“世界模拟”的拟像迷思——基于通用视觉大模型技术的哲学反思.pdfVIP

南通大学学报·社会科学版

第40卷第3期

双月刊2024年5月出版

世界模拟”的拟像迷思

基于通用视觉大模型技术的哲学反思

吴静

摘要：随着通用视觉大模型技术的迅速发展，对人工智能技术底层逻辑的哲学反思变得刻不容缓。生

成式人工智能文生视频、文生图像现象的背后，是数字技术借由算法公理化逻辑所营造出的普世视觉景观，

这种视觉景观消解了真实与虚拟之间的边界，在本质上与一种通过数字技术而布展的知识生产权力具有同

构性。基于数据预训练和投喂的通用视觉大模型，其知识生产中存在着数据“通用”性与模型“泛化的张力，

大模型泛化能力的提高意味着其所依赖的数据来源愈加具有普遍性和公理性，由此在技术无意识层面形成

一种代表数字普遍理性的公共知识体系。为此应重新思考虚拟与现实之间的边界问题,在技术设计关注差

异要素的基础上，探索人工智能时代人机交互的可能前景。

关键词：人工智能；文生视频；大模型；泛化

中图分类号：TP18;N02文献标识码：A

作者简介：吴静，南京师范大学公共管理学院教授，博士生导师，南京师范大学数字与人文研究中心

主任。

继2022年的“元宇宙”2023年的ChatGPT之后，2024年的春天也没有让人失望。OpenAI在2月

15日推出的文生视频大模型sora作为人工智能技术的新一轮推进不出意外地引起了轰动效应。该模

型可以根据用户的文本提示创建逼真的视频。其生成的场景不但可以是具有多个角色、包含特定运动

的复杂场景，还能够以极为逼真的方式深度模拟真实物理世界，并能理解用户在文字提示中给出的提

示，了解需要描述的对象在物理世界中的存在和运动方式。

其实，这并非文生视频第一次引起轰动。谷歌公司于2023年12月6日发布了号称有史以来功能

最强的大模型Gemini（有GeminiUltra、GeminiPro和GeminiNano三个版本），该模型强调原生多

模态（nativelymultimodal)任务实现，支持输人文本、图像、音频和视频，输出图像和文字，“无缝连接和

组合不同类型的信息,拥有强大的交互能力。这比起OpenAI将纯文本、纯视觉和纯音频模型拼接在一

起的多模态实现方式，是一个巨大的技术进步。研发者声称这种“原生性”体现为模型从初始阶段就被

设计为“多感官”模型，通过对其投喂”多模态数据（包括文字、音频、图片、视频、PDF文件等)进行训

练,之后再进行微调。在谷歌给出的与GPT-4的对比成绩单中,GeminiUltra在32个常用的学术基准

中的30个上领先GPT-4。而在MMLU（大规模多任务语言理解)测试中,Gemini.Ultra以90.0%的高分，

20

“世界模拟”的拟像迷思一一基于通用视觉大模型技术的哲学反思

成为第一个超过人类专家的模型。为此，谷歌公司展示了一个长达6分钟的视频，用以全方位展现

Gemini在多模态任务上的强大性能。在这段视频中，Gemini仿佛一个具有高级智慧的个体,不仅能观

察周围世界，及时做出反应，还会说多国语言，并实时用声音、图像与人类互动。

然而,这个视频很快引发争议,它的剪辑痕迹使得研究者和媒体都对Gemini的真实性能产生了怀

疑。但Gemini的研发负责人否认故意造假,称只是出于播放效果方面的考虑缩短了反应时长,使用了

原始镜头中的静止图像帧，而后编写了文本提示，减少了延迟。这番欲盖弥彰的辩护从侧面证明了

Gemini模型对任务的实现在一定程度上仍然依赖于进一步提示（prompt）,并且反应速度远慢于视频所

展示的效果。这次争论也成为OpenAI在发布Sora时特地强调60秒视频是一镜到底的真正内涵。它意

味着，与视频生成领域的其他同行比，,Sora在真实性、连续性上的进步是很明显的。因此当众多媒体对

通用视觉大模型领域的这一突破性飞跃进行报道时，竞相使用了一句从《三体》中变化而来的表达：“现

实，不存在了。这让人联想起鲍德里亚在谈论“超真实”时发出的感叹：“影像不再能让人想象现实，因

为它就是现实。影像也不再能让人幻想实在的东西，因为它就是其虚拟的实在。”①技术真的可以复制现

实了吗？复制现实是人工智能的目的吗？这种信号/符号化的复制在何种意义上可以成为形成并支撑话

语客观结构的连续性和合理性？对这些问题的思考，是技术一人文交织时代的必然之问。

一、从造梦工厂到世界模拟器：镜像还