研究时间：2026-06-17 ｜ 所属领域：AI 通用建模 / 世界模型 / 学习科学 ｜ 研究对象类型：技术范式与愿景定位
用途：为一篇面向公众的深度愿景文章做前置研究——把「用 AI 为世界建模、找通用解法」这件事放进 300 年的思想长河与当下的竞争图谱里，看清它站在哪。
通几·Aletheia：用 AI 加速「建模」——把各专精领域的解综合成能抽象、能泛化的通用解，学过去、懂当下、逼近未来；人与 AI 在一个循环里互教迭代，越建越准；而建模这个过程本身，就是意义。
正名「通几」取自方以智《物理小识》「质测即藏通几」——质测是各学科的实证（专精／术），通几是贯通万物的底层规律（通用／道）。副名「Aletheia」取海德格尔对希腊「真理」的解：去蔽，让被遮蔽的关联显现。一句话：格物以通几，立象以见真。
这件事不新。新的是，它这次也许第一次有了能成的载体。
故事的源头在十七世纪。莱布尼茨想做两件配套的事：一套能精确表达一切思想的「概念字母表」（characteristica universalis），加一台对这些符号做机械运算的「推理演算器」（calculus ratiocinator）。合起来，是要把「思考」和「争论」变成「计算」。他留下一句后来被反复引用的话——两个人吵架时，不必脸红脖子粗，坐下来说一句「Calculemus（我们来算一下）」，像算账一样把谁对谁错算出来。
斯坦福哲学百科里，库蒂拉认为莱布尼茨「已经掌握了后来布尔、施罗德整个逻辑代数的全部原理，某些地方甚至更超前」。但这梦做了个寂寞：手稿生前几乎没发表，锁在汉诺威图书馆里近两百年。后来布尔、德摩根搞出现代逻辑，是独立重新发明的，并非继承自他——他对现代逻辑「是否真有实际影响」，学界至今有争议。更要命的是，他没有载体：再精巧的符号系统，没有一台机器去跑它，就只能停在哲学层。
这是第一个伏笔：通用建模的梦想，缺的从来不是野心，是能跑它的机器。
三百年后，机器来了。1957 年，Newell、Simon、Shaw 在 RAND 造出 General Problem Solver——史上第一个号称「通用问题求解器」的程序。它的野心写在名字里：任何能形式化为良构问题的难题，它都该能解。核心机制叫「手段-目的分析」：不断比较「现在在哪」和「想到哪去」，挑一个能缩小差距的操作，一步步逼近目标。它还做了一件影响深远的事——第一次把「知识」和「求解策略」分开。
然后它撞墙了。墙的名字叫组合爆炸。维基百科记得很清楚：穿过推理图的「走法」数量爆炸式增长，计算上根本不可行，连稍微复杂点的问题都会让搜索空间炸掉，最后只能解几个玩具问题。GPS 标志着早期符号主义 AI「通用求解」梦想的第一次正式幻灭。
这是全文最重要的一条历史教训：通用性，靠纯符号硬搜是会被组合爆炸打死的。 记住这堵墙——后面所有「这次为什么可能不一样」的论证，都要从这堵墙绕过去。
幻灭之后，有一条不起眼的支线，走了完全相反的路：不贪大求全去解「一切」，而是先把一个具体系统精确建模，再求那个系统里的通用最优策略。这条线，是学习科学。
1985 年，波兰人 Piotr Woźniak 拿纸笔开始跟「遗忘」较劲；1987 年他把它搬上电脑，做出 SuperMemo 和 SM-2 算法。他干的事，本质就是给「人脑记忆」这个世界建了个模——后来收敛成三个变量：难度（Difficulty）、稳定性（Stability，记忆能撑多久）、可提取性（Retrievability，此刻能想起的概率）。建好模，就能求一个通用解：在「快忘了」的那个临界点安排复习，用最少的次数换最长的留存。
三十多年后，叶峻峣（网名 L-M-Sherlock）接着往下做。他从「墨墨背单词」的数据和论文起步，用机器学习把 Woźniak 手调的固定公式，换成对每个人、每张卡的个性化拟合——这就是 FSRS，2023 年被 Anki 正式内置，同样的留存率下复习量能砍掉两三成。从 SM-2 到 FSRS，是一个完整的缩影：一个小众的、靠专家手感的建模，被数据和 AI 重做成了开源的通用工具。
而把这条线在中文世界推到「世界模型」高度的，是于建国（B 站叫 YJango，西安电子科技大学博士后）。他的「渐构」——名字本身就是 Model + evolution——把「学习」重新定义成「在大脑里建构、并不断演化一个能预测、能迁移的世界模型」。他反对「仅凭感觉的学习」，认为人和人的天赋差距，本质是「学习这件事本身从没被科学地理解和训练过」。他有一句座右铭，分量很重：「生命的遗产，是对知识的更新。」
这条支线最贴本愿景的母题。它示范的方法论内核就一句：先建模，再求通用最优；不求一步通天，靠数据和 AI 慢慢把它通用化。
到了这几年，通用建模的梦突然又活了，而且是两条腿一起迈。
