人工智能通才别靠把各模态用胶水粘上。修车解绳做饭不能化成纯符号操作。2026年下一词很像人，不等于有物理世界模型。棋类走法可反推棋盘，自然语言推不出完整物理。分模态预训练再缝合，概念会在各解码器里打架。具身交互才是主问题。只考语言不能叫已经通用。

人工智能语言很通，痛点在身体不在场

通才定义若只谈语言，会漏掉必须站在世界里才能解的题。需要的是嵌在某种物理世界模型里的智能。下一词目标最惊人的是：从没像人那样看过世界，却能说出很像理解的话。一种解释是语言镜像了实在结构，模型在预测中诱导出世界模型。奥赛罗式实验能从合法走法的隐状态读出棋盘，但走法在符号里是完备的，扫地开车在纸上并不完备。

句法管结构，语义管字面意思，语用管场景和意图。人能造「无色的绿念头狂怒地睡觉」这种合句法无语义的句子，也能对「能把盐递给我吗」只答「能」。冰箱在苹果里，句法合法，对过现实尺寸就崩。没感知过世界的系统，可以把语义塞进更细的句法范畴，为每一种合法组合单开规则——语料够大时学得动，但不是把握世界。

苦涩教训常被误读成「任何结构都不要」。卷积的平移、注意力的远距离、三维高斯的固体，都是人对数据的结构直觉，而且赢过了当时的无结构替代。规模路线在语言和图像上能走，因为数据矿现成；通才需要的具身数据没有同等矿藏。于是有人把窄模态的通才模型相加。问题是：模态之间的联系被不自然地切断；早期用对比把图文动作拧到同一点，一对多关系装不下；现在虽不那么死，但仍把所有知觉编进同一潜空间，细节靠各解码器补。意思不在向量里，在解码怎么用这个向量。编码器还带着各自目标，概念很难一致。

人的读、看、说、动是重叠的认知结构。把图像和文字从架构上拆开，模型甚至看不见自己在写的字，数不清词里有几个字母。规模路线还在复制人类概念的成品，而不是学会从少量经验里长新概念。要把模态处理变成涌现：同一套知觉吃图文视频，同一套行动产文字、操作和导航。

人工智能通才路线2026五步：先把物理任务写进定义，再决定还要不要胶水

1. 通才验收必须含物理场景题。只考语言，不准叫已经通用。
2. 序列预测高分不得直接写成世界模型。要能预测物理下一状态，或承认只是符号模型。
3. 分模态预训练再拼接，要测跨解码器概念是否一致。不一致，方案作废。
4. 结构假设要写明。禁止用苦涩教训当「什么都不要设计」的挡箭牌。
5. 具身数据要从交互里长，不要只靠把现成图文矿拼大。

表里的「世界模型」指能根据历史状态预测物理下一状态的东西，不是「会回答比面包盒大不大」。启发式袋可以把合法走法学得很像，却在没见过的棋局里破。语言同理。

两处只有对着真实操作才清楚。其一，数自己写的字失败，是架构把视觉和文字拆开的症状，不是数据再少两个量级。其二，上下文里能玩的新概念，一离开训练分布就薄。通才要的是从经验里长概念的能力，不是把现成概念背得更全。

建设者该把具身交互写成通才主问题，把模态当涌现而不是零件清单。管规划的人，该拒收「把视听动作三个通才模型一加」且没有物理任务的路线图。没有物理题，通用是广告。

结论：人工智能要通用，先站在世界里把题解完，而不是把各模态的高分缝成一张脸

物理任务进定义。下一词不是世界模型。拼接要查概念账。结构可以有。模态从交互里长。仍只堆语言和图像，修车解绳会在第一分钟揭穿。

奥赛罗式读出能从合法走法的隐状态还原棋盘，是因为走法在符号里已经完备。扫地、开车、解绳在纸上并不完备，下一词启发式袋可以把话学得很像，却在没见过的物理布局里破。数自己写的字失败，是视觉和文字在架构上被拆开的症状，不是再堆两个量级数据就能好。通才要的是从少量交互里长新概念，不是把现成概念背得更全。具身数据要从交互里长，不要只靠把现成图文矿拼大。

你下次听通才时间表，先问物理任务怎么测、模态是涌现还是胶水；两问答不上，时间表先不要信。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源