语言不是世界：AI 下一步要补的，可能是“现实感”
Language is not the world上一篇写到杨立昆对 LLM 的质疑。
他的核心提醒是：
会说话的 AI，不一定真的理解世界。
这个观点让我很有共鸣。
因为语言本身就是有边界的。
很多东西无法被语言完整表达。
你可以描述一个空间为什么舒服，但描述不是你身体待在那个空间里的感受。你可以解释一段音乐为什么动人，但解释不是那个音色、节奏和停顿本身。你可以说一个设计“高级”，但真正的判断常常来自比例、材质、留白、节奏和经验。你可以写下“我很孤独”，但这句话永远不能完整承载孤独本身。
语言很强大。
它是人类文明最重要的压缩工具之一。
但语言不是经验本身。
这也是为什么，现在 AI 研究里有一批方向，都在试图回答同一个问题：
如果语言不够，AI 还需要补什么？
我最近看到几个关键词，觉得很值得放在一张地图里理解。
第一个是 symbol grounding，符号接地。
简单说，就是一个词怎么真正连接到世界。
比如 AI 知道“杯子”这个词，它真的理解杯子吗？
如果它只是在文本里学到：
杯子可以喝水。杯子会碎。杯子放在桌上。杯子可能掉下来。
这当然是一种知识。
但“杯子”真正接到现实世界，还包括视觉、形状、重量、材质、大小、抓取方式、是否装水、掉落后会发生什么。
如果一个系统只是用词解释词，用符号解释符号，它可能会形成一个漂亮的语言网络，但意义并没有真正接到世界上。
这就是 symbol grounding 关心的问题：
语言符号如何从世界中获得意义？
第二个是 embodied AI，具身智能。
具身智能强调：智能不是只发生在语言里，也不是只发生在抽象大脑里。
人类理解世界，是通过身体、感官、行动、环境和反馈完成的。
我们理解“重”，不是只因为知道这个字，而是因为身体举过重物。我们理解“远”，不是只因为知道距离单位，而是因为身体走过路。我们理解“紧张”，不是只因为知道定义，而是因为身体真的体验过心跳、呼吸和压力。
很多知识不是显性语言，而是身体经验。
这也是为什么弹琴、运动、设计判断、亲密关系里的微妙变化，都很难被语言完整讲清楚。
一个真正进入现实世界的 AI，可能不能只读文本。
它需要看、听、移动、试错、接收反馈。
第三个是 world models，世界模型。
世界模型可以理解成：
AI 内部要有一个关于“世界如何变化”的模型。
不是只预测下一个词，而是预测接下来会发生什么。
比如看到桌边的杯子。
普通识别模型可能会说：这里有一个杯子。语言模型可能会说：杯子靠近桌边，可能会掉。更强的世界模型应该能判断：如果有人碰到桌子，杯子可能掉下去；如果杯子是玻璃材质，可能会碎；如果目标是避免损坏，应该先把它移到更安全的位置。
也就是说，世界模型关心的不是“怎么说”，而是“事情会怎么发展”。
这对机器人、自动驾驶、工业系统、空间计算都很重要。
第四个是 spatial intelligence，空间智能。
这是李飞飞现在特别关注的方向之一。
空间智能关心的是：AI 能不能理解三维世界。
物体在哪里？它们之间是什么关系？从不同角度看会发生什么变化？一个人如何在空间中移动？一个动作会如何影响周围环境？
今天很多 AI 很会处理文字和二维图像，但真实世界是三维的、连续的、动态的。
如果 AI 要进入 AR/VR、机器人、自动驾驶、家居空间、建筑设计、游戏世界，它就不能只“看见一张图”，而要理解空间结构。
第五个是 VLA，vision-language-action model。
这个词可以拆开理解：
vision：看见。language：理解语言指令。action：采取行动。
也就是说，AI 不只是看图和回答问题，而是要把视觉、语言和动作连起来。
比如你对机器人说：
“把桌上的红色杯子拿到水槽旁边。”
它需要看见桌子、识别红色杯子、理解你的语言、规划路径、控制手臂、抓取杯子、避开障碍、放到指定位置。
这不是一个纯语言任务。
它是视觉、空间、动作、反馈的综合任务。
第六个是 human-compatible AI，或者说更适合与人协作的 AI。
这条线关注的是：
AI 不只是完成任务，还要理解人的目标、约束、偏好和合作方式。
因为现实里的任务很少是完全清楚的。
用户说“帮我整理一下”，到底整理到什么程度？用户说“做得高级一点”，高级是什么意思？用户说“帮我处理这件事”，哪些可以自动做，哪些必须先问人？
一个真正有用的 AI，不只是聪明，还要可控、可信、可解释、可交接。
它需要知道什么时候该行动，什么时候该确认，什么时候该停下来，什么时候必须把判断权交还给人。
这几个方向看起来很学术，但对做产品其实很有启发。
它们共同指向一件事：
AI 的下一步，可能不是更会聊天，而是更能被现实约束。
好的 AI 产品不应该只是语言机器。
它应该理解任务、理解场景、接触真实上下文，并产出可验证的结果。
比如做一个钢琴练习产品。
如果用户只输入“我弹不好”，AI 很难真正理解发生了什么。
更有价值的上下文可能是：
音频。视频。节拍。曲谱位置。老师批注。练习历史。错误片段。手型和触键。
因为弹琴不是语言问题。
它是身体、听觉、节奏、力度和反馈的问题。
再比如做一个人生信息整理工具。
如果 AI 只是生成一段“你应该整理账户和文件”的建议，价值有限。
真正有价值的是结构化、可交付、可验证：
账户在哪里？文件在哪里？谁可以联系？哪些信息缺失？哪些事情优先？最后能不能导出一份别人真的看得懂、用得上的文档？
这就是从“会回答”走向“能交付”。
所以，我现在判断 AI 产品时，会少问一句：
它用了哪个模型？
多问几句：
它接触到了什么真实数据？它理解的是语言，还是任务场景？它的输出能不能被验证？它能不能行动？行动的边界在哪里？失败后能不能修正？哪些地方必须保留人类判断？
很多时候，AI 产品真正的差异不在模型名，而在 grounding。
也就是，它到底有没有被现实约束住。
语言很强大，但语言不是世界。回答很有用，但回答不是行动。生成很惊艳，但生成不是可靠交付。
未来的 AI 也许不只是一个更会说话的模型。
而是一套能理解目标、进入场景、接触现实、采取行动，并在反馈中修正自己的系统。
这也是我觉得这些研究方向值得关注的原因。
它们不一定马上变成一个新工具。也不一定立刻对日常效率最有用。但它们会帮我们理解：
AI 的边界在哪里。下一阶段的机会在哪里。以及，为什么真正好的 AI 产品，不能只停留在“说得很像懂了”。