一条腿在物理世界。李飞飞 2024 年带 World Labs 出山，主张「空间智能是 AI 的下一个前沿」。她对 LLM 有句犀利的判词：今天的大模型是「黑暗中的文字匠——雄辩但没有经验，博学但没有根基」。她说「世界不是由文字构成的」：语言模型学文本的统计结构，世界模型得学空间和时间的统计结构——光怎么落在表面，物体怎么遵守物理。
另一条腿，是把 GPS 那堵墙绕过去的关键。Anthropic 押注 coding，赌的是一个朴素却致命的点：可验证性。代码能编译、能跑测试、能过 CI——它有客观、可自动判定的对错。Anthropic 举 SWE-bench 为例：给模型真实代码库加真实 bug，让它写出能通过项目自带测试的修复。这种「可验证的奖励信号」正是强化学习最需要、而开放式对话给不了的。代码还有另一重身份：图灵完备，能表达任意可计算的问题——这几乎就是莱布尼茨那套 characteristica 的现代回声。
把这两件事接起来，就是全文的因果闭环：GPS 死于「无法判定对错、只能盲搜」；这一次能动，是因为人类找到了一种「图灵完备 + 可验证」的通用语言——代码。 三百年的墙，是从这里翻过去的。
（红线：「coding 能力会外溢提升一切」是 Anthropic 的论断和业界分析，不是已证的科学事实；「8 倍代码产出 / 任务时长每 4 月翻倍」是公司自报数据，引用须标出处。）
如果说前面都还是「主张」，那 AlphaFold 是「证明」。DeepMind 用深度学习，从氨基酸序列直接预测蛋白质的三维折叠——一个困了生物学界整整五十年的难题。过去测一个结构常要一年以上的昂贵实验，它几乎瞬间给出高精度预测，数据库里已经放了两亿多个结构（真做实验要几亿年），190 多个国家、300 万研究者在用。2024 年，Hassabis 和 Jumper 因此拿了诺贝尔化学奖。DeepMind 自己的定调是：这是「AI 能成为推进科学的强大工具的第一个重大证明点」。
从莱布尼茨「算一切」的哲学梦，到 AlphaFold 真的「算出了」蛋白质——通用建模求解的梦想，第一次在硬科学里兑现。这是纵轴的压舱石。
把「为世界建模 / 找通用解 / 学习增强」这条赛道上的玩家拉到同一张桌子上，用三条轴量一量：①生成世界的「样子」↔ 发现世界的「法则」；②纯 AI 自动 ↔ 人在环路；③只是工具 ↔ 带意义/愿景叙事。
| 玩家 | ①样子↔法则 | ②全自动↔人在环路 | ③工具↔意义 |
|---|---|---|---|
| World Labs / Marble | 极偏「样子」 | 偏自动 | 工具 + 空间智能叙事 |
| LeCun JEPA / LeJEPA | 偏「法则」 | 自动 | 纯研究，无意义层 |
| Anthropic/OpenAI/Google agent | 中性（不直接建模世界） | 可调 | 纯工具底座 |
| AlphaFold / Isomorphic | 偏「法则」（窄域折叠） | 偏自动 | 工具（科研/制药） |
| AlphaEvolve | 偏「法则」（算法），被可验证性框死 | 自动但须评估器 | 工具 |
| AI Co-Scientist | 偏「法则」 | 强人在环路 | 工具 |
| Sakana AI Scientist | 偏「法则」 | 最偏全自动（争议大） | 工具 |
| 符号回归 AI Feynman / PySR | 极偏「法则」（直接出方程） | 自动 | 纯窄域工具，无叙事 |
| Anki / RemNote / Obsidian | 不建模世界（记忆/关联） | 工具（人主导） | 纯工具（被批「收藏≠思考」） |
| 渐构 Modevol（于建国） | 「学习的法则」 | 人主导 + AI 辅助 | 唯一强意义叙事 |
Marble（2025-11 发布）能从一张图、一段视频或一句话，生成高保真、可持久、可编辑的 3D 环境，底层是 3D Gaussian Splatting。它把 3D 创作的门槛砸下来了，影视、机器人训练、教育都用得上。但它身上有个核心张力：李飞飞自己叫它 world model，学界一派直接说「This is not a world model」——它是个 3D 场景生成器，重建外观和几何，不建模物理、因果、动力学。有开发者讥讽，那不如直接 text-to-image 再 image-to-splat。生成世界的「样子」，不等于理解世界的「法则」。这是横轴上第一个要划清的边界。
