自从2022年ChatGPT横空出世，大语言模型（LLM）的发展可以说是一日千里、突飞猛进。
不少专家和研究者猜测，这些模型的问世，意味着我们向“通用人工智能”（AGI）迈出了决定性的一步——仿佛人工智能领域70年来的探索终于要画上句号了。而这条路上一个关键的里程碑，就是机器能够展现出“常识”。
对人类来说，常识就是那些关于人和日常生活的“显而易见的事情”。比如，我们从经验中知道玻璃是易碎的，给吃素的朋友端上一盘肉是不礼貌的。但在这一点上，即便是当今最先进、最强大的LLM，也常常让人大跌眼镜。
一名机器人艺术家在2022年英国Glastonbury音乐节上为表演者作画
LLM非常擅长在涉及记忆的测试中拿高分——GPT-4最亮眼的成绩之一，就是通过了美国的医生和律师执业考试。但它依然很容易被简单的谜题绕晕。如果你问ChatGPT“Riley很痛苦，之后她会感觉如何？”，它可能会从一堆选项里挑出“觉察”（aware）作为最佳答案，而不是对人类来说再明显不过的“痛苦”（painful）。
为了弥补这方面的缺陷，很多这类选择题被纳入流行的基准测试，用来衡量AI对常识的掌握。然而，这些问题很少能真正反映现实世界——包括人类对物理定律的直觉理解，以及在社交互动中的背景和语境。所以，要量化LLM有多“类人”，依然是一个悬而未决的问题。
反过来看人类认知，差别就很有意思了。首先，人类善于处理不确定和模糊的情景，满足于一个“令人满意但未必最佳”的答案，很少会消耗大量认知资源去死磕最优解。其次，人类可以在“直觉推理”和“深思熟虑”之间灵活切换，从而更好地应对小概率的突发状况。
AI能不能实现类似的认知能力？我们又怎么确切地知道AI系统是否正在获得这种能力？这就不光是AI或计算机科学的问题了，还需要涉足发展心理学、认知哲学等学科，同时我们也需要对人类认知过程的生物基础有更深入的了解，才能设计出更好的指标来评估LLM的表现。
AI发展出常识，从何时开始？
机器常识的研究，还是要追溯到深度学习领域那个不得不提的时间点——1956年，新罕布什尔州达特茅斯的那场暑期研讨会。那次会议把当时顶尖的AI研究人员聚在一起，随后诞生了基于逻辑的符号框架，用字母或逻辑运算符来描述对象和概念之间的关系，用于构建关于时间、事件和物理世界的常识知识。
举个例子，一系列“如果发生……那么就会发生……”的语句可以被手动编程到机器中，用来教会一个常识性事实，比如“不受支持力的物体会因为重力而下落”。这类研究确立了机器常识的愿景：构建能够像人类一样高效地从经验中学习的计算机程序。从技术角度定义，这个目标就是制造一台机器，在给定一组规则的情况下，“根据已知内容和信息，自行推断出范围足够广泛的直接结果”。
在加州举行的机器人挑战赛中，一个人形机器人向后摔倒
因此，机器常识不仅限于有效学习，还包括自我反思和抽象等能力。从本质上讲，常识需要事实知识，也需要利用知识进行推理的能力。光是记住大量事实是不够的，从现有信息中推断出新信息同样重要，这样才能在新的或不确定的情况下做出决策。
到了20世纪80年代，研究人员开始做早期尝试，希望赋予机器常识和决策能力，主要手段是创建结构化的知识数据库，比如CYC、ConceptNet等项目。CYC的名字来源于“百科全书”（encyclopedia），它不仅包含了事物间的关系，还尝试用关系符号来整合上下文相关的知识。所以，凭借CYC，机器能够区分事实知识（例如“美国第一任总统是乔治·华盛顿”）和常识知识（例如“椅子是用来坐的”）。ConceptNet项目原理类似，也是把关系逻辑映射到一个由三元词组构成的庞大网络（比如“苹果”—“用来”—“吃”）。
