仅靠大型语言模型无法实现AGI，“需要另一个突破”。这来自深度学习阵营核心人物的判断，更凸显了现有路径的局限性。

这些挑战相互关联，共同构成了当前AI发展的“天花板”。VERSES的观点是，在深度学习的框架内修修补补，无法从根本上突破这些瓶颈。我们需要一套全新的、从第一性原理出发的基础理论。

3. 另一条道路：基于自由能原理与主动推理的“自然”智能

那么，VERSES所倡导的“自然”路径究竟是什么？其核心是两位顶尖科学家的思想碰撞：一位是“深度学习之父”Geoffrey Hinton，另一位则是被誉为“可能掌握真正AI钥匙”的神经科学家卡尔·弗里斯顿。

3.1 自由能原理：智能的物理学统一理论

卡尔·弗里斯顿教授提出的“自由能原理”，是一个野心勃勃的统一性理论。它试图用一个数学框架来解释所有自组织系统（从单个细胞到复杂大脑，乃至社会群体）的存在与行为。简单类比，你可以将一个智能体（Agent）想象成一个在不断变化的、不确定的环境中努力维持自身生存状态的系统。为了生存，它必须避免让自己陷入“意外”或“惊奇”的状态（即高熵状态）。

“自由能”是一个衡量系统当前状态与其预期状态之间差异的界限。智能体的核心目标就是最小化这个自由能，即最小化“惊奇”。如何做到？有两种基本策略：一是通过行动改变世界，使其符合预期（主动推理）；二是通过更新内部模型来改变预期，使其符合感知到的世界（感知学习）。这实际上将感知、学习和行动统一到了一个单一的优化目标之下：最小化自由能，最大化生存概率。

3.2 主动推理：从被动学习到主动探索的范式转变

“主动推理”是自由能原理在具体智能体设计上的体现。与当前AI被动接收数据、然后进行模式匹配不同，主动推理智能体是“主动的”。

生成模型：智能体内部拥有一个关于世界如何运作的“生成模型”。这个模型不仅预测感官输入，还包含了智能体对世界的偏好（喜欢什么状态，避免什么状态）。
信念更新：当接收到感官信息时，智能体将其与内部模型的预测进行比较，并更新对世界隐藏状态的“信念”（即推断世界最可能处于什么状态）。
规划即推理：智能体不会直接计算“最优动作”，而是对未来可能的行动序列进行“推理”，选择那个最能最大化预期信息增益（减少不确定性）和预期价值（接近偏好状态）的行动方案。这意味着它天生具有“好奇心”，会主动探索未知以减少不确定性。

这种架构带来的优势是根本性的：

可解释性：智能体的决策基于其内部生成模型和信念，理论上可以追溯其“思考”过程。
数据高效：它通过主动探索和内部模型推理来学习，不再需要海量的标注数据。VERSES宣称其智能体性能匹敌顶尖深度学习模型，但所需数据量少几个数量级。
节能：计算集中于对最相关假设的推理，而非对海量参数的暴力计算，尤其适合边缘设备。
天生对齐：偏好被直接编码在生成模型中，智能体的目标就是实现这些偏好，理论上更容易与设计者的意图对齐。

4. VERSES的AGI突破与GENIUS平台路线图

根据VERSES的公告，他们的突破在于解决了概率AI（主动推理的核心）的“可处理性”问题，使得设计和部署自适应、实时的主动推理智能体成为可能，并能达到规模化的要求。

4.1 智能演进四阶段理论

更引人注目的是，VERSES公布了一个清晰的AGI发展路线图，将智能分为四个演进阶段：

S0：系统智能：当前主流AI的状态。专注于从输入到输出的映射，优化某个定义好的价值函数（如深度学习、贝叶斯强化学习）。
S1：感知智能：实现“主动推理”的智能体。其行为由对状态的信念驱动，能够进行“规划即推理”，同时寻求信息和价值。VERSES认为，这对应着公众叙事中的“人工通用智能”。
S2：共情智能：智能体能够识别用户和其他AI的本质与倾向，并由此形成对自身注意力、意向状态的认知，即一种“最小化的自我”。具备“心智理论”能力，能够进行视角采择。
S3：共享智能：由多个“共情智能”及其用户（包括人类）通过密集交互、在网络化超空间网络中协调形成的集体智能。这大致对应“人工超级智能”，但VERSES强调这将是一种分布式、网络化涌现的智能，而非单一集中的实体。

