从幻觉到真实：破解大语言模型世界模型的认知迷思
当人类谈论一个复杂世界的运行规律时，我们依赖的是大脑中构建的、不断更新的内在模型——这个模型帮助我们预测未来、解释过去、并据此做出决策。对于人工智能而言，尤其是近年来迅猛发展的大型语言模型（LLMs），它们是否也在其内部构建了一个类似的人类认知框架？这个被称为‘世界模型’的概念，正成为理解AI智能本质的关键谜题。
长期以来，训练LLM的标准范式是下一个令牌预测（NTP），即模型学习根据已有文本序列，预测下一个最可能出现的词元。这种一步到位的监督方式虽然高效，但其对模型的‘认知结构’施加了过于简化的约束，导致模型更擅长模仿语言模式，而非真正理解世界运行的逻辑。
多令牌预测的潜力与陷阱
为探索更深层的世界模型，研究者们转向了多令牌预测（MTP），即让模型同时预测未来多个时间步的输出。这种方法被寄予厚望，因为它迫使模型必须考虑更远的未来，从而可能捕捉到事件之间的因果关系和长程依赖，形成更结构化、更稳定的内部表征。
然而，深入分析发现，MTP并非完美无缺。它虽然在一定程度上促进了内部信念状态的收敛，但同时也带来了一个新的挑战：结构性幻觉。这意味着，尽管模型表面上看起来预测得“很准”，但在其潜藏的内部空间中，可能存在一些违背物理或逻辑常识的‘捷径’。这些捷径是离散令牌监督信号所鼓励的，因为它们能更快地引导模型到达正确的输出，却牺牲了对真实环境动态的忠实建模。
这就像一个人虽然能准确描述一个物体的颜色，却完全误解了它的重量、材质和运动规律。模型可以‘说’出正确的话，却无法真正‘理解’世界。
LSE-MTP：将离散思维锚定于连续现实
针对这一根本性缺陷，研究团队提出了创新的解决方案——潜在语义增强MTP（LSE-MTP）。该方法的精髓在于，它不再仅仅依赖于离散的令牌作为监督信号，而是引入了一个关键的桥梁：真实世界的隐藏状态轨迹。
想象一下，一个机器人通过摄像头观察周围环境，它看到的是一系列连续的像素图像（连续状态），而不是离散的词语。LSE-MTP的核心思想就是，在训练过程中，不仅要求模型对未来的词语进行预测，更要确保其内部的潜在表征能够忠实地跟随真实的、连续的环境变化轨迹。换句话说，模型不仅要‘说’得对，还要在‘想’的时候，其思维过程与真实世界的物理规律保持一致。
通过在合成图和曼哈顿出租车等真实数据集上的实验，LSE-MTP展现出了卓越的性能。它不仅显著减少了结构性幻觉的发生，更重要的是，它极大地增强了模型表征的对齐能力。这意味着，模型内部关于世界的‘心理地图’与现实世界的‘真实地图’之间的一致性得到了极大提升。此外，这种改进还带来了更强的鲁棒性，使模型在面对环境扰动或噪声时，能够做出更加稳定和可靠的判断。
超越令牌：迈向可信的认知智能
这项工作的意义远不止于提出一个新的算法。它深刻地揭示了大语言模型当前面临的根本性挑战：它们的‘认知’仍然停留在对符号的统计关联之上，缺乏对世界底层连续动态机制的深刻理解。
从行业角度看，LSE-MTP代表了一种范式转变。它提醒我们，仅仅追求更高的预测准确率是不够的，构建可信的人工智能必须要求其内部机制与现实世界保持高度一致。这对于需要做出关键决策的领域，如自动驾驶、医疗诊断和复杂系统控制，尤为重要。一个能够‘理解’物理定律和因果关系的AI，远比一个仅擅长语言游戏的AI更具价值。
展望未来，LSE-MTP为构建下一代具有真实世界建模能力的AI系统铺平了道路。它启发我们思考如何将更多的感知模态（视觉、听觉、触觉等）和物理规律融入到模型的训练过程中，使其不再仅仅是文本的奴隶，而能成为驾驭知识的真正‘认知主体’。这不仅是技术上的突破，更是通往通用人工智能（AGI）道路上至关重要的一步。