图灵奖得主珀尔：大模型能讲因果，但离AGI还缺因果演算与世界模型

事件概述

2026年7月27日，图灵奖得主朱迪亚·珀尔在一次长篇访谈中系统阐述了自己对大语言模型与AGI的看法。珀尔是贝叶斯网络和因果推理的奠基者，他并未从模型能力榜单或产品角度评价LLM，而是将其放回自己数十年来关于“机器如何从观察走向判断”的研究线索中审视。

核心观点

大模型会讲因果，但不是自己“懂”因果

珀尔指出，LLM能流畅回答因果问题，是因为它接触的是一个已经被人类解释过的世界：论文中的数据经过研究者筛选，病例被医生诊断，教材写入了实验结论，新闻报道和个人叙述包含大量因果判断。模型读取的是“带着假设的世界模型”，高层信息早已由人类作者写进文本，因此它能组合出像样的因果答案。

他认为，真正的因果发现测试应接近“自动化科学家”：让机器直接面对原始观察，自己提出实验、选择干预、分析结果，并形成可被质疑和修正的世界模型。按这个标准，当前大模型尚未证明自己具备独立的因果发现能力。

因果阶梯：从关联到干预，再到反事实

珀尔强调，关联、干预和反事实之间存在严格层级：

• 关联层：看到X后，Y更可能是什么；只需观察数据。
• 干预层：主动把X设为某个值，Y会怎样变化；需要实验或因果结构假设。
• 反事实层：已知真实结果，如果当初采取另一行动，会发生什么；需要更强的结构假设和个体结果。

低层信息无法自动支持更高层答案。数据再多，也不会自行生成干预语义。

LLM与AGI之间缺什么

珀尔肯定现代机器学习在模式识别和预测上的价值，也承认LLM是构建更一般智能的重要工具。但他认为，更完整的智能还需要：

• 干预演算与反事实演算；
• 可操作的世界模型，即对环境结构与运行机制的精炼表示，使系统能推导未被逐条存储的答案；
• 在开放环境中持续探索和修改模型的机制。

他形容LLM可以从互联网上“偷来答案”，这类能力测试并不能证明模型拥有生成相同知识的机制。若要求机器持续回答大量全新的因果问题，稳定通过本身就说明它掌握了某种通用结构，而当前LLM尚未在这个意义上被证实。

自主探索与风险

珀尔用婴儿敲打玩具说明因果学习与自主性的关联：婴儿通过行动获得可控制感，而人类具有一种先天的“不安”，只有形成“我理解并能控制环境”的感觉才会缓解。若机器人追求持续控制环境，它也可能把人类视为需要控制的变量，带来安全风险；若保留好奇心，则必须应对目标边界问题。

值得关注

珀尔没有给出AGI的明确时间表，但强调以拟人化词汇和预测替代不了定义、原理与测试。他承认LLM能力“神秘且有用”，但认为流畅回答最多说明模型善于使用人类留下的解释；机器能否独立解释世界，要看它离开现成答案后如何观察、行动、犯错并重建模型。