---
id: "mb-20261012-34f287"
kind: "deep"
title: "杨立昆苏黎世理工演讲算账：为什么吞下全人类文本的大模型搞不出AGI？"
topic: "杨立昆苏黎世理工演讲算账：为什么吞下全人类文本的大模型搞不出AGI？"
source_type: "generated"
status: "published"
generated_at: "2026-10-12 16:12:26"
frame_type: ["机制"]
legal_anchor_count: 0
transcript_citation_count: 0
---

# 杨立昆苏黎世理工演讲算账：为什么吞下全人类文本的大模型搞不出AGI？

大模型吞下人类四十万年的文字，总数据量才顶一个四岁小孩。

不少人一直指望靠着做大模型、喂合成数据，再加上强化学习，一路冲到通用人工智能。
图灵奖得主杨立昆最近在苏黎世联邦理工学院做了一次演讲。
他觉得这条路走不通。
他当场给台下算了一笔账。

现在的头部大模型，训练用了差不多三十万亿个 token，折合二十万亿个词。
一个 token 算三个字节，整套文本数据量大概是 10 的 14 次方字节。
差不多一百万亿字节。
这是个什么概念？
一个人不吃不喝坐在那里看，要看整整四十万年。
人类文明能写下来的公开文字，基本上全被扫进去了。

读了四十万年的书，大模型该懂常识了吧？
并没有。
它连一张餐桌都收拾不利索，更不知道把水杯推到桌子边上会掉下去摔碎。
你再看一个四岁的小孩。
话都还没说利索呢，在屋里到处跑，能跨过门槛，能堆积木，还会看家长的脸色。
这套生活经验是从哪来的？

杨立昆把小孩接收到的信息也给量化了一下。
四岁小孩醒着的时间，按每天十六个小时算。
人眼连着大脑，大概有两百万根视神经纤维。
每根纤维每秒传输大约一个字节。
靠眼睛看，加上耳朵听和双手摸，一个小孩长到四岁，吸收的感官数据刚好也是 10 的 14 次方字节。

数字完全一样，但里面装的东西彻底不同。
大模型花了几万张芯片算出来的，全都是排成一串的字符。
而小孩四岁前看进脑子里的，是高维度的三维物理空间。
有重力、有光影、有阻力、有碰撞，还有前后相扣的因果。
文字只是人类用来记录现实的压缩工具，带宽低得可怜。
几十万分钟的视频切成文字，信息量可能还赶不上小孩在客厅地上爬半小时。

这也解释了为什么大模型背了全人类的书，依然没有真正的世界模型。
它只是在算词语和词语之间出现的概率，从没碰过真正的物理世界。
光在文字的影子里把模型越做越大，根本补不齐物理现实这块拼图。
机器要想掌握常识，大概没办法只靠在书堆里算概率。
它得先学会像小孩一样，去亲手碰一碰这个世界。

_Rendered by mubei-terminal._