AI模型预测精准但解释乏力：哈佛MIT实验揭示世界模型缺失

在追求通用人工智能（AGI）的进程中，一个根本性问题始终备受关注：大型语言模型究竟能否习得“世界模型”（world model），还是它们仅仅沉浸于“预测下一个词”的概率游戏之中？

哈佛大学与麻省理工学院联手展开一项创新实验，试图破解这一谜题。他们选取轨道力学作为测试场景，利用1000万个模拟太阳系坐标序列训练了一个1.09亿参数的小型Transformer模型，后续还评估了多种前沿大语言模型，以检验AI是否掌握了正确的世界模型。

实验结论既出人意料又合乎逻辑：当前AI模型普遍呈现预测与解释分离的现象——尽管能够精确预测行星运行轨迹，但仅依赖于“特定情境下的经验法则”，而非通过推导编码出物理定律。

面对这一结果，研究团队指出，“解释与预测的割裂”是科学史上的经典议题，这并非否定LLM的科学贡献，而是促使我们重新思考AI的发展路径——是持续追求预测精度，还是探索新方法让AI掌握“流动智力”以构建世界模型？

从“开普勒”到“牛顿”

在通用人工智能（AGI）探索的关键阶段，“AI能否像人类一样实现科学突破？”成为学术界聚焦的核心命题。哈佛与MIT的研究者以此为起点，开展了一项富有启发性的实验。

团队跳出复杂的语言领域，选择科学史上标志性的轨道力学作为测试场。这个过程可理解为：用AI重演开普勒的发现——行星如何环绕太阳运行，再检验它是否真正领悟了背后的牛顿力学（即万有引力定律）。

实验假设是：如果模型能做出正确预测，却未编码牛顿定律，则说明它缺乏完整的“世界模型”。

轨道力学被选为测试场景，源于其科学代表性：开普勒运用几何方法，从行星历史轨迹（输入数据）推断未来路径（输出预测）；牛顿则将经验规律提升至更深层原理——万有引力与运动定律。

更重要的是，牛顿提供了一个统一框架，将苹果落地与月球绕地联系起来，并发明微积分描述连续变化，最终构建了解释物理现实的定律。换言之，是牛顿而非开普勒，揭示了质量、力、加速度与运动间的动态关系，从而使数据变得可解释。

这正是AI研究者执着于世界模型的原因：缺乏它，AI只能停留于表面观察，无法像牛顿那样实现真正的科学发现。真正的“世界模型”能超越直接观测现象，将背后因果逻辑推广至未观测甚至看似无关的场景。

自神经网络主导AI领域以来，“预测与解释分离”一直是现代AI模型的短板。过去十年，随着大语言模型规模扩大、能力增强，该问题日益凸显——现今LLM虽能解决博士级科学难题，却常在“常识性”推理测试中受阻。原因在于这类任务需要AI构建超越观测数据的世界模型。

另一个类似案例是自动驾驶。为何无人出租车可在部分城市流畅运行，却难以全球推广，甚至无法即刻解决拥堵？同样因为自动驾驶系统未真正掌握“驾驶原理”的世界模型。

基础模型（foundation model）：在相关论文中，作者将Transformer架构的AI模型统称为基础模型——大众接触的绝大多数AI产品或工具均属此范畴。其核心是利用数据集实现“输入-预测输出”的映射；而“世界模型”（world model）指刻画数据中隐含的状态结构。

理解这两者差异，是本次研究的出发点。

研究设计与测试场景

哈佛和MIT团队探究的核心是：“预测与解释分离”是否是AI模型的根本局限？大语言模型能否依靠自身发展突破此限，还是需要更底层技术革新？

研究中，团队用1000万个模拟太阳系的坐标序列（总计200亿个token）训练小型Transformer模型，旨在观察模型是否会运用牛顿定律预测行星运动背后的受力向量，抑或仅是“随意拟合”，在不理解物理规律的情况下做出预测。

