夜雨聆风一、我们以为AI很聪明，其实它一直在"裸泳"
2026年第一季度，全球AI领域投资总额突破800亿美元，创下历史新高。Gartner预测，2026年全年AI支出将达到2.52万亿美元，同比增长44%。科技巨头们的算力军备竞赛仍在加速——微软、谷歌、Meta、亚马逊单是资本开支就已逼近4000亿美元。
与此同时，2026年5月6日，某高速公路，一辆刚刚提车6天的智驾车，在高速上以108km/h的时速行驶——直到距离前方静止的抢修施工车仅剩9米时，它的智驾系统才开始制动。车速仅从108降到97，然后径直撞了上去。车辆当场报废，后排乘客双臂粉碎性骨折。
厂家事后的回应，白纸黑字写在一行小字里：用户手册明确标注，系统"无法识别静止物体"。
这一幕，是一个极具隐喻性的注脚：人类往AI里砸了全球几乎所有的钱，却仍然换不来它对广告牌和真车之间区别的基本判断。
我们以为自己在见证AGI（通用人工智能）的前夜，我们实际上看到的是：一个记忆力超群、表达力流畅、但从未真正"活过"的智能体，在用概率重建世界的过程中，一次次暴露它对这个世界根本性的无知。
《世界模型——AI尚未理解的真实世界》这本书，给了这种无知一个精确的名字：脚手架缺失。
二、三层脚手架：人类智慧的地下工程
书的作者提出了一个我认为极为精准的框架：人类的智慧，并非凭空涌现，而是通过一套由外而内、逐层搭建的"世界模型脚手架"站立起来的。
第一层：身体脚手架——用骨骼敲出来的因果直觉
一个两岁的孩子，不需要任何教材，就能知道：
·松手，球会掉下去
·撞到桌角，会痛
·水倒太多，会溢出来
·别人皱眉，通常不是好事
这些"常识"，不是父母教的，是身体与环境数十亿次碰撞之后，大脑自动提取出来的因果规律。每一声哭、每一次跌倒、每一块被塞进嘴里的食物，都是一次真实世界的反馈训练。
这一层的关键词是：具身、代价、因果。痛过，才知道火会伤人；摸过，才知道水是凉的。这些感知，构建了人类理解世界的物理底座。
第二层：社会脚手架——用冲突磨出来的抽象能力
人类从来不是独居动物。从部落时代开始，我们就需要理解：
·别人在想什么（心智理论）
·规则为什么存在（道德与法律的起源）
·如何通过语言协调行动（协作与背叛的博弈）
·什么是"得体"，什么是"过分"（社会规范的隐性编码）
这一层，是人类区别于所有已知动物的核心能力。孩子在幼儿园里的每一次抢玩具、每一次"他不跟我好了"、每一次"老师说他不对"，都是在进行高强度的社会模型训练。
第三层：想象脚手架——用语言在脑中盖一座未来之城
当身体和社会经验足够丰富，人类发展出了最神奇的能力：在脑中预演"如果……那么……"。
·“如果明天老板问我这个项目，我就这样说……”
·“如果我跟他说清楚我的感受，关系会不会改善？”
·“如果当初我选了另一份工作，现在会不会更好？”
这种能力，让人类可以进行跨时间、跨情境的规划，成为地球上唯一有能力系统性地"预测未来并提前行动"的物种。
三、AI的困境：跳过一二层，直接在三层"硬起飞"
现在，回到AI。
大语言模型（LLM）的本质是什么？是用海量文本，训练出一个能预测下一个token的概率模型。
它的训练材料，是人类写下的文字。文字是什么？是人类三层脚手架建立之后，最终"结晶"出来的输出物——是想法的倒影，是经验的语言外壳。
AI拿到的是第三层（文字），试图从中反推第一层（物理直觉）和第二层（社会规则）。
这就好比：
一个人从未见过水，却读完了全世界所有关于游泳的书。他可以在论文里引用标准泳姿的力学分析，能流畅地解释自由泳和蝶泳的技术差异，但你把他扔进两米深的泳池，他第一秒就会往下沉。
这就是当前AI的真实处境：它在文本世界里游刃有余，在物理世界里寸步难行。