然而，无论是CYC还是ConceptNet，都不具备推理能力。常识推理的挑战性在于模糊性——提供更多信息后，情况或问题反而会变得更难确定。比如，要回答“Lina和Michael正在节食，他们来做客时我们要准备蛋糕吗？”这个问题，如果再加上“他们有cheat days”这个事实，答案就变得复杂且难以抉择了。基于符号和规则的逻辑无法处理这种模糊性，甚至靠概率生成下一个token的LLM也无济于事，因为引入关于“cheat days”的额外信息不仅会降低确定性，还会完全改变语境。
AI系统如何应对这种未见的、不确定的情况，将直接决定机器常识进化的速度。我们要做的，就是开发出更好的评估方法来跟踪相关进展。但“衡量常识”这个任务，并没有看起来那么容易。
LLM有常识吗？这很难评
目前评估AI系统常识推理能力的80多项著名测试中，至少75%是多项选择测验。但从统计角度看，这种测验最多也只能给出模棱两可的结果。向LLM提出一个相关领域的问题，并不能揭示模型是否拥有更广泛的事实知识，因为LLM在响应特定查询时，并不会以统计学上有意义的方式从知识库中采样。比如，即使向LLM提出两个非常相似的问题，也可能会得到截然不同的答案。
不涉及多项选择题的测试（比如为图像生成合适的标题）同样很难完全探测到模型的多步骤和常识性推理能力。因此，机器常识相关的测试方案和方法仍需发展，以便更清楚地区分“知识”和“推理”。
有一种方法可以改进当前测试：要求AI解释给出当前答案的理由。比如，一杯咖啡放在室外会变凉，这是常识，但其中的推理过程涉及热传递、热平衡等物理概念。
尽管LLM可能会生成正确的答案（“因为热量逸散到周围的空气中”），但基于逻辑的响应需要逐步的推理过程来解释原因。如果LLM能够用CYC项目开创的那种符号语言复现出正确的原因揭示，我们就更有理由认为，模型不仅仅是通过参考训练语料来查找答案，而是确实发展出了常识推理能力。
另一类开放式测试，就是考察LLM的计划或战略规划能力。想象一个简单的游戏：能量令牌随机分布在棋盘上，玩家需要在棋盘上移动20次，收集尽可能多的能量并将其放到指定的地方。人类不一定能找到最佳解决方案，但常识推理足以支持我们拿到合理的分数。那LLM呢？研究人员测试后发现，模型的表现远远低于人类。从LLM的行为来看，它似乎理解了游戏规则——它可以在棋盘上移动，有时也能找到能量令牌并收集起来，但会犯各种看似愚蠢的错误，比如把能量令牌丢在错误的位置。鉴于LLM会犯这种有常识的人都不会犯的错误，我们很难期待这种模型在解决更混乱的现实规划问题时，能有更出色的表现。
下一步怎么走
为了系统地奠定机器常识的基础，可以考虑采取以下几步：
“把盘子做大”
研究人员需要超越单纯的AI或计算机科学领域的经验，涉足认知科学、哲学和心理学等学科，找出关于人类如何学习、如何应用常识的关键原理。这些原则应该能够指导我们创建能够进行类人推理的AI系统。
拥抱理论
与此同时，研究人员需要设计全面的、理论驱动的基准测试，反映广泛的常识推理技能，比如理解物理特性、社交互动和因果关系。这些基准测试的目标，必须是量化AI系统跨领域概括常识知识的能力，而不是专注于一组狭窄的任务。
超越语言的思考
夸大LLM能力的风险之一，就是夸大了语言的重要性，这让我们与另一个重要愿景脱节——构建能在混乱现实环境中感知、导航的具身系统。DeepMind联合创始人Mustafa Suleyman就认为，实现“有能力”的AI（capable）可能是比AGI更切实可行的里程碑。至少在人类基本水平上，如果要构建具有物理能力的人工智能，具体化的机器常识是十分必要的。然而，目前的AI似乎仍处于获取幼儿水平身体智力的早期阶段。
令人欣喜的是，研究人员已经在以上所有方面取得了进展，但仍有很长的路要走。随着人工智能系统，尤其是LLM成为各种应用的主流，理解人类推理的能力将在医疗保健、法律决策、客服和自动驾驶等领域产生更可靠、更值得信赖的结果。例如，具有社交常识的客服机器人将能够推断出用户的沮丧情绪，即使对方没有明确表达出来。从长远来看，也许机器常识领域的最大贡献，将是让人类更深入地了解自己。
