本文來自微信公眾號：騰訊科技，作者：曉靜，編輯：徐青陽，題圖來自：AI 生成
“我語言的局限，即意味著我世界的局限?！?span id="fe2iclqy7" class="text-remarks" label="備注">（ Die Grenzen meiner Sprache bedeuten die Grenzen meiner Welt. ）
哲學(xué)家維特根斯坦在1921年寫下這句話時，他談?wù)摰氖侨祟愓J知的邊界。一百年后，這句話精確地描述了大語言模型面臨的結(jié)構(gòu)性困境，如果AI的“語言”就是離散token序列，那么它的“世界”永遠被困在token能表達的范圍內(nèi)。
這也引出了一個老生常談的問題：大語言模型范式能走到AGI（通用人工智能）嗎？
2024年12月，OpenAI 前首席科學(xué)家Ilya Sutskever在NeurIPS發(fā)表主題演講，他說“預(yù)訓(xùn)練即將終結(jié)”。2026年3月，圖靈獎得主Yann LeCun離開Meta創(chuàng)辦AMI Labs，直接宣判“大語言模型路線錯了”。
兩位深度學(xué)習(xí)殿堂級的大師，一位選擇顛覆自己親手開啟的預(yù)訓(xùn)練時代，另一位選擇繼續(xù)踐行自己堅守多年的世界模型路線，去賭“LLM的下一個時代”。
當(dāng)然絕對不是當(dāng)前的模型不好用或沒有商業(yè)價值，大模型的用戶數(shù)量及滲透率都在持續(xù)增長，產(chǎn)業(yè)價值會越來越大。但是從技術(shù)路徑來看，他們要表達的是：這條路有一個結(jié)構(gòu)性的天花板，這個天花板恰好卡在通往AGI（通用人工智能）的路上。
2026年5月，MIT何愷明團隊和字節(jié)跳動Seed實驗室?guī)缀跬瑫r發(fā)布論文，給出了一個更明確的信號：語言生成的核心建模過程不必始終發(fā)生在離散token空間中，也可以轉(zhuǎn)移到連續(xù)embedding或latent空間里完成，最后再映射回文本。
這是第一批來自工程實驗的硬證據(jù)，逐token預(yù)測可能是通向AGI路上的一個局部最優(yōu)解。但連續(xù)空間范式打開了另一條路，這條路的天花板也許更高。
圖：美國國家人工智能科學(xué)院院士，麻省理工學(xué)院電氣工程與計算機科學(xué)系副教授何愷明，圖片由AI生成
天花板在哪？
維特根斯坦的話可以這樣理解。
人類的離散語言不是思維的原生格式。大腦內(nèi)部的認知活動是連續(xù)的、并行的、高維的。比如人類想到一個蘋果時，激活的不是“蘋果”兩個字的token，而是一大片感覺皮層的連續(xù)活動模式，包括顏色、質(zhì)感、重量、咬下去的聲音。人之所以把這團連續(xù)體驗壓縮成“蘋果”這個離散符號，純粹是因為人類大腦的帶寬逼你序列化。
人類語言是進化設(shè)計的有損壓縮協(xié)議，它是跨腦傳輸?shù)墓こ掏讌f(xié)。
我們目前用到的主流的商業(yè)化大模型產(chǎn)品，底層都是自回歸架構(gòu)（預(yù)測下一個token）。
自回歸大模型做的事情是，在這個壓縮協(xié)議的輸出格式上建模。它無法理解“世界如何運作”，它了解的是“人類選擇用什么符號序列來描述世界”。它們極其擅長模擬人類的語言行為，但模擬語言行為和理解世界之間，差著一個認識論的鴻溝。
比如身體感受，疼痛是怎樣的；空間直覺，知道怎么接住球但無法描述如何接住的；因果干預(yù)的具身反饋，比如如果“我把這個椅子推倒會怎樣”的直覺。這些隱藏在人類大腦中的“感覺”，從未被任何人類語言編碼過。所以它們從未進入訓(xùn)練數(shù)據(jù)，在token序列上做任何建模，無論參數(shù)多大、數(shù)據(jù)多多，都觸及不到這些維度。
這就是token范式的天花板。
“逃逸”實驗
從token空間逃逸的第一批實驗正在發(fā)生。
何愷明團隊的ELF（Embedded Language Flows，嵌入式語言流）做了一件反直覺的事：把文字生成的全過程留在連續(xù)向量空間里完成，只在最后一步，真的只有最后一步，才把連續(xù)向量投影回人類可讀的文字。它用Flow Matching（一種2022年由Yaron Lipman等人提出的連續(xù)正則化流框架）從噪聲出發(fā)，沿學(xué)習(xí)到的速度場平滑演化到目標(biāo)嵌入。32個采樣步，生成質(zhì)量超過離散模型用1024步的結(jié)果。訓(xùn)練數(shù)據(jù)約450億token，只有主流方法的十分之一。
