AI最大麻烦不在幻觉，也不在边界：它至今没有一个像样的基础理论

过去两年，关于AI风险的讨论几乎被两个词占据。前一个是"幻觉"，后一个是"边界感"。前者说的是模型胡编乱造，后者说的是模型不知道该停在哪里。这两种批评都很有道理，但把它们当作AI最深层的问题，可能都还不够到位。

真正棘手的问题在更底下一层。今天的AI跑得越来越快，能写代码、能改论文、能操盘工作流，甚至能替人下单和调用系统，但这一整套东西背后，其实还没有一个像样的、经得起追问的基础理论。什么叫智能，什么叫意识，一个能生成内容的系统跟一个真正的主体差在哪里，多个智能体之间的关系怎么刻画，智能的演化到底遵不遵循某种动力学，这些问题至今没有公认答案。

幻觉和无边界都是症状，不是病根

先把两个流行说法拆开看。

幻觉这件事，本质上跟生成能力捆在一起。大语言模型的工作方式，就是根据上下文推断出概率最高的下一段内容。它不是数据库检索，它是概率补全。所以它天然具备一种"创造性"，能把不完整的信息拼成完整的叙述。这种能力有时候叫幻觉，有时候叫创作，边界模糊得很。学界近两年的共识是，幻觉未必能彻底消除，因为它跟生成本身是一枚硬币的两面。要压低幻觉率，代价往往是牺牲创造性和迁移能力。

边界感的问题更微妙一些。有观察者指出，AI进入现实执行时最危险的不是它答错了，而是它不知道什么时候该停。这个判断触及到了一个更本质的东西：一个系统之所以能守住边界，前提是它得先有"自我"。有自我，才有自我与环境的分界；有分界，才有权限、责任、后果的意识。今天的AI严格来说没有自我，它有的是被训练出来的角色扮演层和对齐层。所谓的边界，是外部规则灌进来的，不是内在结构长出来的。

所以幻觉是生成层的副产物，无边界是主体缺席的副产物。两者的病根，都指向同一个问题：我们不知道AI到底是什么，也不知道智能这件事的底层结构是什么。

工业界正在用工程手段绕过这个理论真空。检索增强生成用来压幻觉，权限沙箱用来兜边界，人在环路用来堵责任缺口，评测榜单用来衡量能力。这些方法有用，但都在修补，不在打地基。ScienceDirect今年发表的AI综述明确指出，尽管AI取得了重大进展，仍然没有一个统一的理论能够解释自然智能和人工智能，涵盖记忆、情感和意识的整合理论仍是未来的关键方向。TimeTrex的2026年AGI观察也承认，学界至今没有一个被普遍接受的关于人类水平智能的技术定义。这不是措辞谨慎，是真的没有。

广义智能体理论试图回答的四个问题

在这样一片理论空白里，全球范围内出现了不少探索性的框架。有从自由能原理出发的，有从预测编码出发的，有从整合信息论出发的，还有从形式数学统一智能的尝试。中国科学家团队近年提出的广义智能体理论，是其中一个把问题摊得比较开的框架。

这个理论把智能体定义为"开放的信息处理系统"，从这一条公理出发，推导出四个推论，试图正面回应四个长期悬而未决的问题。

第一个是主体问题。什么才算智能体？温度计算不算？细胞算不算？大语言模型算不算？拉普拉斯妖算不算？该理论提出的"最小完备架构"给了一套统一的坐标：控制、生成、记忆、输出、输入五个不可再拆的功能模块。任何一个开放信息处理系统，无论物理实现是碳基、硅基还是别的什么，都可以在这五个维度里找到自己的位置。这一步的意义在于，它给了不同学科的智能体研究一个共同的度量衡。

第二个是分类问题。给定五维能力空间，怎么把不同的智能体分档？该理论用"零/非零"和"有限/无限"两个自然断点做三值离散化，构造出一张"智能体能力周期表"，一共二百四十三种理论构型，划分为阿尔法组、有限组、超限组、欧米伽组四大类。这个思路在科学史上有过先例，门捷列夫的元素周期表就是通过找到关键断点来完成分类的。分类不是目的，而是给后续的比较和演化研究提供地图。

第三个是演化动力问题。智能体的能力状态不是静态的。为什么有的系统会退化，有的会自我增强？该理论引入了阿尔法退化场和欧米伽增强场两个作用力，并定义了"智能质量"作为智能体对场的固有响应特征，试图写出一个类比经典力学的演化方程。这一步争议最大，因为它触及了很多人对"物理化智能"这种做法的本能怀疑。但客观来说，如果没有类似的量化尝试，智能演化就永远停留在文学化描述阶段。

第四个是多智能体关系问题。当两个或更多智能体共处一个环境，它们的感知、通信、交互如何刻画？该理论沿着最小完备架构的功能耦合，构造了一张多智能体关系谱系。这跟当前AI从单体走向多智能体协作的产业趋势直接对应。

这套框架不是唯一的答案，也不必然是最后的答案。它有自己的问题，比如某些命题从"定理证明"降级为"构造性论证"更为合适，比如与自由能原理、整合信息论的接口还需要更多细化。但它至少把问题问对了：不谈架构谈能力，不谈能力谈动力，不谈动力谈关系，AI这门学问就没有真正的地基。

修补技术之外，需要修理论

值得注意的是，产业界目前把绝大部分资源投在了模型规模和工程护栏上，理论层的投入相对稀薄。这不是抱怨，是一个可以理解的分工。大公司要交付产品，学界的理论构建慢，回报周期长，短期看不出商业价值。

但代价也在显现。没有基础理论，我们就没法回答一些最基本的问题：能力提升到什么程度就出现了意识雏形？多智能体系统在什么条件下会发生集体行为的相变？智能体的"自我"到底是模块级属性还是系统级属性？这些问题不是哲学花絮，它们直接决定了监管边界怎么划、安全测试怎么做、能力评估用什么指标。

近两年出现的一些尝试值得关注。除了广义智能体理论，还有基于自由能原理的主动推理框架、马里兰大学团队提出的工业AI统一基础框架、以及一批把控制论、信息论和拓扑表示结合起来的数学化尝试。ResearchGate上流传的"通用人工智能统一理论"论文集试图用信息论和优化理论去桥接生物智能和人工智能。这些工作各自角度不同，也不一定相容，但共同点是承认了同一个前提：AI需要基础理论，而不是只需要更大的模型。

回到最初的话题。幻觉当然要治，边界当然要设，但如果我们只在这两个症状上打转，最终会发现越治越像修一台没有说明书的机器。有说明书的机器，坏了知道哪里出问题；没说明书的机器，越修越像玄学。今天的AI就正走在这条路上。

真正紧迫的，不是造更大的模型，而是把智能这件事的底层结构讲清楚。广义智能体理论是其中一次尝试，未必成功，但方向是对的。谁能率先把这套基础理论建起来，谁就掌握了下一轮AI竞争里最难被复制的东西。