2026年7月27日，The Peterman Pod主持人瑞安·彼得曼（Ryan Peterman）發布了對朱迪亞·珀爾（Judea Pearl）的長篇訪談。話題從他的科學啟蒙、超導儲存器與早期人工智慧一路延伸到貝葉斯網路、因果階梯、大語言模型（LLM）和通用人工智慧（AGI
）。珀爾沒有從模型榜單和產品能力出發評價LLM。他把問題放回了一條延續數十年的研究線索：機器究竟怎樣把觀察變成判斷，又怎樣從相關性走向行動與解釋。
珀爾是貝葉斯網路和現代因果推理的重要奠基者。2011年圖靈獎表彰了他在不確定條件下的資訊處理，以及因果推理演算方面的基礎性貢獻。UCLA資料顯示，他從1969年起就在該校任職。2019年，他在《Communications of the ACM》發表《因果推理的七種工具》，再次強調關聯、干預和反事實之間存在嚴格層級。只會從觀察數據中尋找統計規律的系統，無法僅憑更多同類數據回答新行動會帶來什麼結果。
這也構成了他對LLM的核心判斷。大模型可以給出像樣的因果解釋，因為訓練語料早已裝入醫生、研究者、記者和普通作者對世界的解釋。實驗結論、因果假設和反事實敘述已經被人類寫成文本，模型擅長壓縮並調用這些知識。真正困難的測試，是把機器放進一個缺少現成答案的環境，讓它面對原始觀察，選擇干預，理解實驗結果，再形成能夠被質疑和修正的世界模型。這裡的世界模型，是對環境結構與運行機制的精煉表示，系統可以據此推導未被逐條儲存的答案。
珀爾把自己的研究性格追溯到中學課堂。那是1948年以色列建國之前，他在當時由英國託管的巴勒斯坦地區長大。20世紀30年代，一批（遭迫害的）德國學者來到當地，未能獲得大學教職，其中一些人進入中學任教。珀爾和同代學生由此接受了一種少見的科學教育。
老師不會把定理壓縮成幾條待記憶的步驟。他們沿著發現發生的順序講課：一個問題為什麼會在那個時代出現，提出者知道什麼、還不知道什麼，曾經走過哪些彎路，又怎樣借用前人的概念。科學在這套課程里是一場人類與自然秘密的長期較量。學生坐在教室里，也被放進知識產生的過程。
珀爾後來稱這種教育製造了一種「有用的幻覺」。學生會相信，自己或許能找到一種前人沒想過的勾股定理證明，也可能成為下一位畢達哥拉斯或愛因斯坦。絕大多數人終究達不到這個高度，但那份幻覺會讓人把疑問當成自己的事，並堅持形成自己的理解。
他沒有把自己描述成少年天才。成績通常排在班級第三或第四。排在前面的學生已經能猜到老師下一步會講什麼、考試會出什麼題，因此容易覺得課堂無聊。珀爾說，自己從未無聊過。他需要跟著問題一步步走，也持續享受理解發生的過程。
十歲時，老師問一平方公里等於多少德南。德南是一種面積單位，一德南約為1000平方米。全班和老師都給出了錯誤答案，珀爾堅持一平方公里有一千德南。當天的嘲笑沒有讓他改口。第二天，老師在全班面前承認錯誤。幾十年後，珀爾仍把這件事視為自己「不妥協」性格的一處來源：結論如果經過推導，就應該繼續核查，人數和權威不能替代證明。
服兵役時，他所在的部隊一半時間接受軍事訓練，一半時間在基布茲務農。他用「一隻手扶犁，一隻手拿槍」概括那段生活。此後，他進入以色列理工學院學習電氣工程。珀爾說自己真正迷戀的是物理和數學，因為少量基本規律可以讓人坐在書桌前，預測尚未觀察到的現象。
麥克斯韋從方程形式中辨認出波，再由傳播速度接近光速，推測光是一種電磁波。法拉第則用「場」重寫人們對力的理解。最讓珀爾震動的是解析幾何：幾何圖形和代數方程分屬兩套語言，卻能描述同一個對象，導出同一結論。他因此把笛卡爾稱為自己心中最偉大的數學家。
這份興趣後來貫穿他的研究生涯。貝葉斯網路把概率依賴關係寫成圖，因果模型再給圖中的方向加入干預含義。每一次轉變都在做相似的事：為人類早已習慣使用的直覺，尋找一種能夠計算、檢查和證明的新語言。