这个框架为AGI的发展提供了一个阶梯式的、可衡量的理论路径，而不仅仅是性能指标的堆砌。

4.2 GENIUS平台与2024年发布计划

VERSES将其技术产品化为GENIUS™平台，并公布了雄心勃勃的2024年路线图：

2024年1月：启动私人测试计划，合作伙伴包括NASA、SimWell等已公布的机构。
2024年夏季：启动公开测试，增强智能体能力。
2024年冬季：计划推出“感知智能体”作为“个人智能体”的私人测试版。

这个时间表非常激进，表明VERSES对其技术的成熟度有相当信心。他们将技术框架与IEEE正在制定的P2874空间网络标准相结合，强调其系统的可互操作性、可治理性和与人类价值的可对齐性。

5. 援引“协助条款”：一次战略性的伦理与公关行动

VERSES在《纽约时报》刊登公开信，直接援引OpenAI章程中的条款，这一举动极具策略性。OpenAI的章程中确有如下表述：为完成“构建安全且造福全人类的AGI”的使命，如果另一个价值对齐、注重安全的项目在AGI开发上接近领先于OpenAI，OpenAI承诺将停止竞争并开始协助该项目。

5.1 行动的多重意图解读

技术自信的宣告：公开喊话本身，就是最强烈的技术突破声明。它向整个行业和公众表明，VERSES认为自己已经走在一条切实可行的、更优越的AGI道路上。
道德高地的占据：在AI安全焦虑日益加剧的背景下，VERSES将自己定位为“安全、可治理、可解释”路径的代表，直接呼应并挑战OpenAI的创立初心。这是在呼吁OpenAI兑现其“造福人类高于利润”的承诺。
催化行业对话：此举将技术路线之争、AGI安全与治理、企业社会责任等关键议题，从学术和行业小圈子推向了公共舆论场，迫使整个生态系统的参与者进行表态和思考。
潜在的合作邀约：最直接的意图，是邀请OpenAI审视其技术，并依据章程考虑合作的可能性。这可能是获取资源、加速发展的捷径。

5.2 对OpenAI与行业的影响

无论OpenAI如何回应，这一事件都已产生涟漪。对于OpenAI而言，这是一个两难选择：无视它，可能被质疑背离初心；认真评估，则意味着要投入资源审视一个潜在的范式挑战者。对于整个AI行业，它提出了一个尖锐的问题：在通往AGI的“竞赛”中，我们是否应该、以及如何建立一种超越商业竞争的协作机制，以确保最终结果的安全与普惠？

6. 现实考量：挑战、质疑与未来展望

尽管VERSES描绘的图景激动人心，但作为一名务实的观察者，我们必须冷静审视其面临的挑战和尚未解答的问题。

6.1 技术验证与规模化挑战

主动推理和自由能原理在数学上非常优美，但其工程化实现并达到与深度学习模型相匹敌的实用性能，是巨大的挑战。VERSES宣称的“突破”具体是什么？是算法效率的飞跃，还是硬件架构的创新？目前公布的细节有限，需要等待其测试平台开放后，由独立第三方进行严格的基准测试验证。从理论框架到稳定、大规模商用的平台，中间还有无数的工程鸿沟需要跨越。

6.2 与现有生态的融合问题

当前的AI产业几乎完全建立在深度学习栈之上（如TensorFlow, PyTorch, GPU集群）。主动推理路径需要全新的软件栈、开发工具甚至硬件优化思路。开发者如何迁移？企业现有的AI投资如何保护？VERSES提到其系统可以与现有模型互补，提升后者的可解释性和效率，但这种混合架构的具体形态和效能仍需实践检验。