圖：ELF僅用32步采樣即超越MDLM、Duo等離散模型1024步的生成質(zhì)量，且未使用蒸餾加速。模型參數(shù)105M，訓(xùn)練數(shù)據(jù)約為同類方法的十分之一。
四天后發(fā)布的Cola DLM（字節(jié)Seed團隊）：先用Text VAE把語言壓縮成更深層的語義潛空間，再在這個純語義空間里用Flow Matching建模全局先驗，最后才解碼回文字。論文明確說：擴散過程做的是“潛在先驗運輸”，不是“token級別的觀測恢復(fù)”。20億參數(shù)，8個基準(zhǔn)，與同體量自回歸模型和已經(jīng)scale到1000億參數(shù)的LLaDA2.0嚴(yán)格對比，連續(xù)路線的scaling曲線是健康的。
圖：Cola DLM 整體架構(gòu)圖
兩篇論文的核心都在表達，token不是語言建模的必要條件。連續(xù)空間可以做得更好、更快、更省。
圖：自回歸模型逐token生成，每一步不可逆選擇一個離散符號，已選token鎖定后續(xù)所有可能性。
圖：連續(xù)流模型從噪聲出發(fā)，沿速度場平滑演化到目標(biāo)嵌入，全程可逆可調(diào)，僅在終點映射回文字，ELF論文。
AI巨頭也在質(zhì)疑“Tokenization”？
這兩篇論文只是學(xué)術(shù)信號，科技巨頭也在用真金白銀下注。
Google是最早、也最堅定地走向“原生多模態(tài)統(tǒng)一”的巨頭。Gemini的技術(shù)報告明確寫道：它是“from the ground up”訓(xùn)練的多模態(tài)模型，“not by bolting a frozen vision encoder onto a text decoder”（不是把凍結(jié)的視覺編碼器接到文本解碼器上）。
文本、圖像、音頻、視頻在同一個模型里交錯訓(xùn)練，共享注意力層。這個設(shè)計哲學(xué)從2023年12月的Gemini 1.0延續(xù)到了2026年的3.1 Pro。2026年3月發(fā)布的Gemini Embedding 2把這件事推到了表征層面：一個embedding模型，原生接受文本、圖像、文檔、音頻、視頻輸入，全部映射到同一個3072維向量空間。
Google在做的事情，本質(zhì)上就是為所有模態(tài)建造一個統(tǒng)一的連續(xù)坐標(biāo)系，模態(tài)之間的邊界在這個坐標(biāo)系里不存在。
OpenAI走了一條更曲折的路。GPT-4V時代的架構(gòu)是拼接式的，由一個視覺編碼器外掛到語言模型上，跨模態(tài)信息需要經(jīng)過額外的投影層傳遞。GPT-5系列公開強化了多模態(tài)推理能力，但OpenAI并未披露足夠細的架構(gòu)信息。可以確定的是，OpenAI正在把文本、視覺、視頻等能力更深地整合進核心模型體驗；不能確定的是，它是否已經(jīng)完成了統(tǒng)一Transformer層面的架構(gòu)切換。
根據(jù)外媒報道Sora運營期間“被員工視作拖累核心算力的吞金獸”。OpenAI選擇砍掉視頻應(yīng)用，把算力集中到GPT-5.5的Agent架構(gòu)和Codex代碼工具上。這也可以猜測：OpenAI認同多模態(tài)統(tǒng)一的方向，但在視頻生成這個具體維度上暫時退場，等待更高效的架構(gòu)方案成熟后重新進入。
字節(jié)跳動Seed團隊在Cola DLM論文的最后一句話是“為離散文本與連續(xù)模態(tài)的統(tǒng)一建模指出了一條具體路徑”。Seed團隊透露視頻生成模型Seedance系列已經(jīng)在使用類似的連續(xù)潛空間架構(gòu)，獨特優(yōu)勢在于：它同時擁有抖音/TikTok級別的海量視頻數(shù)據(jù)和前沿模型研究能力。如果連續(xù)統(tǒng)一空間確實是下一代架構(gòu)的答案，字節(jié)是最有條件最先在工業(yè)規(guī)模驗證它的公司。
Anthropic的選擇是所有巨頭中最獨特的，它在刻意回避多模態(tài)生成。截至2026年5月，Claude沒有原生圖像生成能力，沒有視頻理解，沒有音頻處理。2026年4月發(fā)布的Claude Design生成的是結(jié)構(gòu)化設(shè)計產(chǎn)出物，原型圖、線框圖、幻燈片，而不是像素級圖像。
Anthropic把幾乎所有資源壓在文本推理和代碼執(zhí)行上。這個策略在商業(yè)上正在被驗證：Claude Code年化收入25億美元，2026年5月Anthropic隱含估值沖到1.2萬億美元（36氪報道），主要靠的是企業(yè)客戶為推理和代碼能力付費。但從范式演進的角度看，這是一個在積累技術(shù)債的選擇。如果兩到三年后競爭的核心轉(zhuǎn)向“誰能在統(tǒng)一連續(xù)空間里同時理解和生成所有模態(tài)”，Anthropic就很被動。