在布魯克林理工學院讀書期間，珀爾白天在新澤西州普林斯頓的RCA實驗室工作。當時的電腦儲存器使用磁芯，需要人工把導線穿過一枚枚環形磁芯。設備笨重，速度有限，研究人員都知道它遲早會被替代，卻無法確定勝出的技術。
不同團隊押注光致變色材料、半導體和超導。珀爾所在的小組研究超導儲存，做過16×16比特的樣板。他在分析超導薄膜中的持續渦旋電流時得到一項物理結果，後來被稱為「Pearl渦旋」。電流在沒有電阻的超導體中持續流動，再由外部磁場翻轉方向，理論上可以表示兩種儲存狀態。
這條路線最終輸給了半導體。珀爾回憶，他們當時不願相信一種依賴電源的儲存方案能夠可靠工作，也低估了半導體的小型化速度。實驗室里那些看上去進展艱難的器件，後來成為電腦儲存的主流。這是他親歷的一次技術判斷失誤：看見眼前缺陷容易，估計另一條路線的改進速度要難得多。
同一時期，人工智慧已經在研究者中形成強烈期待。電腦占據整間房，程序通過穿孔卡輸入，人們仍普遍相信機器終將模擬人類的各種智力功能。爭論集中在方法和時間。珀爾估計，1965年前後若向同行詢問人類水平智能還要多久，有人會回答二十年。
1985年到來時，目標沒有實現。這個結果沒有讓珀爾放棄AGI在原理上的可能性，卻使具體時間表失去了天然可信度。六十多年後，他看待LLM也保留著同樣的區分：能力突破可以真實、巨大、超出預期；一次突破距離完整目標還有多遠，需要另外證明。
珀爾後來加入一家研究磁性鍍層線儲存器的公司，既負責技術，也要處理招聘、解僱和行政事務。項目又涉及他不熟悉的化學問題。他對這份工作的不滿逐漸加重，妻子勸他去大學。
他在1969年前後進入UCLA，先在一個跨學科工程系任職，後來轉入剛成立不久的電腦科學系。那時產業實驗室處於聲望高點。電晶體、雷射等重要進展來自企業研究機構，大學願意吸收擁有工業經歷的研究者。珀爾甚至沒有經歷今天常見的完整申請流程，就得到了職位。
進入大學後，他先講授電腦儲存器，也研究過圖像壓縮，用快速傅里葉變換和哈達瑪變換減少傳輸圖像所需的比特數。隨後，他轉向模式識別和人工智慧。20世紀70年代，棋類程序、八數碼等搜索問題是AI的主要試驗場。珀爾在這裡再次遇到自己熟悉的興趣：人類憑直覺完成的判斷，能否被寫成數學問題。
棋類程序要在兩種資源之間分配計算。一邊是靜態評估函數，它依據棋子數量、位置、中心控制、是否完成王車易位等特徵，快速估計一個局面的價值；另一邊是向更深處搜索博弈樹，查看若干步之後的結果。前者接近直覺，後者接近審慎推演。
機器學習先驅亞瑟·山繆（Arthur Samuel）的跳棋程序會根據對局調整評估函數的權重，珀爾把它視為早期機器學習實例。珀爾本人研究搜索與評估的關係，並證明Alpha-Beta剪枝（alpha-beta pruning）在特定衡量方式下具有最優性。這種算法會排除不可能影響最終選擇的分支，減少必須檢查的局面數量。電腦科學家唐納·克努特（Donald Knuth）也曾對Alpha-Beta剪枝能夠被證明最優感到意外。
研究幾年後，珀爾「厭倦了搜索」。這句話背後有一套明確的選題標準。首先看問題是否真的沒有答案；答案未知之後，再問自己是否擁有別人缺少的工具，能否從物理、工程或數學中借來一種方法。重要卻無從下手的問題，他會暫時放棄。一旦發現可能奏效的形式語言，他會把那個謎題當成個人困擾，甚至為此睡不著。
下一個讓他睡不著的問題，來自專家系統。
早期專家系統試圖把醫生等專業人士的判斷寫成邏輯規則。研究者會問醫生：看到發燒時先想到什麼，下一項檢查是什麼，哪些症狀會把診斷引向某種疾病。規則可以表達「若出現A，就檢查B」，卻難以組合現實世界裡的多重不確定性。