Anthropic、OpenAI、Google 的 agent/coding 路线，本质是给所有人提供「通用执行底座」。Anthropic 甚至明说 Claude Code 已经「远不止是编码工具」，把它的核心循环——收集上下文 → 行动 → 验证 → 再循环——抽象成通用 agent 的需求，改名 Claude Agent SDK。但要看清：这三家是本愿景的基础设施供给方，不是愿景本身。 它们提供「手和脚」，不替人回答「为什么建模、建模为了谁」。在三轴上，它们对「样子 vs 法则」是中性的，对「意义」是缺席的。
这一极最热闹，也最能说明问题，因为它内部就把「人在环路」这条轴演示了一遍：
这一层是离普通人最近的，也是失败得最整齐的。Anki/RemNote 把间隔重复做到了极致（FSRS 砍掉两三成复习量），但它们只优化「记忆留存」，不碰「知识结构化和理解」。Obsidian 这类「第二大脑」更被批得狠：「收藏≠思考」——多数人混淆了「收集」和「理解」，囤了一堆笔记却不做综合的认知苦工；图谱制造「洞察的幻觉」，多数自动连接是语法（词匹配）而非语义；工具越强越要伺候它，时间从「创造知识」变成「维护机器」。
唯一的例外是渐构。于建国把「科学的学习理论」和「AI 辅助」往一起捏，还带着「生命的遗产是对知识的更新」这种强意义叙事——在整张表里，它是唯一一个既谈法则、又谈意义的玩家。但它停在一个单点的教育产品/课程上，不是一个可编程、可生长的个人 AI OS。
把纵轴的三百年和横轴的图谱叠到一起，几个判断自己浮出来。
判断一：本愿景落在一个真实的空白上。 横轴量完，结论刺眼——最热的玩家做「样子」（World Labs），最纯做「法则」的是窄域科研工具（符号回归），通用底座只管「执行」（三大厂），个人层卡在「记忆和关联」（第二大脑）。没有任何一个玩家，把「为世界找法则」的技术雄心、「学习与意义」的人文叙事、「面向个人的可落地 AI OS」这三样合在一起。 它们分散在三类互不往来的人手里。通几·Aletheia 的差异化，不在某一项做得最好，而在这三者的合一。
判断二：「人在环路」不是情怀，是 2026 年学界用一摞论文背书的硬边界。 这一年有一批 arxiv 集中质疑「全自动科学发现」：训练语料过度代表正结果，三阶段管线把这种失真放大两倍多；前沿模型普遍「乐观偏差」，把低质量提案评成可靠；只有当反馈是「真实结构化」的（人或实验在环），AI 的发现量才真涨，把反馈随机打乱后增益就消失。换句话说——纯 AI 自动，在开放问题上会自信地放大自己的盲区。 本愿景把「人在环路、人机互教」写进内核，不是退而求其次，是踩在了当下最硬的证据上。
判断三：历史教训正好为本愿景的方法论背书。 GPS 死于「想一步通用、却被组合爆炸打死」；而真正走通的支线（SuperMemo→FSRS→渐构）走的全是「先精确建模一个具体系统，再让数据和 AI 把它逐步通用化」。本愿景「专精→通用」的路径，不是新发明，是被三百年验证过的那条活路——别一上来就屠龙，先把一件具体的事建模到能跑，再让它长大。
判断四：诚实的边界。 这条路最大的风险，恰恰藏在它最迷人的地方。AlphaFold 之所以成，是因为蛋白质折叠有可验证的真值；AlphaEvolve 的天花板就是「得有可信评估器」。而本愿景想伸手去够的那些最大的问题——怎么学、怎么活、什么有意义——恰恰是最难给出「可验证评估器」的。这意味着，在那些领域，AI 永远只能是「人在环路」里的协作者，给不了标准答案。这不是缺陷，这正是「建模本身即意义」这句话的落点：当答案无法被一次性验证，持续逼近的那个动作，就成了意义本身。
回到开头那句话。莱布尼茨缺的是机器，GPS 缺的是可验证的语言，第二大脑缺的是「为知识建模世界」的内核，符号回归缺的是意义和人。三百年的长河里，每一段都缺一块。通几·Aletheia 想做的，是把这些散落的拼图，第一次拼在一个普通人够得着的地方——并且承认，有些图永远拼不全，而拼的过程本身，就是意义。
纵轴：
- 莱布尼茨：Stanford Encyclopedia of Philosophy https://plato.stanford.edu/entries/leibniz-logic-influence/
- GPS：Wikipedia https://en.wikipedia.org/wiki/General_Problem_Solver ；原始论文 https://stacks.stanford.edu/file/druid:zk239tp3547/zk239tp3547.pdf
- SuperMemo：Woźniak 本人《真实的间隔重复史》 https://www.supermemo.com/en/blog/the-true-history-of-spaced-repetition
