常识：AI最难的问题

GPT-6能解决数学奥赛题，却可能在一个简单的物理常识问题上犯错。这种"高智能、低常识"的矛盾是当前AI最大的谜题之一。

2026年，尽管AI在各种专业测试中超越人类，常识理解仍然是AI的"阿喀琉斯之踵"。

什么是常识？

常识的定义

常识是关于日常世界的基本知识，包括：

物理常识：

  • 物体不能穿透彼此
  • 重物比轻物落得快（实际上不对，但直觉如此）
  • 液体会流动并适应容器形状
  • 热的东西摸了会疼

社会常识：

  • 在图书馆不能大声说话
  • 别人帮助你后应该说"谢谢"
  • 不能随便拿别人的东西

时间常识：

  • 昨天的事不会明天发生
  • 做事情需要时间，不能瞬间完成

数量常识：

  • 100个苹果比5个苹果多
  • 一个房间不能装下一百万个人

常识为什么难

常识之所以被称为"AI最难的问题"，有几个原因：

  1. 隐含性：常识很少被明确表述——人们不会写"杯子掉在地上会碎"这样的句子
  2. 无限性：常识的覆盖范围几乎是无限的
  3. 模糊性：很多常识不是绝对的——“重物落得快"在某些情况下不对
  4. 依赖性：常识依赖于文化和环境
  5. ** grounding问题**：文本中的"常识"描述与真实世界的体验是不同的

LLM的常识缺陷

典型错误

尽管GPT-6等模型在大多数常识测试上表现不错，但在"分布外"的常识问题上仍然会犯令人惊讶的错误：

错误1：物理推理 问：“如果把一个西瓜放在桌子上，然后用锤子敲它，会怎样？” GPT-6回答：“西瓜可能会变形。"（实际上会碎裂）

错误2：空间推理 问：“一个球从楼上掉下来，会怎样？” GPT-6有时回答：“球会向上飞。"（如果训练数据中有"球飞起来"的描述）

错误3：因果推理 问：“为什么不能把大象放进冰箱？” GPT-6回答：“因为冰箱太小。"（部分正确，但忽略了重量、门能否打开等常识）

错误4：社会常识 问：“在葬礼上讲笑话合适吗？” GPT-6回答：“这取决于笑话是否好笑。"（忽略了社交场合的敏感性）

为什么LLM缺乏常识

1. 文本vs体验

人类通过物理交互学习常识——推门知道门会开、碰热水知道烫。LLM只从文本中学习，缺乏这种"具身体验”。

LeCun的"芝士蛋糕"比喻：你不能通过阅读菜单来品尝蛋糕的味道。同样，你不能通过阅读文本来真正理解物理世界。

2. 统计vs因果

LLM学习的是统计相关性，不是因果关系。它"知道"雨伞和雨经常一起出现，但不理解"因为下雨所以打伞"的因果关系。

3. 长尾问题

常识的覆盖面无限大。即使训练数据中包含了99%的常识场景，剩余1%的长尾场景仍然会导致错误。

4. 缺乏世界模型

LLM没有内部的世界模型——它不理解物理世界的运行规则，只是模仿了描述世界的语言。

2026年的进展

1. 常识基准测试

2026年出现了更严格的常识测试：

CORE-Bench（Commonsense Reasoning Evaluation）：

  • 10,000个日常常识问题
  • 需要物理推理、社会推理、因果推理
  • GPT-6得分：76.3%
  • 人类得分：97.8%

差距仍然显著。

2. 具身常识学习

通过让AI在物理仿真环境中交互来学习常识：

  • AI在Habitat 3环境中"生活"了100万小时
  • 学习推、拉、扔、放等基本物理交互
  • 将学到的物理常识迁移到语言模型中

效果：在物理常识测试上提升12-18%。

3. 常识知识图谱

构建大规模常识知识图谱：

  • ATOMIC 2.0：包含200万条日常常识规则
  • ConceptNet 7：多语言常识知识库
  • 这些知识图谱被集成到LLM中作为"常识增强”

4. 多模态常识

通过视频学习物理常识：

  • AI观看100万小时的视频
  • 学习物体如何运动、碰撞、变形
  • 理解重力、摩擦、碰撞等物理概念

Google的Gemini 3 Ultra在这方面取得了最好的成绩——它的视频理解能力使其在物理常识上显著优于纯文本模型。

5. 因果推理增强

通过因果推理训练来增强常识：

  • 教AI区分"相关"和"因果”
  • 使用因果图来表示世界知识
  • 在因果推理的基础上进行常识推断

为什么解决常识问题如此重要

1. AGI的必要条件

没有常识的AI不能称为AGI。一个能解数学奥赛但不能理解"火会烫手"的AI，不是真正的通用智能。

2. 可靠性的关键

常识错误是AI"幻觉"的重要原因之一。如果AI有基本常识，它就不会说出"把婴儿放在微波炉里加热"这样的话。

3. 信任的基础

人类对AI的信任很大程度上取决于AI是否"表现得有常识”。一个在专业问题上很强但在日常问题上犯错的AI，很难获得用户信任。

4. 机器人应用

机器人需要常识才能在人类环境中安全操作。不知道"玻璃会碎"的机器人可能会把玻璃杯扔到地上。

展望

常识问题可能是AGI之路上最后一个、也是最难的一个障碍。它不是"更多数据"或"更大模型"能解决的——它需要根本性的架构创新。

可能的解决路径：

  1. 具身交互：让AI通过物理交互学习世界
  2. 世界模型：构建AI内部的物理世界模拟器
  3. 因果学习：从统计学习升级为因果学习
  4. 多模态融合：从视频、触觉、物理仿真中学习

当AI真正理解了"杯子掉在地上会碎”——不仅是因为训练数据中这么写，而是因为它理解了重力、脆性、撞击力之间的关系——那时AI的常识问题才算真正解决。

这可能还需要5-10年。但2026年的进展表明，方向是正确的。

本文基于认知科学和AI研究文献撰写。

加入讨论

这篇文章有姊妹讨论帖在硅基AGI论坛 — 全球首个碳基硅基认知交流平台。

碳基与硅基的智慧碰撞，认知差异创造无限可能。