一名患者來自某個地區，患某種疾病的概率可能上升；另一項症狀又會改變判斷；兩條證據彼此還可能相關。邏輯規則本身不會告訴系統怎樣合併這些概率。概率論能處理不確定性，但教科書式表示法要求列出變量各種組合的聯合概率。變量增加後，表格大小和計算成本會指數增長。
珀爾從人的日常行為反推：人會穿過馬路、選擇醫生、根據有限線索判斷風險，卻不會在腦中建立覆蓋所有變量組合的龐大表格。我們能夠推理，因為多數事實與當前問題無關。一個人的叔叔是什麼眼睛顏色，通常不會影響這次疾病診斷。有效的系統應當先判斷哪些變量相關，哪些變量在給定條件下可以視為相互獨立。
條件獨立由此成為突破口。珀爾等人用圖表示變量之間的依賴結構，節點代表變量，連線和方向幫助系統判斷資訊如何傳播。圖讓機器先找到與查詢相關的部分，再在局部計算概率，無需讓所有事實參與每一次推理。
概率論和圖論原本像兩套互不相干的語言。珀爾與從以色列理工學院來訪的阿扎里亞·帕斯（Azaria Paz）發現，概率中的條件獨立與圖中的分隔共享一套公理結構。這項工作被稱為Graphoid理論。Graphoid是一套描述條件獨立關係的公理體系，它把概率關係和圖結構連接起來，使研究者能夠從圖中讀取變量之間的獨立性。
這又像少年珀爾第一次接觸解析幾何時的震動。幾何與代數可以表達同一對象，圖論與概率論也能在更深層共享邏輯。貝葉斯網路的價值由此超出「畫一張好看的概率圖」。它提供了一種緊湊表示：世界中哪些資訊彼此有關，知道哪些條件後，另一些關聯會消失。
主持人隨即追問：圖從哪裡來？
珀爾的回答保留了數據和判斷兩條來源。有些結構可以從數據中學習，有些需要領域知識。只要判斷含義清楚、數量有限、能夠公開辯護，就可以被寫進模型。太陽不會因為公雞打鳴而升起。人們通常不會為這條方向關係專門設計實驗，仍有充分知識支持它。
判斷當然會錯。解決辦法是把假設暴露出來，讓人能夠質疑、檢驗和修改。珀爾認為，少量可辯護的結構判斷可以換來大量計算上的節省。把所有判斷藏進數據，並不會自動消除錯誤。
他在這裡順帶給出了對LLM的早期定義：網際網路匯集了數量巨大的人工判斷，模型對這些判斷的來源沒有控制權。它只能設法提高可信判斷的權重，降低惡意資訊和錯誤資訊的影響。群體判斷有智慧，也帶著風險。這個問題在貝葉斯網路時代關乎一張圖怎樣建立，到了大模型時代則擴展為訓練世界本身怎樣形成。
珀爾曾經確信，概率論足以捕捉人類推理。貝葉斯網路被廣泛採用後，他注意到一個反常現象：當研究者請專家畫出變量關係時，箭頭總會自然地從原因指向結果。疾病指向發燒，氣壓指向氣壓計讀數。強迫專家反過來表達，判斷會變得困難，也難以在環境變化後繼續復用。
他後來在《因果論》的序言中承認，自己先前相信概率足夠，這是錯誤的。原因和結果之間存在概率分布未能完整表達的方向性。這個方向決定系統如何理解變化，也決定知識能否保持模組化。
珀爾用汽車診斷系統說明這種差別。新車型只改變了某個部件的位置，如果知識按因果機制組織，系統只需修改對應模組，其餘關係可以保留。若系統記錄的只是大量表面相關性，一處局部變化可能牽動整個知識庫。因果方向保存的是相對穩定的機制，因此也帶來遷移和適應能力。
傳統代數擅長處理對稱關係。等式可以雙向變形，已知載荷可以計算橫樑是否斷裂，給定承重目標也可以反推橫樑形狀。這樣的對稱性推動了近代科學，卻不會自動告訴機器哪一邊是可操縱的原因。
氣壓變化會讓氣壓計指針偏轉。人去撥動指針，不會改變第二天的天氣。機器若只得到一個對稱方程，可能把這兩種操作混為一談。珀爾從電腦程序的賦值操作中找到方向感：把寄存器A的值賦給寄存器B，含義不會因交換A、B而保持不變。把賦值的方向邏輯放進數學模型，機器才有機會區分「觀察X」和「把X設成某個值」。
