Google DeepMind论文：LLM无法引发科学革命，但世界模型可以

一句话看懂

Google DeepMind研究员Tom Zahavy发表论文，认为语言模型无法像人类科学家那样“跳跃”到全新范式，而世界模型可能具备这种潜力。

详细发生了什么

Google DeepMind研究员Tom Zahavy在最新论文《LLMs can’t jump》中，系统论证了当前语言模型（LLM）在科学发现上的根本局限。他指出，LLM本质上是基于统计模式的预测引擎，擅长在已有知识空间内组合、优化，但无法实现科学革命所需的“认知跳跃”——即打破现有范式、创造全新概念或理论。

Zahavy认为，科学革命往往源于对世界模型的根本性重构，而非语言模式的延续。例如，爱因斯坦的相对论并非从牛顿力学文本中推导出来，而是对时空本质的重新想象。LLM缺乏这种对世界因果结构的深层理解，因此只能“模仿”而非“创新”。

论文提出，未来方向是构建“世界模型”（world models）——能够学习环境因果结构、进行反事实推理和主动探索的智能系统。这类模型可能通过强化学习、结构化因果建模等方式，获得类似人类的科学发现能力。

中文圈视角

这篇论文对中文AI圈有几点直接启示：

国产大模型的定位：当前国内大模型（如DeepSeek、Kimi、智谱GLM）主要比拼长文本、多模态、推理能力，但本质上仍是LLM范式。如果Zahavy的判断成立，单纯扩大参数和训练数据无法突破科学发现的天花板。中文开发者应关注世界模型相关研究，避免在LLM赛道上“内卷”到死。
科研工具的价值：中文科研社区（如高校、中科院）对AI辅助科研需求旺盛，但现有工具（如ChatGPT、文心一言）多用于文献总结、代码生成，而非真正的假设生成。世界模型若能落地，可能改变科研范式，但国内相关研究（如因果推理、世界模型）尚处早期，缺乏像Google DeepMind那样的系统化投入。
监管与合规：如果世界模型具备更强的因果推理能力，可能涉及更复杂的伦理和安全性问题（如反事实推理被滥用）。中文监管层需提前关注此类技术的风险评估。
一个盲点：中文媒体在报道AI进展时，常忽略“认知机制”这一根本问题。这篇论文提醒我们，AI的下一步不是“更大会说话”，而是“会理解世界”。

几条值得记住的细节

论文标题《LLMs can’t jump》中的“jump”指科学革命中的范式跳跃（paradigm shift）。
Zahavy认为LLM只能进行“插值”（interpolation），无法进行“外推”（extrapolation）到全新领域。
世界模型的关键能力包括：因果结构学习、反事实推理、主动探索。
论文未提出具体实现方案，但暗示强化学习和结构化因果模型是可能路径。
该论文发表于2026年7月，尚未经同行评审。

一句话总结

LLM擅长模仿但不会创新，世界模型才是科学发现的下一个突破口——中文AI社区需要跳出参数竞赛，关注认知机制。