结论明确：AI模型能给出精准预测，但并未编码牛顿定律的世界模型，而是依赖一些“特定情境的经验法则”，这些规则无法扩展到其他情况。

细察行星轨迹预测结果（实线）与真实轨迹（虚线）的对比，可见：

轨迹预测近乎完美，但模型预测的受力向量却混乱无序。

这表明，AI模型用于生成准确轨迹预测的“逻辑”，与实际万有引力定律毫无关联。若观察第一张图下方的两个力学公式，会看到两套不同受力定律：左侧是牛顿定律，右侧则是无意义的“伪定律”。研究还发现，AI模型的预测无法推广到未训练过的太阳系场景。

研究者甚至发现，当换一个银河系（新样本数据）测试时，模型会编码出完全不同的另一套错误“受力定律”。换言之，它连出错都缺乏一致性。

这一发现意义重大。

即便AI模型未能还原牛顿定律，但若能在不同样本间保持“相同错误”，至少可说明它学到了某种稳定的“与现实宇宙不同的替代世界模型”。但实际是，它的错误随样本变动——证明它根本无力编码一套稳定的、用于指导预测的定律体系——它不是不擅长构建世界模型，而是本质上不具备此能力。

这印证了许多批评者对LLM的观点：它们的泛化能力仅限于“熟悉之物或类似之物”，但无法突破此边界。

研究团队还测试了当前最先进的大语言模型，结果同样令人失望。大语言模型能精准预测行星轨迹，但推导出的力学定律与牛顿定律相去甚远——尽管它们在训练数据中已无数次接触牛顿定律。

那么，问题根源何在？为何无论规模大小，AI模型都能依靠错误的世界模型做出极精准预测，却无法构建符合现实的世界模型？

为解答此问，并验证该缺陷是否存在于不同场景，研究者还在“晶格问题”和“黑白棋”上做了类似实验。结果指向一致：模型会将不同状态归为一类，只要它们有相似的“下一个token可能性”。

这并不是LLM的“失败宣判”

缺少世界模型≠毫无价值。此结果既未否定AI价值，也非AGI梦想的终结。在许多实际场景中，LLM都能发挥关键作用。

甚至在“自动化科学发现”这类宏大目标上，LLM也未必是障碍。即便最激烈的批评者（如深度学习奠基人之一、卷积神经网络开创者Yann LeCun）也不会全盘否定它们。正确结论是：以当前形态，LLM还“不足以”实现科学发现。

在此背景下，未来AI将走向何方？

一种思路是继续扩大规模，将模型做得更大，希望它们有朝一日能从行星轨迹中自发学到牛顿定律。但这未必可行。

另一种是“更大模型+新方法”并行。François Chollet（谷歌AI研究员、深度学习框架Keras作者，以倡导AI可解释性与泛化能力著称）认为，AI未来发展需结合“晶化智力”（已有知识技能）与“流动智力”（经验迁移能力）。如今许多公司正沿此路径努力，例如Yann LeCun通过JEPA框架（联合嵌入预测架构）进行探索。

总之，这项研究再次折射出科学史上的经典论题：科学核心是精准预测，还是理解事物运行的“为什么”？这是我们对“智能本质”与“科学逻辑”更深层思考的起点。

或许探索宇宙本质、引力根源超出了现代科学能力边界，但那些“中间层次的为什么”，如行星椭圆轨道的成因、苹果落地的原理，才是现代科学最具价值的领域——人类正是通过关注这些“为什么”，才得以理解世界。

因此，它们也将是AI未来奋力攀登的高峰。当AI有一天能像人类一样，从有限数据中提炼稳定因果规律，从“预测轨迹”进阶到“解释定律”，才算真正站在科学发现的门槛前。

而在那之前，行业将共同解答这一命题：如何让AI不仅是“预测机器”，更是能理解世界运行逻辑的“思考者”？这道题的答案，将决定AI在科学史上最终留下怎样的印记。