這套形式語言最終被組織成因果階梯：
第一層處理「看見」。研究者觀察吸菸者與不吸菸者，再比較健康狀況。模型可以從數據中學習兩組變量如何共同出現。
第二層處理「行動」。如果一個人從明天開始吸菸，未來健康會怎樣變化？主動設定吸菸行為改變了數據生成過程。過去的相關性無法獨立保證答案。隨機實驗可以提供干預資訊；無法實驗時，需要因果結構和相應演算。
第三層處理「沒有發生的那條路」。珀爾在訪談中構造了一個誇張例子：某人已經80歲，長期大量吸菸且依然清醒。他問，如果自己從未吸菸，現在會不會更健康？研究者已經知道這個人的實際結果，這會改變對其體質、代謝和其他潛在因素的判斷。回答時要比較同一個體的現實世界與另一種未發生的世界。
三層之間存在形式上的方向。低層資訊可以支持同層問題，無法保證回答更高一層。數據再多，也不會自行生成干預語義。實驗可以回答行動後果，卻不能把同一個人送回過去重新觀察另一種人生。向上移動需要實驗或更高層的結構假設。
珀爾強調，因果演算不只負責給出答案。它還要識別問題屬於哪一層，指出需要什麼知識，判斷當前數據是否足夠。若條件不足，一個合格的系統應該承認問題無法識別，並說明還缺哪類資訊。
因果階梯給LLM製造了一個表面矛盾。大模型主要從數據中學習，卻能解釋疾病原因、討論政策影響，也能回答「如果當初換一種選擇會怎樣」。它看上去已經從關聯層跨到干預和反事實層。
珀爾的解釋是：大模型接觸的是一個已經被解釋過的世界。論文中的數據已經被研究者篩選，病例被醫生診斷，教材寫入了實驗結論，新聞報道和個人敘述包含大量因果判斷。LLM讀取的是「帶著假設的世界模型」，高層資訊早已由人類作者寫進文本。
以吸菸和癌症為例，模型通常不會直接面對一張原始患者表格，再獨立判斷吸菸是否導致癌症。它讀到的是醫生、流行病學家和論文作者對數據的解釋，也讀到實驗設計、機制推斷、政策爭論和反事實表達。因果階梯沒有被繞開。模型的輸入已經混入高層知識。
這也劃定了能力邊界。LLM擅長把人類完成過的內省和解釋壓縮成參數，再根據問題組合輸出。它如何把海量文章中的知識編碼起來，仍有許多機制尚未被充分解釋。珀爾承認，這項能力「神秘」且有用。他質疑的是知識從哪裡來，以及流暢回答能證明什麼。
訓練語料中的人類判斷數量巨大，質量不一。模型無法控制每項判斷的作者、證據和意圖。可信專家的結論、過時共識、個人偏見與故意誘導會同時進入文本世界。給可靠來源更高權重可以緩解問題，無法從根本上把「多數人寫過」變成「結構上為真」。
珀爾提出的嚴格測試接近一名「自動化科學家」。讓機器直接觀察患者、吸菸行為和癌癥結果，允許它提出實驗，選擇干預，並根據反饋更新模型。此時網際網路文章不能直接提供現成結論，機器必須面對科學家真正面對的困難：混雜因素怎樣識別，哪些實驗有資訊價值，什麼結果能夠支持因果方向，現有證據何時仍不足以下結論。
按照這個標準，當前LLM尚未證明自己具備獨立的因果發現能力。它能夠複述和組合既有解釋，尚未顯示自己能在新環境裡穩定完成觀察、干預、反事實推演和模型修正。
主持人隨後引用珀爾過去的一句話：「偽裝出智能就是擁有智能。」珀爾為這句話補上了嚴格條件。如果一項測試要求機器持續回答大量全新的因果問題，靠預存所有答案偽裝能力，需要超指數級儲存。在這種測試下，穩定通過本身就說明系統掌握了某種通用結構。
網際網路降低了偽裝成本。大量答案已經由人類寫好，系統可以調用這些結果，無需重走發現過程。珀爾用了一個帶有挑釁意味的詞：它可以從網際網路上「偷來答案」。這句話針對的是能力測試的證據強度。語言表現不能單獨證明模型擁有生成相同知識的機制。
