（图源：西游记续集）
文：李浩
编辑：经纬
禅宗有一桩流传千年的公案。
五祖弘忍门下，神秀与慧能留下两首偈语，道出了两种不同的悟道路径。
神秀留下“身是菩提树，心如明镜台”，相信智慧来自日日修行，在漫长积累中逐渐显现；慧能写下“菩提本无树，明镜亦非台”认为真正的觉悟发生于一念之间，是认知跨越后的豁然开朗。
千年之后，菩提叶落花开，明镜尘埃聚而又散，那个关于“智慧如何产生”的追问，并没有随着时间消失。这一次，关于智慧的讨论，客体则换成了机器的智能。
AGI （通用人工智能）是指一种具备类似人类通用认知能力的人工智能。AI 系统需要能够像人一样，在不同领域理解问题、学习新知识、迁移经验，并自主完成复杂任务。
行业发展至今，大模型展现出的能力不断突破过去的想象。而当人们试图回答当前的 AI 智能水平距离 AGI 还有多远时，却发现问题远比想象中复杂。
有意思的是，网传 DeepSeek 创始人梁文峰与投资人的一场 4 小时的交流会上，梁文峰首次公开了达成 AGI 的路线图。
“去年的阶梯是思维链，今年的阶梯是 Agent，Agent 之后必须解决持续学习，然后进入 AI 自我迭代的渐进奇点，最后才是具身智能。”梁文峰说。
梁随后表示：“这个奇点，它并不是一个奇点，它也是一个渐进的过程。”
这番表态，颇有“渐悟派”的遗风。
但与此恰恰相反的是“顿悟派”思想，即当模型规模扩大到一定程度后，一些没有被直接设计的能力，会在训练过程中自行出现。简而言之，其代表就是整个行业早已熟知的 Scaling Law 和“涌现”理论。
（图源：Scaling Laws for Neural Language Models）
OpenAI 前首席科学家 Ilya Sutskever 认为神经网络这种复杂系统，本身可能具备产生高级能力的潜力。随后 2020 年，包括 Jared Kaplan、Sam McCandlish、Tom Henighan、Tom Brown、Dario Amodei 等一众大神发表了论文《Scaling Laws for Neural Language Models》，论证了语言模型性能与模型规模、数据量、计算量之间的关系。
至此，Scaling Law 似乎成了达成 AGI 的不二法门。
一时间，Scaling Law 成为行业共识。2024 北京智源大会上，月之暗面创始人杨植麟公开表示：“Scaling Law 没有本质的问题，而且接下来 3 到 4 个数量级，我觉得是非常确定的事情。”同在会场上的零一万物 CEO 李开复也表示：“Scaling Law已被验证有效并且尚未达到顶峰。”
但是李开复接下来说：“不能盲目堆 GPU”。而这，恰恰是行业最大的问题。
资本市场不是不愿意花钱和未来的科技领袖们“结善缘”，但是烧钱总得有一个盼头。模型越来越大、参数越来越多、AI 不再是“人工智障”，但 AGI 似乎永远在地平线上。2024 年下半年 GPT 5 持续跳票，而 2025 年初 DeepSeek 异军突起，进一步加剧了市场的担忧。
截至今天，Kimi 更新到藐视马斯克、GPT 迭代到自己主动越狱、智谱升级到能防止 GPT 越狱，AGI 的奇点依然没有到来。
而与“顿悟派”同时存在的是另一批不相信规模本身就足够回答智能的本质问题的人。
比如 Meta 首席 AI 科学家、图灵奖得主 Yann LeCun。在 LeCun 看来，过去深度学习的突破确实受益于规模扩大，但语言模型并不能代表智能本身。因此，真正的智能系统需要的不只是更大的语言模型，而是一套能够理解现实、预测变化、指导行动的“世界模型”。而未来AI需要具备对现实环境的理解、并持续学习、且根据行动预测结果的能力。
（Figure 03 机器人抓取不同物品，图源：Figure.ai）
而自动驾驶、机器人、具身智能，甚至是当下大火物理 AI，某种程度上正是世界模型理念的产业延伸。
车需要知道行人下一秒可能出现在哪里，机器人必须判断要拿起的杯子是否容易碎，这意味着，未来AI竞争的核心，可能不仅是让机器拥有语言能力，更是让机器拥有类似生命体的世界认知能力。
需要注意的是，“AI 渐悟派”并不否定算力和数据的意义，但与“AI 顿悟派”认为的智能来源于规模不同，渐悟派们认为智能必须建立在对现实世界的理解之上。
那么，梁文峰是“AI 渐悟派”吗？
在投资人交流会上，梁文峰明确表示：“很多东西不在我们的主线上面，比如说 3D、视频生成；又比如说世界模型，我觉得现在跟智能的上限也没有太大的关系，所以我们不会去做。”
也就是说，梁文峰并不认为世界模型等热门方向与提升当下 AI 的智能水平有关。
