The Key Thing Human Brains Have That AI Is Trying To Learn

人类学下棋只需看几局，AI 却要学几万盘。顶尖研究者认为，缩小这个差距最靠谱的路径是"世界模型"——让 AI 像我们一样，先在脑子里"想象"再行动。

• 样本效率是 AI 当前最头疼的问题之一：人类学一个新游戏或新技能，往往试几次就会了；而最先进的 AI 模型，学同样的事通常需要几万条数据。
• 研究者把智能分成两个维度：每瓦特智能（算力效率）和每样本智能（数据效率）。后者说的是：多给你一条训练数据，你能变聪明多少？
• 人类在样本效率上碾压 AI 的典型例子是RKGI 测试题——大多数成年人想一想就能解，但当今最前沿的 AI 系统基本做不出来。原因不是 AI 读的数据少，而是它不会像人一样"举一反三"。

• 最极端的样本效率是零样本——听起来荒谬，但人类早就做到了。例子是牛顿力学：NASA 发射火箭去拦截小行星，提前几年算好轨迹，火箭自己飞过去就行，不需要从环境里收集任何新样本。
• 这靠的是模型预测控制：用完美的物理世界模型（F=ma），在数学上算出最优路径，然后执行。如果 NASA 得先发射一百万次火箭才能学会怎么登月，阿波罗计划根本不可能成功。
• 人类大脑里也内置了这种能力：1967 年一项经典研究发现，三组人练篮球上篮——实际练习的那组一小时进步 24%，蒙眼想象上篮的那组进步了 23%。这说明我们的大脑已经有一个极其强大的"世界模型"，能靠想象来训练自己。

• 一个简单的控制问题：让无人机降落在平台上。已知无人机质量、重力、推力，用牛顿力学写出状态转移函数（世界模型），然后用凸优化求解——一步到位，不需要任何学习。
• 但一旦加入对手（比如另一架无人机来撞你），问题就变成随机、非可微的——你不知道对方下一步会干什么，没法用数学求导。这时就掉进了强化学习的坑：需要大量采样、估计价值函数、训练策略。
• 强化学习的核心就是在非可微、随机环境下，通过反复试错来学习最优策略。世界模型的作用，是把状态、动作、奖励联合建模，让策略更聪明。

• 围棋的状态空间是 19×19 的棋盘，每个位置可以是黑、白、空，状态数约 3^361（比宇宙原子数还多）。但它的动作空间只有 361（下在哪），相对可控。
• AlphaGo 的做法：用深度神经网络同时输出落子概率和局面价值，然后用蒙特卡洛树搜索做测试时规划——每走一步，要模拟 800 次、每次展开约 30 步，总共调用模型约 24,000 次，才能选出一个动作。
• 这个方法的三个致命限制：1）动作空间必须很小（围棋 361 已经到极限）；2）环境必须确定且不变（规则不会变）；3）不能实时——AlphaGo 每步要思考 60 秒，这在开车时所有人都死了。
• 如果围棋棋盘变成 1000×1000，动作空间就是 100 万，同样的方法需要6000 万次模型调用才能走一步——完全不可行。

• 自动驾驶的状态空间是无穷大（路况、天气、行人、其他车……），但通过卷积神经网络压缩到隐空间，问题可控。真正的难点在动作空间：方向盘 360 度 × 刹车/油门各 10 级 = 36,000 个动作，比围棋大 100 倍。
• 更糟的是，大多数公司没有"动作标签"——只有特斯拉有海量的方向盘、刹车、油门数据（来自自家车队），其他人只能从 YouTube 视频里学，但视频里只有画面，没有"当时司机做了什么操作"。
• 模型无关 RL（如行为克隆）就是直接从状态预测动作，不需要世界模型。这类似 LLM 的"下一个 token 预测"，简单但天花板低。
• 模型基 RL 则多了一个世界模型（预测下一个状态），能进行测试时规划，策略更强，但推理更慢。研究者认为，这才是通往 AGI 的路——人类大脑的进化史就是一部"世界模型"升级史：1000 万年前的"大脑皮层大扩张"，让我们的祖先从蜥蜴脑进化出能模拟未来的新皮层，这才是我们比蚂蚁聪明一万倍的原因。

"完美的样本效率是零样本——听起来荒谬，但牛顿力学就是：你不需要发射一百万次火箭才知道怎么登月。"

• 做 AI 产品的，别只盯着模型参数和训练数据量：样本效率才是真正的瓶颈。谁能用更少的数据学会新任务，谁就能在数据稀缺的垂直领域（医疗、法律、制造）建立壁垒。
• 世界模型是"少样本学习"的关键：如果你在做机器人或自动驾驶，别只做行为克隆（从状态到动作的直接映射），加上一个能预测"如果我这么做，世界会怎样"的模型，能大幅提升泛化能力。
• 测试时规划的成本是硬约束：AlphaGo 式的蒙特卡洛树搜索在动作空间小、环境确定时有效，但到了现实世界（大动作空间、随机环境、实时要求），必须找到更高效的规划方法——比如在隐空间里做规划，或者用扩散模型一次性生成多条轨迹。这是当前最活跃的研究方向之一。