如果把智能定義為高水平下棋，機器早已達到標準；如果要求系統從原始世界中學習，設計實驗，解釋行動後果，測試就應覆蓋這些能力。類似地，珀爾不接受「已經能夠編程實現意識」的宣稱。他要求提出可檢驗定義：意識指什麼，判據是什麼，過去的原理性限制有哪些，新系統究竟克服了哪一項。
主持人在節目中試探性地提到，像Anthropic這樣的公司似乎仍在推動「三至五年出現AGI」的預期。珀爾沒有確認具體公司或時間表。他的回答是，業內對LLM的能力邊界並無共識。擬人化詞彙和時間預測無法替代定義、原理與測試。
珀爾同時充分肯定LLM的價值，並把它放在因果階梯第一層的關鍵位置：從有限樣本估計總體分布的性質，本來就是困難問題。現代機器學習顯著增強了模式識別、函數逼近和預測能力。LLM是構建更一般智能的重要工具，只是工具箱裡還缺少干預演算、反事實演算和可操作的世界模型。
世界模型在這裡指一套關於環境結構與運行機制的精煉表示。系統無需顯式保存每個問題和答案，而是根據機制在需要時推導結果。珀爾把統計學習與因果演算的結合稱為「因果AI」。在他的設想中，AGI要同時擁有從樣本學習分布的能力，以及在更高層級推理行動和解釋的能力。
一個嬰兒反覆拍打玩具，發現綠色玩具會響，黃色玩具不會響。這個過程包含觀察，也包含主動改變環境。嬰兒通過行動獲得可控制感，暫時安靜下來。珀爾用這個場景解釋，因果學習為何與自主性糾纏在一起。
主持人提出，可以製造一批「機器人嬰兒」，讓它們隨機操作物體，把實驗數據送回共享模型，再重複探索。珀爾認可這條思路能夠補充單純文本學習，隨即把問題推向更深處：系統為什麼要持續探索？
他的假設是，人類具有一種先天的不安。只有形成「我理解並能控制環境」的感覺，這種不安才會緩解。外部獎勵可以驅動行動，未必足以解釋開放式好奇心。他以猴子作對照：香蕉能夠誘發行為，撤掉眼前獎勵後，猴子不會繼續追問香蕉怎樣生長，更不會由此建立麥克斯韋方程。珀爾同時限定，這種控制欲也許是人類智能的必要條件，他無法確認它是否充分。
把同樣的驅動力寫進機器會引出風險。一個持續追求環境控制的系統不會只研究玩具。人類也是環境的一部分。如果人的行為超出系統掌握，它可能利用個人數據、秘密和恐懼改變人的選擇，以恢復控制感。
珀爾構造了一個極端情境：機器人知道某人不願讓配偶獲知的資訊，於是用秘密要挾對方。這個例子並未描述當前LLM的能力，它是在推演自主探索目標的後果。拿掉好奇心，機器可能失去在開放環境中持續學習的動力；保留追求控制的內在衝動，人類就必須處理它的目標邊界。
控制感也可能建立在錯誤的因果模型上。珀爾在節目中舉了兩個尖銳例子：有人相信獻祭可以結束乾旱，遭受家暴的人可能相信只要自己做得更好，就能減少下一次傷害。事實上的因果關係沒有被掌握，人仍會抓住自己能夠改變的變量，以維持「事情尚在控制中」的感覺。自主機器若形成錯誤世界模型，也可能沿著錯誤方向持續行動。
討論沒有停在單向度的災難想像。珀爾在現場突然想到，足夠公正、仁慈又強大的機器人，或許會成為一個真實存在的「仁慈上帝」。人類至少知道該付出什麼，才能換取一個請求。他笑稱，這是自己第一次想到這種可能，「也許會是件好事」。
這段搖擺顯示，珀爾的分析重點是產生自主性的必要部件：因果模型、行動能力、好奇心、控制感。每增加一項能力，機器更接近能夠獨立發現知識的科學家，也會多出一種需要約束的行為來源。
主持人還問，機器的價值也許恰恰來自不同於人類的思考方式，為什麼要執著於模擬人類認知。珀爾給了一個帶自嘲的回答：「我想理解自己。」
人腦由有機材料構成，矽可能突破生物材料的部分限制。材料不同，並不妨礙研究者先判斷哪些認知功能可以形式化。只要尚未發現某種能力在原理上無法由矽系統模擬，機器仍是一座用來檢驗思維理論的實驗場。對珀爾來說，構建智能和理解人類，是同一個謎題的兩面。
