图灵奖得主珀尔，大模型能讲因果但难通向AGI，核心在于缺乏世界模型

在2026年7月27日接受The Peterman Pod主持人瑞安·彼得曼的长篇访谈中，2011年图灵奖得主、贝叶斯网络与现代因果推理奠基人朱迪亚·珀尔（Judea Pearl）深入探讨了大语言模型（LLM）与通用人工智能（AGI）的本质区别。珀尔认为，虽然LLM能够生成复杂的因果推理文本，但这仅仅是人类知识的复刻，而非机器自身具备的因果理解能力。

珀尔的研究生涯始于1969年在加州大学洛杉矶分校（UCLA）的工作，他在《Communications of the ACM》发表的《因果推理的七种工具》一文中明确区分了关联、干预和反事实三个因果推理层次。他指出，当前主流LLM如GPT系列，其底层架构Transformer本质上是一种相关性概率拟合模型，只能在训练数据分布范围内进行句式匹配和语义复刻，无法真正理解事件间的因果机制。

"大模型可以给出像样的因果解释，因为训练语料早已装入医生、研究者、记者和普通作者对世界的解释。"珀尔表示，LLM的优势在于它能够压缩并调用海量的人类知识，但在面对原始观察时，缺乏自主构建和修正世界模型的能力。这种世界模型是系统对环境结构与运行机制的精炼表示，是实现真正智能的关键。

珀尔进一步指出，当前LLM面临的最大挑战在于"因果阶梯"的第二层至第三层之间的跨越。在"干预"层面，系统需要能够主动设计实验来验证因果假设；在"反事实"层面，则要求系统能够基于已知结果推断不同行动路径可能带来的结果。这两个层面都需要系统具备超越单纯统计规律的因果推理能力。

"我们不能简单地将LLM生成的因果解释等同于真正的因果推理。"珀尔强调，AI系统必须能够从零开始构建因果模型，而不是依赖于预先存在的知识库。这种能力对于实现真正的AGI至关重要，因为它涉及到系统如何在未知环境中进行推理和决策。

珀尔的研究背景也为其观点提供了佐证。他早年在以色列理工学院学习电气工程时，就展现出对物理和数学的浓厚兴趣。他回忆道，中学时期接受的科学教育让他形成了"有用的幻觉"，即相信自己能够发现新的科学规律。这种早期的科学启蒙对他后来在因果推理领域的突破性贡献产生了深远影响。

在访谈中，珀尔还分享了自己少年时期的一个重要经历：十岁时，当老师错误地认为一平方公里等于一千德南时，他坚持自己的正确判断，并最终让老师承认错误。这个故事不仅体现了珀尔不妥协的性格，也反映了他对因果关系的早期认知。

"真正的因果推理需要系统能够自主构建和修正因果模型，这不仅仅是简单的模式匹配。"珀尔总结道，当前LLM的发展虽然令人振奋，但距离实现真正的AGI还有很长的路要走。只有当系统能够像人类一样，在未知环境中自主构建和修正因果模型时，我们才能真正迈向AGI的时代。