为什么大语言模型无法独立完成物理世界的理解？

有一次我随口问大模型：“杯子在桌边，轻轻往前推一点会怎样？”它答得特别顺，什么重心、惯性、掉落风险，一套一套的。可我越听越别扭——它说的是“听起来很像对”的话，不是它真看见了杯子和桌面的相对位置。那种感觉就像，你在跟一个读过无数说明书的人聊天，对方能把物理课本背给你听，却从没真正摸过那个杯子。

这大概就是大语言模型很难独立完成物理世界理解的根子。它的强项是接语言的龙：根据已经出现的词，去猜下一个最可能的词。写文章、翻译、拆任务，它都挺在行。可物理世界要的不是“像样的句子”，而是“接下来状态会怎么变”——物体在哪、推力会不会让它越过桌边、旁边有没有遮挡、动作之后场景会不会乱套。语言上通顺，和现实里站得住，根本是两回事。

我后来慢慢意识到，缺的不是更多词汇，而是一种内部的动态地图。地图上不能只有“这里有个杯子”的标签，还得有位置、距离、可能的运动方向，以及时间和因果关系怎么缠在一起。机器人要伸手去抓，光知道“杯子易碎”没用，它得判断从哪个角度靠近、力道会不会让杯子倾斜。大模型或许能写出“请轻轻拿起”这种建议，却未必能根据当前场景推演手指该挪多远。它靠的是文本里“杯子掉落”出现过多少次，不是对着眼前关系做预演。

所以你会看到一种很典型的幻觉：话说得特别自信，却把遮挡、碰撞、连续动作这些硬约束给忽略了。把上下文拉得再长，也只是让它读到更多规则描述，并不能自动变成对空间变化的持续观察。人的指令可以交给语言模型去理解和拆解，比如“把蓝色杯子拿到水槽边”；但这个计划在真实环境里可不可行，路径上有没有障碍，抓取会不会改变姿态，就不是纯靠语言关联能拍板的事了。

我并不觉得这是在唱衰大模型。更贴切的说法是：它擅长处理“人想做什么”，却不擅长独自回答“如果我这样做，现实会发生什么”。物理世界的理解，需要把物体、动作和后果真正连起来，还要靠传感器反馈不断纠偏。少了这一层，再流利的回答也只是停留在文字里的想象。对我们这些天天跟 AI 对话的人来说，认清这点反而更踏实——别把“会说”误当成“真懂现场”。