Integral AI 声称其“世界模型”实现了 AGI 突破 | RoboHorizon Robot Magazine

又一周过去，又一个关于实现通用人工智能（AGI）的重磅发布让人屏息。要是你已经患上了严重的“AGI疲劳症”，那也情有可原。但这一次，提出主张的并非硅谷的那些老牌巨头，而是一家名为 Integral AI 的初创公司，其总部设在东京和硅谷，由前 Google AI 的先驱 Jad Tarifi 掌舵。而且，他们不仅仅是承诺一个更大、更好的大型语言模型（LLM），他们声称带来的是一场根本性的范式转变。

Integral AI 宣称创造了世界上第一个“具备 AGI 能力的模型”。在你急着翻白眼之前，需要知道他们的主张建立在一个刻意避开当前 AI 依赖海量数据、蛮力扩展的基础之上。相反，他们提出了一种更像人类学习的系统，预示着机器人将能够独立思考和解决问题的未来。这是一个大胆的宣言，值得我们深入探究其核心。这究竟是真材实料，还是在炒作泛滥的市场中又一次“AGI洗白”呢？

新智能的幕后推手

幕后推手是 Jad Tarifi 博士，他可不是你印象中那种典型的初创公司创始人。他在 Google AI 工作了近十年，创建并领导了其第一个生成式 AI 团队，专注于“想象模型”以及如何从有限数据中学习。他拥有 AI 博士学位和量子计算硕士学位，资历与抱负一样深不可测。

有趣的是，Tarifi 将他的运营中心设在了东京，这是一个经过深思熟虑的选择，源于他坚信日本是全球机器人技术的心脏。这不仅仅是地理偏好，更是一种战略考量。Integral AI 的愿景是实现“具身智能”——让 AI 在物理世界中生活和学习，使机器人技术成为终极试验场。

如果无法定义，就无法构建

或许 Integral AI 声明中最令人耳目一新之处在于其对 AGI 严谨的、工程主导的定义。当 OpenAI 和 Google DeepMind 等巨头经常以宽泛、近乎哲学化的术语谈论 AGI 时，Integral 却为任何声称具备 AGI 能力的系统，设定了三项严格、可测量的支柱：

自主技能学习： 模型必须能够在未知环境中，无需预编译数据集或人工干预，自主学习全新的技能。这对 ChatGPT 等模型构成了直接挑战，因为它们从根本上受限于训练数据。
安全可靠的掌握： 学习过程必须是内在地安全的。Tarifi 用了一个极其简单的比喻：一个学习做饭的机器人，不应该在试错过程中把厨房烧掉。安全必须是一个内置功能，而不是事后仓促打上的补丁。
能源效率： 这才是真正令人拍案叫绝之处。模型学习一项新技能所消耗的能量不能超过人类。这一支柱直指大型 AI 领域中“房间里的大象”：训练日益庞大的模型所造成的完全不可持续的能源消耗。

根据他们 2025 年 12 月的声明，Integral AI 的模型已在一个封闭测试环境中成功满足了这三项标准。如果属实，这无异于一场革命。

世界模型，而非语言模型

那么，他们的独门秘籍是什么？Integral AI 并没有构建大型语言模型。他们正在构建“基础世界模型”（Foundation World Models）。世界模型的概念已经存在了几十年，Jürgen Schmidhuber 和 Yann LeCun 等先驱一直倡导将其作为实现更强大 AI 的关键一步。核心思想是让 AI 构建一个内部的、预测性的环境模拟，使其能够在采取行动之前“想象”其行为的后果。

Integral 的架构灵感来源于人类新皮层，旨在作为一个统一的整体进行抽象、规划和行动，而不仅仅是统计性地预测序列中的下一个标记。该系统使用了其所谓的“通用算子”，其功能类似于科学方法：提出假设，设计实验（如移动机器人手臂），并从结果中学习。这种主动学习过程使其能够在没有庞大、静态数据集的情况下运行。

谜题推动中的证明

当然，空口无凭。目前的证据依赖于几个关键演示。第一个是经典的 AI 挑战：游戏 Sokoban（推箱子）。这个仓库谜题游戏对 AI 来说是出了名的困难，因为它需要长期的规划，一个错误的举动就可能导致谜题在后期变得无解。当前的生成式 AI 在这种状态追踪和逻辑推理方面显然力不从心。Tarifi 声称他们的模型通过与模拟环境交互，从一张白纸（tabula rasa）开始掌握了 Sokoban 的规则和专业级别的策略。

为了证明这不仅仅是游戏，Integral 还展示了一个为 Honda R&D 进行的项目。任务涉及协调复杂的、真实世界的物流和规划系统——本质上，是用真实的供应链和 API 来玩推箱子。其规划能力被拿来与 Google DeepMind 传奇的 AlphaGo 相媲美，但应用场景是混乱、动态的物理世界，而非受限的棋盘游戏。