抽象化障礙

資料來源#

From AGI to ASI

摘要#

抽象化障礙（由 Lerchner 於 2026 年在 "From AGI to ASI" 報告中提出）是一項假說：主要以人類認知產物訓練的 AI 系統，可能會受既有人類概念框架所限——它們擅長吸收並重組人類已經提取出的概念，卻缺乏從原始、高維度資料中發現真正新穎概念原語的機制。在六項摩擦因素中，報告認為這一項最可能是根本性（而非僅僅造成減速）的阻礙——不過，即使它將任何單一實例的能力上限限制在 AGI 附近，集體 ASI仍可能可以實現。

核心論點#

今日的典範擅長重組已經轉譯為符號的概念，以建立隱含的預測性世界模型。但尚未解決的問題是：它能否超越這些邊界——還是 AI 表面上的超人能力「完全來自超人的速度與記憶」。報告提出的思想實驗是：

如果基礎模型接受相同的龐大 token 數量訓練，但內容限定為牛頓之前、工業化之前的科學知識，它會有什麼能力？在缺乏微積分、萬有引力或電磁學等原語的情況下，它似乎極不可能僅靠推理得出廣義相對論或量子力學。

目前的模型「缺乏從零開始發現力或因果性概念的機制」。它們透過攝取由某種智慧（我們）產生的資料來繼承這些概念；這種智慧透過跨越數千年、緩慢而互動、遍及整個社會的發現過程，從非語言資料中提取出新穎概念。依此觀點，**基準測試快速飽和反映的是在人類定義、由人類驗證的邊界內達到精通**——而不是一條會以接近人類推理能力的相同速度超越人類推理的發展軌跡。這直接挑戰了「預訓練 ≈ 通用壓縮」的樂觀論點：這道障礙是今日典範與 AIXI 理想之間一項候選的實際*落差。

具身瓶頸#

如果真正的 ASI 需要具備基礎的概念發現——從原始感測器資料中抽象出穩定的新穎原語——那麼它就必須克服具身瓶頸：新穎概念及其操作規則，必須以物理現實驗證，才能有助於改善現實世界的預測。AI 也許能以數位速度假設新定律，但確認這些定律是受物理延遲限制的實證問題——化學反應速率、操縱質量的速度，以及不可能在長時間範圍內以足夠精確度模擬新穎生物或天氣（ASI 的根本限制中「即時性」與「物理操縱」條目所述的限制）。

結果：抽象化障礙將一種物理且線性的減速注入遞迴自我改進迴圈——可能使智慧成長速度受限於實證科學的速度，而非計算擴展的速度。通往 ASI 的道路，於是可能需要轉向這類系統：從原始感測器資料形成新穎抽象，並透過主動且具身的互動來精煉世界模型（也就是互動式學習／RL 典範轉移）。

與具身因素的連結#

這道障礙與 N. Lawrence 的論點相呼應（見數位智慧的優勢）：人類的低 I/O 頻寬（高「具身因素」）迫使人類建立深層抽象；相較之下，高頻寬的數位智慧可能不需要——因此也可能不會獲得——這項能力。優勢本身（頻寬）可能正是限制的來源。

開放問題#

當前以人類資料進行大規模預訓練的典範，是否根本上受人類概念框架限制？限制程度有多大？（報告開放問題 1i。）
具身瓶頸是否會將智慧成長速度降低至實證科學的速度？這能否建模？
能否建立一個從原始感測器資料進行具身概念發現的系統？集體 ASI 是否能繞過個體上限？

資料來源#

From AGI to ASI — 第 5.5 節（「The abstraction barrier」）、表 4；Lerchner（2026）

抽象化障礙

資料來源#

摘要#

核心論點#

具身瓶頸#

與具身因素的連結#

相關連結#

開放問題#

資料來源#