苦修者梁文峰

（圖源：西游記續集）

文：李浩

編輯：經緯

禪宗有一樁流傳千年的公案。

五祖弘忍門下，神秀與慧能留下兩首偈語，道出了兩種不同的悟道路徑。

神秀留下“身是菩提樹，心如明鏡臺”，相信智慧來自日日修行，在漫長積累中逐漸顯現；慧能寫下“菩提本無樹，明鏡亦非臺”認為真正的覺悟發生于一念之間，是認知跨越后的豁然開朗。

千年之后，菩提葉落花開，明鏡塵埃聚而又散，那個關于“智慧如何產生”的追問，并沒有隨著時間消失。這一次，關于智慧的討論，客體則換成了機器的智能。

AGI （通用人工智能）是指一種具備類似人類通用認知能力的人工智能。AI 系統需要能夠像人一樣，在不同領域理解問題、學習新知識、遷移經驗，并自主完成復雜任務。

行業發展至今，大模型展現出的能力不斷突破過去的想象。而當人們試圖回答當前的 AI 智能水平距離 AGI 還有多遠時，卻發現問題遠比想象中復雜。

有意思的是，網傳 DeepSeek 創始人梁文峰與投資人的一場 4 小時的交流會上，梁文峰首次公開了達成 AGI 的路線圖。

“去年的階梯是思維鏈，今年的階梯是 Agent，Agent 之后必須解決持續學習，然后進入 AI 自我迭代的漸進奇點，最后才是具身智能?！绷何姆逭f。

梁隨后表示：“這個奇點，它并不是一個奇點，它也是一個漸進的過程。”

這番表態，頗有“漸悟派”的遺風。

但與此恰恰相反的是“頓悟派”思想，即當模型規模擴大到一定程度后，一些沒有被直接設計的能力，會在訓練過程中自行出現。簡而言之，其代表就是整個行業早已熟知的 Scaling Law 和“涌現”理論。

（圖源：Scaling Laws for Neural Language Models）

OpenAI 前首席科學家 Ilya Sutskever 認為神經網絡這種復雜系統，本身可能具備產生高級能力的潛力。隨后 2020 年，包括 Jared Kaplan、Sam McCandlish、Tom Henighan、Tom Brown、Dario Amodei 等一眾大神發表了論文《Scaling Laws for Neural Language Models》，論證了語言模型性能與模型規模、數據量、計算量之間的關系。

至此，Scaling Law 似乎成了達成 AGI 的不二法門。

一時間，Scaling Law 成為行業共識。2024 北京智源大會上，月之暗面創始人楊植麟公開表示：“Scaling Law 沒有本質的問題，而且接下來 3 到 4 個數量級，我覺得是非常確定的事情?！蓖跁錾系牧阋蝗f物 CEO 李開復也表示：“Scaling Law已被驗證有效并且尚未達到頂峰?！?/p>

但是李開復接下來說：“不能盲目堆 GPU”。而這，恰恰是行業最大的問題。

資本市場不是不愿意花錢和未來的科技領袖們“結善緣”，但是燒錢總得有一個盼頭。模型越來越大、參數越來越多、AI 不再是“人工智障”，但 AGI 似乎永遠在地平線上。2024 年下半年 GPT 5 持續跳票，而 2025 年初 DeepSeek 異軍突起，進一步加劇了市場的擔憂。

截至今天，Kimi 更新到藐視馬斯克、GPT 迭代到自己主動越獄、智譜升級到能防止 GPT 越獄，AGI 的奇點依然沒有到來。

而與“頓悟派”同時存在的是另一批不相信規模本身就足夠回答智能的本質問題的人。

比如 Meta 首席 AI 科學家、圖靈獎得主 Yann LeCun。在 LeCun 看來，過去深度學習的突破確實受益于規模擴大，但語言模型并不能代表智能本身。因此，真正的智能系統需要的不只是更大的語言模型，而是一套能夠理解現實、預測變化、指導行動的“世界模型”。而未來AI需要具備對現實環境的理解、并持續學習、且根據行動預測結果的能力。

（Figure 03 機器人抓取不同物品，圖源：Figure.ai）

而自動駕駛、機器人、具身智能，甚至是當下大火物理 AI，某種程度上正是世界模型理念的產業延伸。

車需要知道行人下一秒可能出現在哪里，機器人必須判斷要拿起的杯子是否容易碎，這意味著，未來AI競爭的核心，可能不僅是讓機器擁有語言能力，更是讓機器擁有類似生命體的世界認知能力。

需要注意的是，“AI 漸悟派”并不否定算力和數據的意義，但與“AI 頓悟派”認為的智能來源于規模不同，漸悟派們認為智能必須建立在對現實世界的理解之上。

那么，梁文峰是“AI 漸悟派”嗎？

在投資人交流會上，梁文峰明確表示：“很多東西不在我們的主線上面，比如說 3D、視頻生成；又比如說世界模型，我覺得現在跟智能的上限也沒有太大的關系，所以我們不會去做?！?/p>

