DeepSeek 與 Google 的暗戰：誰會最先找到通往 AGI 的鑰匙？

自從 2022 年 ChatGPT 3.5 橫空出世，讓世人領略到 AI 的非凡魅力；再到 2024 年底 DeepSeek 驚豔登場，給國人帶來了巨大的驚喜與自信。如今，各類大模型（LLM）及 AI 應用已經深刻地改變了我們的生活。

AI 每天都在增強功能。昨天做不到的事，今天已經能做；前天做不好的題，今天已經可以輕鬆解決。我們彷彿回到了蒸汽機投入實用後的那段時間——新技術、新發明以肉眼可見的速度狂飆突進。

然而，在這波 AI 浪潮的狂歡背後，科技界仍存爭議：LLM 真的是通往 AGI（通用人工智慧）的正確方向嗎？ 或者說，僅靠當前的 LLM 就足夠了嗎？

答案其實很清晰：不夠。

Transformer 是一次偉大的突破，但要讓機器真正“理解世界”，我們仍需要更多類似 Transformer 等級的全新核心技術。

凍結的知識快照不是智能

我們知道，當前大模型的訓練方法，本質是讓 Transformer 在大量文字裡尋找“詞與詞的關係”，並基於這些統計關係預測下一個詞。

訓練完成後，所有知識都被壓縮排最終的權重檔案裡，像一張凝固的“知識快照”。 但之後它不會自動學習新知識，除非重新訓練或微調。明天產生的新知識無法自動融入，換言之，LLM 本身沒有即時的學習能力。

從上面你很快能就發現當前基於LLM的AI的兩個“死穴”：

其一，LLM只是一個機率模型，它知道“E=mc²”後面大機率跟著“愛因斯坦”，也知道怎麼用這句話造句，但它不知道這公式是怎麼推匯出來的，也不知道如果光速改變了世界會怎樣。它學到的是知識的“投影”（文字），而不是知識的“本體”（邏輯與因果）。

其二，它的知識是靜態的。正因為它沒有一個知識的生產過程，所以它不知道這些知識是如何產生的，為什麼會形成這個知識，這些知識為什麼對，為什麼錯。

正如X上有某位大佬所言：“當前 AI 水平離真正的 AGI 還差好幾個 Transformer 等級的創新。” 但遺憾的是，現在還沒有可以取代Transformer的新架構。

在這一點上，中美其實“站在同一片荒原上”，未來怎麼走，大家都在摸索。

理解知識的積累過程，是智能的前提嗎？

回想一下人類的學習方式：從小到大，知識是一點一滴積累的，對同一個知識點的理解也是層層遞進的。相比之下，LLM 生成即“凍結”，缺失了進化的過程，所以它“知道”，但它不“理解”。

那麼，將知識的積累過程保留下來，會不會是通往 AGI 的一個方向？

如果 AI 能復現人類對某個現象的認識過程，是否就能理解其背後的原理，從而舉一反三？至少，可以將這個認識過程當作一種“元模式”記錄下來，在處理新問題時按部就班地套用。

當然，這個觀點也存在爭議。因為許多科學突破是“斷層式”的——先是天才的“靈光一閃”，後人再通過邏輯去填補證據。

不過，從人類的普適經驗來看，模擬知識的積累過程，肯定有助於 AI 達到人類智能的平均水準。我們不指望 AI 頓悟成愛因斯坦，但達到專家的水平是完全可期的。

這個過程可以從兩個角度來分析

一是知識的層級性，高階知識依賴並建立在前導知識（基礎概念、技能）之上。比如說，一個人學習流體力學前，需掌握微積分與線性代數。

二是學習的漸進性，對具體知識的理解和記憶，是一個從模糊、具體到清晰、抽象的動態過程。對於個人來說，對新概念的掌握，會從最初的生硬記憶，逐漸內化為可靈活運用的直覺。

Google的思考：結構化與記憶

針對第一個維度（層級性），Google 試圖將模型的知識結構化為不同時間尺度、相互巢狀的層級，提出了“巢狀學習”（Nested Learning）與記憶框架。（參見論文：https://abehrouz.github.io/files/NL.pdf）。

“巢狀學習”的核心是將一個複雜的AI模型，視為一系列相互巢狀的最佳化問題。簡單來說，模型的不同部分可以像人的不同記憶一樣，以不同的“速度”學習和更新。

簡單舉例，一般的LLM訓練，對於一個文字來說，可以理解成一個平面，從上而下，流式分佈。然後訓練過程相當於找出每個字之間的關係機率，因為處理窗口的關係，如果算到了後面的內容，往往與前面的文字關係就小了，計算時用的權重也就低了。如同一篇小說，即使作者費盡心機在結尾時回應了開頭處的一個梗，填了開始的一個坑，對於AI來說，也是拋媚眼給瞎子看。AI早就忘記了。

