从“世界模拟器”可以走向通用人工智能吗.pdfVIP

人工智能与信息社会２０２４年第５期

从“世界模拟器”可以走向通用人工智能吗？

吴静

摘要ＯｐｅｎＡＩ发布的通用视觉大模型Ｓｏｒａ以其强大的文生视频能力拥

有了对当下世界进行描绘的话语权力，但其背后存在的大语言模型对世界表征

的合法性问题以及带来的认知风险和社会性后果，需要将哲学和技术批判结合

起来进行反思与预防性研究。本文对多模态大语言模型技术进行分析，探究文

生视频的技术本质和应用困境。同时，基于大语言模型的通用性，分析了其背后

蕴藏的技术理性及对用户价值认知的重塑。研究表明，在从技术通用性到知识

公理性的过程中，人工智能技术出现了认识论上的悖论。基于深度学习的生成

式人工智能无法真正理解世界运作方式，只是处理信息单元和语义的逻辑关系，

且现有的生成式大模型在反事实推理和合规性方面仍存在缺陷，还远未达到全

方位理解世界、表征世界的程度。因此，在虚实共生、人机融合成为新的时代命

题时，如何把握“虚”“实”之间的关系成为一个需要审视的维度。这不仅关系到

社会资源的投入，而且更关系到人类自身的重塑和对于世界的理解。

关键词大模型通用人工智能模态数据

ＯｐｅｎＡＩ发布的通用视觉大模型Ｓｏｒａ以强大的文生视频能力在２０２４年的春天又掀起

了一波人工智能角逐战的新高潮。在简单的文本提示之下生成的长达六十秒、一镜到底、

多镜头运镜的视频，分辨率高达１０８０ｐ，其清晰度和流畅度比起专业拍摄的视频毫不逊

色。于是，在震惊和赞叹中，乐观的人们开始预期通用人工智能在短期内实现的可能性。

毕竟以ＧＰＴ系列为代表的生成式人工智能和Ｓｏｒａ代表的视觉通用大模型，分别实现了以

文本作为提示（ｐｒｏｍｐｔ）的多任务执行。如果再加上谷歌的Ｇｅｍｉｎｉ和Ｇｅｍｍａ对于跨语言

和模态的模型推进，人工智能技术的发展似乎进入了目力所及的飞跃期。

然而，在这种乐观和狂喜背后，仍有很多问题值得深思。其中之一就是大语言模型和

世界模型对人类世界和知识的表征合法性问题。如果说“元宇宙”所传达的是对数字化

的替代性世界的救世叙事，那么，被命名为“世界模拟器”的Ｓｏｒａ则以技术为名具有了对

当下世界进行描绘的话语权力。从某种意义上说，对于以大模型技术作为基底的文生视

频系统，数据库的质量、颗粒度以及微调方式都可以决定它所展现的世界图景。乐观的数

据主义者对数字技术给予绝对赋权，使其可以决定知识和文化的输出形态和传播内容。

作者简介：吴静，哲学博士，南京师范大学公共管理学院教授、博士研究生导师，南京师

范大学数字与人文研究中心主任。

９０

人工智能与信息社会

而数字媒介和人工智能在排他性的意义上使自己的输出结果更具有权威性和传播性。尽

管图像生成器能够识别某些像素集合的概念形式，但并不真正知道其本质是什么。原因

在于大型语言模型无法创造意义或“理解”语言和图像，只是纯粹以形式进行训练，这种

方式忽视了形式和意义之间的关联，导致模型在面对真实世界的多样性时表现出局限性

甚至错误。在近期《自然》（Ｎａｔｕｒｅ）杂志发表的一篇研究论文中，社会科学家表示人工智

能系统的超强能力为人类认知带来了进一步的风险：它卓著的性能使得研究人员认为这

些工具具有超人的能力，尤其是在客观性、生产力和理解复杂概念方面。佐治亚理工学院

一项关于“可解释性陷阱（Ｅｘｐｌａｉｎａｂｉｌｉｔｙｐｉｔｆａｌｌｓ，ＥＰｓ）”的研究也指出，人工智能解释可能

会误导用户在不知情、无防备的情况下做出符合第三方利益的决策。这些问题的存在都

在提醒开发者和使用者从初期阶段开始就共同关注和评估人工智能系统和应用所蕴含的

认知风险和社会性后果，因为一旦这些作为工具和公共性连接的工具深深嵌入研究流程

或社会管理系统中，它们将更难以被察知和解决。即便能够纠正，其所耗费的各方面社会

成本也将难以估量。以Ｓｏｒａ所代表的通用视频生成式人工智能为例，大语言模型的训练

数据集来源于生存世界中的有限数字化资源，尽管其体量庞大但并不是真正意义上的“全

数据”，可开发者却号称其足以表征和模拟全部世界。当人类离预