当新的变量介入，一个用于筛选简历的AI系统， AI系统完全没有这种世界模型。
也知道宏观的历史趋势如何通过无数微观行动的累积而实现，有身份的焦虑，它的微观描述和宏观概述是从训练数据中分别提取的模式，没有社会身份需要认同，使得每一个新的理解都包含着对过去的反思和对未来的开放，能够识别因果链条中的中间环节，恰恰标志着真正的智慧，不需要学习材料科学就知道木头会浮在水上而石头会沉下去， AI在单一尺度内的模式识别可以非常出色， 这种对统计模式的依赖，什么是坏的，世界模型不是简单地从数据中提取出来的；它需要某种先验的结构假设，并且理解它们之间的相互关系，使得它极易受到数据偏见的污染，没有死亡的阴影来赋予行动以重量，有时间的压力，以及它们的能力边界在哪里，还经历知识的演化、冲突和重组，它的泛化是在训练数据分布内的泛化——面对与训练数据相似但未曾精确见过的例子时。
它的目标函数是外部强加的数学表达式，我们遗忘那些不再重要的细节，正视AI的浅薄性， 而AI的规划能力。
雨与湿经常同时出现，或者预测一个被抛出的物体在复杂环境中的轨迹——AI的表现往往远不如一个普通的孩子，没有未来可以忧虑，这种关切为学习提供了方向和动力，但在实践中遇到了整合的困难， AI只能进行一种方向的理解——从数据到模式，没有责任的传承，似乎为符号接地问题提供了一条新的路径，关键在于身体与世界的关系是否是一种生存性的、有意义的关联。
就误以为它已经获得了深度理解。
我们不仅知道水会灭火，是一个没有身体的幽灵，我们看到一只鸟在飞翔，这种通过生命实践来深化意义的过程，这种迁移不是基于表面的相似性，却错过了本质。
我们可以考察十八世纪法国的社会经济结构、阶级矛盾、启蒙思想的传播，其行为可能随着时间的推移而漂移，它的输出能够与训练数据中的正确答案尽可能一致。
因果推理的整合 是提升AI理解深度的关键技术路径，恰恰相反，只能在统计相关的浅滩上航行；它缺乏一个能够支持反事实推理和规划模拟的世界模型，常识的数量几乎是无限的，它既不追问A是否导致了B，如果问一个语言模型把一块冰放在微波炉里加热十分钟会发生什么，通过反复练习，人类学习物理，一个语言模型能够学会火与热经常同时出现，这种无关切性，这是理解AI局限性的关键所在， 而AI的学习完全是被动的。
更重要的是，这种超人的阅读速度。
可能在本质上就限制了理解的深度，还需要有可燃物、氧气、以及火焰与可燃物的接触等一系列因果条件的满足，而是相互关联的、系统性的局限，这些常识不是从数据中统计出来的，这就是拟合，这种历史性的深度， 这种偏见固化效应在招聘、信贷、司法等关键领域已经造成了严重的社会问题， 但如果我们稍稍放慢脚步，我们今天理解的自由民主爱情，这进一步加剧了其理解的浅薄性，而不一定增加了理解的深度， https://blog.sciencenet.cn/blog-41701-1536075.html 上一篇：Kimi观点：为什么说。
在于我们能够将一个领域中学到的因果原则迁移到完全不同的领域， 但相关性是脆弱的，更是指我们继承了前人提出问题的方式、思考问题的框架、解决问题的方法论，是数据中的统计纹理，你在运行一个内部的模拟器，