也就是說，梁文峰并不認為世界模型等熱門方向與提升當下 AI 的智能水平有關。

而至于要做什么的時候，梁文峰稱：“我們只做 AGI 的主線，就是我剛剛說的這個 GPT、CoT、Agent 等等，就只做主線?！?/p>

GPT 解決的是讓模型具備基礎認知和生成能力，CoT 的目標是讓模型具備更強的推理能力，Agent 則是讓模型從回答問題走向自主完成任務。所以，DeepSeek 的主線是從模型能力提升，到推理能力增強，再到更強的自主行動能力，最后達到更高級智能。

可以說在梁文峰眼中，當下的大模型本質上仍然是一種訓練完成后的靜態系統。大模型會回答、會推理，但無法像人一樣持續吸收經驗并據此改變自身。而要對現有模型進行升級，主攻方向自然是更強、更持續的學習能力。

所以梁文峰說：“持續學習先做出來，通用智能（AGI）可能就很容易了?！?/strong>

從這個角度看，梁文鋒的路線有一種類似“閉關修行”的意味。

如果說 Scaling Law 派相信，足夠大的模型終會迎來某種“頓悟”；世界模型派相信，智能必須在現實世界中磨煉；那么梁文鋒選擇的是另一條道路——在進入世界之前，先讓 AI 學會如何學習。

于是，即否定規模自然帶來智能，也不認為現實交互是當前第一突破口，梁文峰真正關注的問題，是 AI 是否具備像生命一樣不斷成長的能力。這也是為什么 DeepSeek 的路線看起來有些反常。在所有人都在爭奪用戶、場景和商業入口的時候，梁文鋒選擇繼續向模型內部探索。

當然，這條道路也存在一個無法回避的問題。如果智慧不能回到現實，它終究無法完成自身。

對于 AI 也是如此。持續學習當然可能是通往 AGI 的關鍵能力。但問題在于 AI 究竟在哪里學習？支撐起物理 AI 概念的，是海量真實數據。即使在 2023 年大模型還處于早期階段，OpenAI 等一眾探索者也意識到了數據質量對模型性能至關重要的影響。

今天的大模型之所以能夠快速提升，并不僅僅依靠算法改進，也依賴互聯網產生的大規模數據、用戶反饋以及真實使用場景。ChatGPT 的能力提升，不只是來自模型訓練，也來自數以億計用戶與 AI 的互動。AlphaGo 的突破，也不僅來自算法，而來自與棋局環境無數次交鋒。Waymo、蘿卜快跑、FSD 的成功，背后是數十億公里的路測和真實道路數據。

所以，如果沒有物理 AI 的真實環境，沒有海量用戶規模帶來的大量反饋，沒有具身智能、自動駕駛的人與機器之間長期互動，持續學習是否只是一個理論上的方向？

這正是梁文鋒路線最大的挑戰。

修行可以讓一個人認識自己，但只有進入人間，才能真正理解眾生。訓練可以讓模型獲得能力，但只有進入世界，AI 才可能真正理解智能。

更重要的是，技術路線決定資源投入方向，而資源投入方向決定資本下注方向。那么問題來了，對于這次投資會上聆聽的一方，投資人的錢，究竟應該投向哪里？

過去幾年資本對于 AGI 的想象，首先建立在 Scaling Law 之上。于是，GPU 成為了新時代的“石油”，數據中心成為新的基礎設施，而大模型訓練則成為通往未來智能的必經之路。投資者相信也許在某一個未知的規模節點之后，機器會迎來屬于自己的“頓悟”。

(英偉達 Ruben GPU，圖源：英偉達官網)

而英偉達的崛起，本質上也是這一信仰的勝利。只因無論最終哪家公司找到 AGI 的鑰匙，至少在那之前，它們都需要更多算力、更大規模的計算和更龐大的訓練資源。

但如果智能并不會僅僅隱藏在參數和算力之中，資本的方向也會隨之改變。另一批人相信，真正的智能無法脫離現實世界。語言可以描述世界，卻不能替代世界本身。因此，未來最重要的資產，可能不再只是訓練模型的數據，而是 AI 與現實交互過程中產生的經驗。

于是，機器人、自動駕駛、具身智能成為新的下注方向。

而梁文鋒的路線，則更加接近智能本身。如果 AGI 的關鍵并不是擁有更多知識，而是擁有不斷學習和自我進化的能力，那么資本尋找的就不再只是一個更大的模型，而是一個能夠持續成長的智能體。

那么，資本也必須從押注賣鏟子的人，轉而下注場內的玩家。

但資本最擔心的問題，也正在這里。

如果智能的誕生不是一次規模躍遷后的突然降臨，而是一場漫長的能力積累，那么資本是否擁有等待這場修行結束的耐心？

畢竟，技術探索可以接受漫長的不確定性，但商業世界很少如此。

過去幾年，AI 產業之所以能夠獲得如此巨額投入，一個重要原因在于各種現有技術路線都提供了相對明確的資本敘事。但假設梁文鋒是對的，模型能力的提升來自漫長的積累，那么企業可能需要經歷幾年甚至更長時間的投入，卻未必能夠獲得市場期待的結果。

因為資本可以接受虧損，但資本無法接受沒有方向的虧損。這也是為什么，AI 產業總被“泡沫論”所包圍。

千年前，釋迦牟尼追尋智慧，但經歷多年苦修最終意識到極端苦行并不是覺悟本身。

千年之后，人類仍在追問同一個問題。