一个孩子用三年时间，在真实世界里摸爬滚打，建立起对重力、摩擦力、体积、重量、他人意图的直觉。而全球最强大的AI，消耗了不知多少倍的数据和算力，在"一个杯子和一个苹果哪个重"这样的常识问题上，仍然会给出令人啼笑皆非的答案。
这就是当前AI的真实处境：它在文本世界里游刃有余，在物理世界里寸步难行。
四、为什么说"人依然是世界的主角"
这里有一个令人深思的反差：
一个五岁的孩子，可以完成以下所有事情，且无需任何人提醒：
知道门后面的猫不会自己消失，它只是走开了
理解"假装"和"说谎"的区别
预测妈妈今天心情不好，不要在这个时候要玩具
知道"所有的鸟都会飞"是错的（企鹅、鸵鸟）
在陌生的环境里，迅速判断危险并做出反应
而一个耗资数十亿美元训练的大模型，在上述每一个问题上，都可能出错。
这不是AI研究者的失败——恰恰相反，这是对人类智慧真正深度的致敬。
人类孩童在几年内自然完成的常识建立，消耗了地球生物数十亿年进化的成果：直立行走解放双手带来的精细触觉、漫长的幼年期让大脑有足够时间通过游戏建立世界模型、社会化抚养让人类从小就在高密度的人际互动中成长。
AI缺少的，不是更多的参数，而是身体、社会和时间的共同浇灌。
这意味着什么？
第一层脚手架的缺失，让AI缺乏真正的物理直觉。它不知道"推"和"拉"的区别在现实中的真实手感，不知道什么情况下物体会"弹起来"而不是"滑出去"。
第二层脚手架的缺失，让AI缺乏真正的社会直觉。它可以分析一段对话中的情绪词汇，但无法真正"感受到"那个情境下当事人的处境；它可以列举道德原则，但在真实的道德困境面前，它的"判断"本质上是人类价值观的统计平均，而非内生的伦理能力。
第三层——语言——AI做得很好，甚至超越了大多数人。但孤立的语言，不是智慧。
五、世界模型AI：一条真实存在但极其漫长的路
书中并没有止步于批判，它指出了一个方向：世界模型AI（World Model AI），才是真正通往通用智能的路径。
这个方向的本质，是让AI不再只处理"符号"，而是像人类一样，通过与世界的交互，建立起对世界的内部表征。
这意味着：
具身AI：让AI拥有某种形式的身体，通过与物理世界的直接交互来建立因果直觉
社会模拟：让AI在多智能体环境中学习协作、博弈与社会规范
持续学习：让AI像人类一样，能够在有限数据的基础上进行快速、小样本学习
这条路，有多难？
人类用了数百万年，从单细胞生物演化出拥有三重大脑的哺乳动物，再演化出拥有高度社会性和语言能力的人类。
一个孩子用三年时间，在真实世界里建立起了连全球最强大的AI都无法复制的常识体系。
这不是一个技术问题，这是一个时间问题——甚至可能是一个哲学问题。
人类或许终将造出真正的世界模型AI，但那一天的到来，可能远比我们今天乐观的预测要远得多。
六、写在最后：我们应该害怕吗？不必。但应该清醒
读这本书，最让我触动的，不是对AI局限性的分析，而是一种深沉的对人性的重新敬畏。
我们太容易把"聪明"等同于"会做数学题"“会写代码”“会回答问题”，以至于忘记了：人类真正的智慧，从来不是来自书本，而是来自我们活过的每一秒。
每一次跌倒，教会我们重力和平衡。
每一次争执，教会我们人心和规则。
每一次在深夜里的辗转，教会我们恐惧、希望和意义。
这些，是任何文字档案都无法完整编码的东西。
AI可以在三秒内读完人类有史以来所有的哲学著作，但它永远无法替代你昨晚睡不着时，独自面对自己内心的那场沉默。
所以，看清楚AI的边界，不是为了贬低它，而是为了更准确地找到人类应该站的位置：
我们不是要和AI竞争"谁更会写文案"，那是用我们的业余爱好去碰别人的专业领域。
我们真正的不可替代性，在于我们拥有AI永远无法复制的那三层脚手架——我们活过，我们痛过，我们爱过。
这是我们的局限，也是我们的特权。