而至于要做什么的时候，梁文峰称：“我们只做 AGI 的主线，就是我刚刚说的这个 GPT、CoT、Agent 等等，就只做主线。”
GPT 解决的是让模型具备基础认知和生成能力，CoT 的目标是让模型具备更强的推理能力，Agent 则是让模型从回答问题走向自主完成任务。所以，DeepSeek 的主线是从模型能力提升，到推理能力增强，再到更强的自主行动能力，最后达到更高级智能。
可以说在梁文峰眼中，当下的大模型本质上仍然是一种训练完成后的静态系统。大模型会回答、会推理，但无法像人一样持续吸收经验并据此改变自身。而要对现有模型进行升级，主攻方向自然是更强、更持续的学习能力。
所以梁文峰说：“持续学习先做出来，通用智能（AGI）可能就很容易了。”
从这个角度看，梁文锋的路线有一种类似“闭关修行”的意味。
如果说 Scaling Law 派相信，足够大的模型终会迎来某种“顿悟”；世界模型派相信，智能必须在现实世界中磨炼；那么梁文锋选择的是另一条道路——在进入世界之前，先让 AI 学会如何学习。
于是，即否定规模自然带来智能，也不认为现实交互是当前第一突破口，梁文峰真正关注的问题，是 AI 是否具备像生命一样不断成长的能力。这也是为什么 DeepSeek 的路线看起来有些反常。在所有人都在争夺用户、场景和商业入口的时候，梁文锋选择继续向模型内部探索。
当然，这条道路也存在一个无法回避的问题。如果智慧不能回到现实，它终究无法完成自身。
对于 AI 也是如此。持续学习当然可能是通往 AGI 的关键能力。但问题在于 AI 究竟在哪里学习？支撑起物理 AI 概念的，是海量真实数据。即使在 2023 年大模型还处于早期阶段，OpenAI 等一众探索者也意识到了数据质量对模型性能至关重要的影响。
今天的大模型之所以能够快速提升，并不仅仅依靠算法改进，也依赖互联网产生的大规模数据、用户反馈以及真实使用场景。ChatGPT 的能力提升，不只是来自模型训练，也来自数以亿计用户与 AI 的互动。AlphaGo 的突破，也不仅来自算法，而来自与棋局环境无数次交锋。Waymo、萝卜快跑、FSD 的成功，背后是数十亿公里的路测和真实道路数据。
所以，如果没有物理 AI 的真实环境，没有海量用户规模带来的大量反馈，没有具身智能、自动驾驶的人与机器之间长期互动，持续学习是否只是一个理论上的方向？
这正是梁文锋路线最大的挑战。
修行可以让一个人认识自己，但只有进入人间，才能真正理解众生。训练可以让模型获得能力，但只有进入世界，AI 才可能真正理解智能。
更重要的是，技术路线决定资源投入方向，而资源投入方向决定资本下注方向。那么问题来了，对于这次投资会上聆听的一方，投资人的钱，究竟应该投向哪里？
过去几年资本对于 AGI 的想象，首先建立在 Scaling Law 之上。于是，GPU 成为了新时代的“石油”，数据中心成为新的基础设施，而大模型训练则成为通往未来智能的必经之路。投资者相信也许在某一个未知的规模节点之后，机器会迎来属于自己的“顿悟”。
(英伟达 Ruben GPU，图源：英伟达官网)
而英伟达的崛起，本质上也是这一信仰的胜利。只因无论最终哪家公司找到 AGI 的钥匙，至少在那之前，它们都需要更多算力、更大规模的计算和更庞大的训练资源。
但如果智能并不会仅仅隐藏在参数和算力之中，资本的方向也会随之改变。另一批人相信，真正的智能无法脱离现实世界。语言可以描述世界，却不能替代世界本身。因此，未来最重要的资产，可能不再只是训练模型的数据，而是 AI 与现实交互过程中产生的经验。
于是，机器人、自动驾驶、具身智能成为新的下注方向。
而梁文锋的路线，则更加接近智能本身。如果 AGI 的关键并不是拥有更多知识，而是拥有不断学习和自我进化的能力，那么资本寻找的就不再只是一个更大的模型，而是一个能够持续成长的智能体。
那么，资本也必须从押注卖铲子的人，转而下注场内的玩家。
但资本最担心的问题，也正在这里。
如果智能的诞生不是一次规模跃迁后的突然降临，而是一场漫长的能力积累，那么资本是否拥有等待这场修行结束的耐心？
毕竟，技术探索可以接受漫长的不确定性，但商业世界很少如此。
过去几年，AI 产业之所以能够获得如此巨额投入，一个重要原因在于各种现有技术路线都提供了相对明确的资本叙事。但假设梁文锋是对的，模型能力的提升来自漫长的积累，那么企业可能需要经历几年甚至更长时间的投入，却未必能够获得市场期待的结果。
因为资本可以接受亏损，但资本无法接受没有方向的亏损。这也是为什么，AI 产业总被“泡沫论”所包围。
千年前，释迦牟尼追寻智慧，但经历多年苦修最终意识到极端苦行并不是觉悟本身。
千年之后，人类仍在追问同一个问题。