機器之心報道

編輯：楊文、澤南

有關大語言模型的理論基礎，可能要出現一些改變了。

斯坦福發了篇論文，徹底顛覆了「LLM 只是模式匹配器」的傳統論調。

它提出的不是擴展技巧或新架構，而是一個讓模型真正具備推理能力的「協調層」。

論文題目：The Missing Layer of AGI: From Pattern Alchemy to Coordination Physics論文地址：https://arxiv.org/pdf/2512.05765

核心觀點：AGI 的瓶頸在于協調，而非規模

人工智能界正因圍繞大語言模型本質的爭論而分裂。一方面，擴展派認為 LLMs 足以實現 AGI；另一方面，有影響力的批評者認為 LLM「僅僅是模式匹配器」，在結構上不具備推理、規劃或組合泛化能力，因此是死胡同。

作者認為這場爭論建立在一個錯誤的二分法之上，并提出一個顛覆性極強的核心觀點：LLM 的失敗不是因為缺乏推理能力，而是因為我們缺少將其模式與目標綁定的系統。

為了解釋這一點，作者用了一個捕魚隱喻。

海洋代表模型龐大的模式庫，漁夫不用魚餌就撒網，收獲的只是最常見的魚類（訓練數據中的通用模式）。批評者譴責這些未錨定的輸出，但他們觀察到的只是未加誘餌的捕撈所產生的原始統計基線，這不是系統損壞，而是系統在默認模式下的自然表現。

然而，智能行為不僅僅是撒網，它還涉及下餌和過濾。如果誘餌過于稀疏，它就無法吸引特定、稀有的魚，海洋的先驗仍然主導。如果誘餌足夠密集，它傳達了強烈的意圖，轉移了后驗分布，使目標概念壓倒常見先驗；但誘餌并非沒有成本，使用過多的誘餌來確保捕獲是低效的。

在這種觀點中，「缺失的層」就是協調層，它優化了這種權衡：計算轉移后驗所需的精確密度，同時不產生過高成本。

鑒于此，作者提出第三條道路：基礎層加協調層。LLM 是必要的系統- 1 基礎層（模式存儲庫），瓶頸在于缺少系統- 2 協調層，該層將這些模式與外部約束綁定、驗證輸出并維護狀態。

UCCT 理論：推理的相變現象

作者引入了 UCCT（統一認知意識理論）來形式化這一機制。UCCT 最激進的觀點是：LLM 從幻覺到推理的轉變不是一個漸進的、線性的過程，而是一個相變 。

這就像水在達到冰點時會瞬間凝結一樣，當施加給模型的錨定信號達到一個臨界閾值時，模型的行為會發生突變：

低于閾值：模型基于訓練數據的統計學最大似然先驗進行輸出，這表現為無根據的生成或幻覺。高于閾值：目標導向的約束主導了輸出的后驗分布，推理行為被激活，模型表現出受控且可靠的行為。

這種相變的發生由一個物理學式的錨定分數決定，該分數綜合考慮了以下三個關鍵變量：

有效支持：指外部約束（如檢索到的證據、提供的示例、工具的輸出）對目標任務提供的強度和密度。其作用是拉動模型走向目標，有效的錨點越多，分數越高。表征失配：指模型當前的潛在模式（基質）與目標任務或外部約束之間的差異程度。其作用是懲罰模型偏離約束，失配度越大，分數越低。自適應錨定預算：代表在實際操作中，為了達到目標而愿意付出的上下文成本和計算資源。其作用是平衡效率與可靠性，避免為了微小的收益而無限制地投入錨點。

也就是說，幻覺不是模型損壞，而是它在未加誘餌（unbaited）的情況下，簡單地輸出了其模式存儲庫的最大似然先驗；推理則是外部約束將后驗分布從通用的統計模式轉向目標的結果。

因此，只要提供足夠密度的「誘餌」和「漁網」，即協調層的錨定機制，LLM 這個強大的模式基礎層就能被組織起來，執行可靠的推理任務。

架構實現：多智能體協調堆棧

為了將 UCCT 理論轉化為實際的架構，作者構建了 MACI（多智能體協作智能），這是一個協調堆棧，為 LLMs 提供了類似于人類「執行功能」的能力。

MACI 架構通過其三個核心組件，精準地映射并解決了 UCCT 中決定推理相變的三要素：

行為調制的辯論用于最大化有效支持。它讓多個智能體扮演不同角色（質疑者、證據提供者、規劃者）進行辯論，主動檢索、生成和驗證證據，確保審議是多角度且有證據支持的。蘇格拉底式評判 CRIT 用于最小化表征失配。UCCT 中的表征失配 是導致幻覺的根本原因。 MACI 引入了 CRIT 作為專門的蘇格拉底式裁判。CRIT 的核心任務是在推理的每一步中，嚴格審查智能體的提議和論點。它專門查找和過濾那些與事實、先前狀態或任務約束相矛盾的不恰當論點。通過在早期環節就剔除與目標嚴重偏離的聯想式輸出，MACI 積極地最小化了表征失配，從而防止低質量或幻覺性的內容污染推理循環。事務性內存用于優化錨定預算。事務性內存不只是簡單的歷史記錄，它以持久化和事務性方式存儲經過驗證的關鍵中間狀態，避免重復計算和上下文膨脹，實現錨定預算的最優使用。

深度協調模式將推理視為受控過程。智能體進行辯論、交叉檢查、修改方案、提取證據、修復計劃，并跨步驟持續維護狀態，所有這些都由錨定信號指導。這本質上是在底層模式基質之上疊加執行功能 —— 一旦錨定分數跨越閾值，模型的行為就會從聯想式猛然轉向受控式。

論文的核心結論改變了我們對 AGI 路徑的認知：AGI 不會來自于更大的模式之海，它將來自于組織這些模式以形成可靠推理的網、誘餌、過濾器和記憶機制。如果這項技術能夠擴展，LLM 就不再是「自動補全」，而會成為完整推理系統的認知基質。

大語言模型并非通往 AGI 的死胡同，而是實現 AGI 的必要「認知基質」。AGI 的瓶頸不在于 LLMs 的底層模式規模，而在于缺失了一個將這些模式組織和綁定到目標的「協調層」。

作者 Edward Y. Chang 是誰？

本研究唯一作者 Edward Y. Chang（張智威）是斯坦福大學計算機科學系的兼職教授。此前，他曾任加州大學圣巴巴拉分校（UCSB）終身教授。2006-2012 年，他擔任谷歌研究院總監，率先開展了以數據為中心和并行機器學習的研究，并為 ImageNet 項目做出了貢獻。他還曾在香港科技大學和加州大學伯克利分校任職。張智威擁有斯坦福大學計算機科學碩士學位和電氣工程博士學位。

他的研究興趣涵蓋意識建模、生成式人工智能和醫療保健，并因此榮獲多項獎項，例如谷歌創新獎、 XPRIZE 獎等。他還是 ACM 和 IEEE 會士。