在巨頭之外，兩個最值得關(guān)注的獨立押注來自Ilya Sutskever和Yann LeCun。Sutskever創(chuàng)辦的SSI（Safe Superintelligence）在2025年5月完成20億美元融資，估值320億美元——沒有產(chǎn)品、沒有論文、沒有任何公開技術(shù)細節(jié)。投資人買的純粹是他對“下一個范式”的判斷力。他在NeurIPS 2024所說的“預(yù)訓(xùn)練即將終結(jié)”，指的是靠堆數(shù)據(jù)預(yù)測next token的方式已到收益遞減階段，下一步需要的是質(zhì)變。
LeCun2026年3月離開工作超過十年的Meta，創(chuàng)辦AMI Labs，融資10.3億美元，估值35億。他的JEPA路線和ELF/Cola DLM哲學(xué)相通，都是離開token空間、在連續(xù)表征空間建模，但方向不同。JEPA不追求生成逼真的輸出，強調(diào)在抽象空間里預(yù)測事物演化的物理后果。
LeCun在5月的訪談中說：“自回歸機制逐個預(yù)測token，本質(zhì)是在字符級別做統(tǒng)計復(fù)現(xiàn)，不是在建模世界的因果規(guī)律。參數(shù)量的增加解決不了這個結(jié)構(gòu)性缺陷。”他認為，生成只是模擬，預(yù)測才是理解。
如果token范式衰退，誰會沒有未來？
做視頻tokenizer的公司首當(dāng)其沖。VQ-VAE、MAGVIT、OmniTokenizer，這些工作的核心價值主張是“高質(zhì)量視頻離散編碼”。英偉達的Cosmos Tokenizer、微軟的VidTok，大廠也在競爭。如果語言生成都開始把核心計算遷移到連續(xù)空間，那么視頻這類天然連續(xù)的數(shù)據(jù)，更沒有理由被默認壓成離散token序列。
真正的問題會變成：什么樣的視覺表征既能高效壓縮，又能保留足夠的物理、時序和語義結(jié)構(gòu)。
然后是“多模態(tài)”這個產(chǎn)品敘事本身。當(dāng)所有模態(tài)共享一個連續(xù)空間時，“多模態(tài)能力”變成默認配置，不再是差異化賣點。就像今天沒人把“支持中文和英文”當(dāng)成一個AI產(chǎn)品的核心競爭力。做模態(tài)橋接和對齊的中間層產(chǎn)品也面臨同樣的問題——如果基礎(chǔ)模型原生在統(tǒng)一空間運行，文本和視覺之間不存在需要被彌補的“鴻溝”，彌補鴻溝的生意就沒有理由存在。
再往下游推一步，今天整個行業(yè)按 token 收費，是因為自回歸模型的成本結(jié)構(gòu)極其透明，輸入輸出的token數(shù)直接可以算出算力消耗。
但如果核心計算遷移到連續(xù)空間，擴散模型可能用固定步數(shù)生成任意長度文本，輸出長度與計算量脫鉤，“消耗了多少token”就不再是成本的真實度量。
只是，AI的發(fā)展太快，衡量AI商業(yè)價值的真正定價體系還沒固定下來，下一個范式可能就會發(fā)生。而具體會是多快，沒有人能夠預(yù)測。
大語言模型能走到AGI嗎？
回到開頭的問題，大語言模型范式能走到AGI嗎？
從token范式本身的結(jié)構(gòu)來看，不能，它的訓(xùn)練信號有信息論上的硬上限。人類語言作為有損壓縮協(xié)議，在編碼時就不可逆地丟棄了世界的大量結(jié)構(gòu)。在壓縮產(chǎn)物上做任何建模，都還原不了被丟棄的維度。
但“殺死tokenization”也不等于到達AGI。ELF和Cola DLM證明了連續(xù)空間更高效、更優(yōu)雅，但它們的訓(xùn)練數(shù)據(jù)仍然來自人類產(chǎn)出的內(nèi)容，一個有損壓縮后的世界。LeCun看到了這一層，所以他押注“能預(yù)測物理后果的世界模型”。Sutskever大概也看到了。
但這也許只是第一步，如果模型不再受困于人類語言的壓縮格式時，它需要的新訓(xùn)練信號從哪里來？
答案大概不在更多的數(shù)據(jù)里，而在某種主動探索中——在世界中行動，承受后果，從反饋中學(xué)習(xí)。也是現(xiàn)在關(guān)注度十分高的RSI， AI 的遞歸自我改進（Recursive Self-Improvement）。這也將是我們在后面的文章中，繼續(xù)討論的主題。
本文來自微信公眾號：騰訊科技，作者：曉靜，編輯：徐青陽