- FSRS：GitHub https://github.com/open-spaced-repetition/free-spaced-repetition-scheduler ；叶峻峣 Notion 史 https://l-m-sherlock.notion.site/The-History-of-FSRS-for-Anki-1e6c250163a180a4bfd7fb1fee2a3043
- 于建国渐构：官网 https://www.modevol.com ；网易专访 https://www.163.com/dy/article/J0S1NDVP05259U67.html
- 李飞飞 World Labs：《From Words to Worlds》 https://drfeifei.substack.com/p/from-words-to-worlds-spatial-intelligence ；World Labs 博客 https://www.worldlabs.ai/blog
- Anthropic coding：《Recursive self-improvement》 https://www.anthropic.com/institute/recursive-self-improvement ；SWE-bench https://www.swebench.com/
- AlphaFold：DeepMind《Five Years of Impact》 https://deepmind.google/blog/alphafold-five-years-of-impact ；诺奖演讲 https://www.nobelprize.org/uploads/2024/12/hassabis-lecture.pdf
横轴：
- World Labs/Marble 争议：https://www.banandre.com/blog/fei-fei-li-world-labs-marble-gaussian-splatting-world-model-debate ；TechCrunch https://techcrunch.com/2025/11/12/fei-fei-lis-world-labs-speeds-up-the-world-model-race-with-marble-its-first-commercial-product/
- 三大厂 agent 策略：https://www.mindstudio.ai/blog/anthropic-vs-openai-vs-google-agent-strategy ；Anthropic agent 哲学 https://claude.com/blog/building-agents-with-the-claude-agent-sdk
- AlphaEvolve：https://arxiv.org/pdf/2506.13131 ；AI Co-Scientist：https://deepmind.google/blog/co-scientist-a-multi-agent-ai-partner-to-accelerate-research/
- 符号回归 AI Feynman：Science Advances https://www.science.org/doi/10.1126/sciadv.aay2631
- 第二大脑批判：https://medium.com/@ann_p/your-second-brain-is-broken-why-most-pkm-tools-waste-your-time-76e41dfc6747 ；https://josiahalenbrown.substack.com/p/the-trap-of-pkms
- LeCun JEPA/LeJEPA：V-JEPA https://ai.meta.com/blog/v-jepa-yann-lecun-ai-model-video-joint-embedding-predictive-architecture/ ；LeJEPA 解读 https://www.turingpost.com/p/lejepa
- 「全自动 AI 科学家」质疑：arxiv 2605.08956 / 2606.04220 / 2605.30329 / 2603.26177
方法论：横纵分析法（纵轴追时间深度、横轴追同期广度、最终交汇出判断），由数字生命卡兹克提出。本报告纵横素材由两路并行联网搜集（多源搜索 + arxiv + 一手源）；个别页面（叶峻峣 Medium、知乎 p/675151917）被 CAPTCHA/403 拦截，已用一手源补齐。