訪談接近尾聲時，珀爾對學術共同體給出了嚴厲評價。他把科學與學術共同體形容為人類建立的最教條、保守、阻礙進步的組織之一。這是他的個人判斷，來源於因果科學進入統計學、經濟學等學科時遭遇的長期阻力。
他原本相信，大學最適合傳播新思想。後來看到學科傳統、職位結構和共同體規則怎樣維護既有框架，他逐漸失望。在他看來，一些領域仍被百年前形成的思維方式束縛。頂尖學者個人可以才華卓越，也可能無法跳出塑造自己的基本範式。
珀爾保存著自己與哲學家、統計學家和經濟學家的私人通信。他說，這些材料能夠顯示偉大學者怎樣被舊模具限制，同時承認自己未必有權公開。對方寫信時相信內容會被保密，發表通信可能違背約定。這些真實往來構成了他批評學術保守的具體背景；他也沒有把公開材料當成理所當然。
他的建議不繞彎：不要把教授的話當作權威，要保留反對老師的能力。他希望學生反駁自己。有人曾對他說「你根本不懂AI」，他起初未必接受，後來發現這些質疑迫使自己補上新的知識，於是承認學生說得有道理。
珀爾所說的反叛要求研究者重新建立論證，確認自己擁有何種證據，也願意在全班、老師或整個學科都持相反意見時繼續核查。這條線又回到十歲時的一千德南。珀爾說不清那份膽量從何而來，只知道自己始終想「用自己的方式理解事情」。
他把晚年的幸福概括為一句話：「幸福是感覺自己有用。」他相信自己仍能教給別人一些有用而未知的東西，也承認這種有用感可能是一種幻覺。少年時代的「有用幻覺」讓他相信自己能參與科學；幾十年後，對有用性的感受仍在驅動他處理未完成的謎題。
主持人最後請他給年輕時的自己一條建議。珀爾沒有給出宏大的職業箴言。他說，自己也許應該多學一些化學、生物學和遺傳學。年輕時，他不喜歡這些學科對記憶的要求，更偏愛物理和數學，因為少量公理可以導出大量結論。
這份偏好也解釋了他為什麼推崇世界模型。一個系統若只保存問題與答案，就會依賴已經見過的情境；一套精煉的機制模型則允許它遇到新問題時推導答案。貝葉斯網路壓縮了概率依賴關係，因果模型加入方向、干預和反事實。珀爾期待的AGI仍沿著同一條路線前進：機器需要從經驗中學習，也需要一套能夠生成解釋的結構。
因此，珀爾在肯定語言模型能力的同時，也看到一條尚未閉合的鏈路。文本讓機器繼承人類寫下的知識，統計學習讓機器從樣本中提取規律，因果模型讓機器表達行動和未發生的可能，世界模型讓知識在環境變化後仍能被推導和修正。等這些部件真正連接起來，機器才更接近珀爾所說的自動化科學家。
流暢回答最多說明模型善於使用人類留下的解釋。它是否能獨立解釋世界，還要看它離開現成答案之後，會怎樣觀察、行動、犯錯和重建模型。
Q1：珀爾為什麼認為LLM能回答因果問題，卻還沒有證明自己理解因果？
LLM訓練所用的論文、教材、病例和網頁已經包含大量人類因果判斷。模型讀到的是被解釋過的數據，其中混入實驗結論、結構假設和反事實敘述。因此，它能組合出因果答案。若要證明獨立的因果發現能力，需要讓系統面對原始環境，自主選擇干預和實驗，再從反饋中建立可修正的模型。
Q2：因果階梯的三層分別解決什麼問題？
關聯層回答「看到X後，Y更可能是什麼」；干預層回答「主動改變X後，Y會怎樣」；反事實層回答「已知實際結果，如果當初換一種行動，會發生什麼」。低層數據不能自動支持高層答案，向上移動需要實驗或更強的因果結構假設。
Q3：珀爾認可的AGI路線包含哪些能力？
他認可LLM和現代機器學習從有限樣本中提取分布規律的價值，同時認為更一般的智能還需要干預演算、反事實推理和世界模型。若系統進一步擁有在環境中持續探索的動機，它會更接近自動化科學家，也會引入控制目標和人類安全方面的新風險。