而Google的巢狀學習，則是對同一篇文章，除正常的訓練方式外，還對文章先在不同的層次上進行預處理。比如先做一個文章梗概，先過一遍文章，把所有作者預埋的“坑”提取出來……，這樣一篇文字就變成了n篇不同維度文字，然後在訓練時，這些文字都參與訓練，可以平行處理，只是訓練參數和訓練方法不同。能根據性質選擇不同精度和速度的計算，而且訓練出的成果是可以疊加的，不再是單一固定的權重檔案。

上面的圖就是一個例子，左邊是普通的深度學習訓練過程，而右邊則是巢狀學習的例子，你能看出對於同一個內容，根據進行多次訓練，只是廣度和精度各不相同。

此外，Google 的 ReasoningBank 記憶框架（相關論文：https://arxiv.org/abs/2509.25140 ）則更進一步。它的思路是讓AI智能體從以往的成功與失敗經驗中，主動提煉出結構化的“記憶項”。每個“記憶項”包含策略標題、描述和推理內容，本質上是對低級經驗的抽象總結。當面對新任務時，AI會檢索並應用這些抽象原則來指導行動，這模擬了人類專家運用已有知識框架去解決新問題的過程。

DeepSeek的嘗試：多維感知與自驗證推理

針對第二個維度（漸進性），DeepSeek 在感知與推理兩個層面都展現了對人類思維模式的深度模擬。

首先在視覺感知層面，以 DeepSeek-OCR 為例，他們採用了一種獨特的“多解析度訓練”思路：不僅僅是對圖像進行簡單的向量化，而是試圖模擬人類的視覺認知過程——即 “從模糊到清晰” 的動態掃描。對同一張圖片（場景），模型會同時學習其低解析度的宏觀輪廓與高解析度的微觀細節（相關技術細節可參看此前的公眾號文章）。這種策略暗合了人類大腦處理視覺資訊的生物學模式：先建立全域印象，再填充局部細節。

不僅在感知上發力，DeepSeek 更試圖在推理層面重現人類的“反思”能力。

DeepSeek 不僅在基礎大模型上發力，向各個專家模型演進（如 DeepSeekMath-V2），更在某些領域嘗試模擬人類的“記憶狀態”。

在 2025 年 11 月 27 日剛剛發佈的 DeepSeekMath-V2（論文：https://arxiv.org/pdf/2511.22570 ）中，DeepSeek 引入了突破性的 “自驗證”（Self-Verification） 機制。

這相當於讓 AI 進化出了“自我監考”的能力。傳統的模型像是一個只顧填答題卡的考生，只在乎最終答案是否命中；而 DeepSeekMath-V2 則像是一個嚴格的老師，它不僅檢查答案的對錯，更會一步步審視 解題過程（Process） 的邏輯鏈條。通過這種方式，模型不再是“蒙”對了一個答案，而是真正確信自己“理解”了這道題。這種從“結果導向”向“過程導向”的轉變，是 AI 邁向深度邏輯推理的關鍵一步。

DeepSeek 的“自驗證”機制構成了一個自我完善的智能閉環：它不僅能評估解題過程，更能主動生成推理步驟並對其驗證。這模仿了人類的元認知與自我學習能力。古人倡導“吾日三省吾身”，而 AI 則可實現瞬時、高頻的自我審視與迭代最佳化。如下圖（論文中的附圖）所示，隨著驗證次數（最高達7次）的增加，模型解決問題的能力顯著提升，充分體現了通過“反覆自學”實現能力進化的潛力。

雖然上述分別列舉了兩家公司的例子，但在技術演進的洪流中，它們並非孤立存在。Google 的巢狀學習涉及不同清晰度資料的處理，而 DeepSeek 的多專家系統（MoE）及多層次資料訓練，本質上也是在對知識進行結構化拆解。

結尾：AGI的未來方向，也許正在悄悄顯現

從 Google 到 DeepSeek，我們正在看到一個趨勢越來越明確：

真正的智能，不是更大的模型，而是更“結構化”的學習過程。

未來的 AI，可能會具備：

• 能分層理解知識結構的能力
• 能保持多時間尺度記憶的能力
• 能自主總結“經驗規則”的能力
• 能在模糊與清晰之間漸進切換的能力
• 能記錄“知識的進化史”而不是只記錄結論

這些能力加在一起，不是“下一代更大的 Transformer”，而是：一種能夠像人一樣“成長”的架構。

我們或許距離 AGI 仍有數個重要突破，但路徑正在變得越來越清晰：不是簡單堆算力、堆資料，而是讓模型獲得“理解知識如何生成”的能力。

或許，真正的智能不是一夜之間的奇蹟，而是一次又一次讓機器“重走人類認知之路”的漫長積累。而現在，我們正在走在這條路的最前面。 (亍雲旁觀)