下一代人機智能的關鍵可能在于非生成式模型的應用與發展。與生成式模型不同，非生成式模型不直接生成數據，而是通過學習數據的特征和規律來進行推理和決策。它能夠更高效地處理復雜問題，適應現實世界的復雜性和不確定性，同時具備更好的推理、規劃和持久記憶能力。非生成式模型有望在建立世界模型、分層行動規劃、非語言推理以及適應不確定性等方面取得突破，從而推動人機智能向更安全、更可靠、更接近人類智能的方向發展。

1、非生成式模型的特點與優勢

非生成式模型不直接生成數據，而是通過學習數據的特征和規律來進行推理和決策。如聯合嵌入預測架構（JEPA）不直接生成像素級的預測，而是在一個更抽象的“表征空間”里進行推理。

非生成式模型能夠更高效地處理復雜問題，因為它不需要生成大量的數據來模擬現實世界，人類大腦在預測物體運動時，并不是通過生成每一幀畫面來實現的，而是通過抽象的表征和推理。非生成式模型具有更好的適應性，能夠更好地適應現實世界的復雜性和不確定性，現實世界常常是混亂的、連續的，不像語言那樣結構化，非生成式模型可以通過學習數據的特征和規律，更好地理解和應對這種復雜性。

下一代人機智能需要具備對物理世界的深刻理解，而不僅僅是處理符號或文本。非生成式模型可以通過學習物理規律，如重力、物體互動等，來建立世界模型。非生成式模型能夠像人類一樣進行推理和規劃，思考“如果這樣做，會發生什么”，并制定策略。例如，人類在規劃旅行時，會從高層次目標分解到具體動作，如“打車 → 機場 → 飛機”，而非生成式模型也可以通過類似的方式進行分層行動規劃。同時，非生成式模型還需要具備持久記憶能力，能夠長期積累和調用經驗，這與人類的記憶方式類似，人類可以通過長期積累的經驗來指導當前的行為和決策。非生成式模型必須嚴格遵循設定的目標，不能偏離或“自作主張”，以確保人機智能系統的安全性和可靠性。

2、非生成式模型的發展方向

（1）建立世界模型，讓AI能夠模擬物理規律，如重力、物體互動等，從而更好地理解現實世界。

（2）分層行動規劃，像人類一樣，從高層次目標分解到具體動作，提高AI的行動規劃能力。

（3）非語言推理，真正的智能不依賴語言，而是基于抽象表征。非生成式模型可以通過學習抽象表征來進行推理，從而提高AI的智能水平。

（4）適應不確定性，現實世界是復雜和不確定的，非生成式模型需要具備適應這種不確定性的能力。通過學習數據的特征和規律，非生成式模型可以更好地應對現實世界的復雜性和不確定性。

綜上所述，非生成式模型在理解物理世界、推理和規劃能力、持久記憶和安全可控性等方面具有顯著優勢，這些優勢使其成為下一代人機智能的關鍵。未來，非生成式模型有望在人機智能領域取得重大突破，推動人機智能的發展。