Google 讓 AI 自己畫出文字！這是走向 AGI 通用人工智慧的賭注！

Google 最近推出的 NanoBanana Pro 生圖應用在各大社群平台掀起熱議。這次最大的突破不只是畫得更美、更仔細，而是大幅改進了多語言文字生成能力，支援中文、日文、韓文等語言，文字渲染品質顯著提升。

但有個問題：明明可以用現成的字型庫（像 Photoshop 那樣貼上文字），保證 100% 拼寫正確，為什麼 Google 要用好幾個版本迭代，堅持讓 AI「自己畫」出文字？

答案藏在 Google 對 AGI 通用人工智慧的長期願景中。這個看似「多此一舉」的技術選擇，實際上是一場關於如何訓練人工智慧系統的重大賭注。這篇文章將深入探討 Google 與 Tesla 如何透過「移除輔助輪」來訓練 AGI，以及這對整個 AI 產業和 GPU 需求的深遠影響。

端對端生成 vs 工具調用：技術路線之爭

Google 的做法觸及了人工智慧領域一個核心的技術選擇題：端對端生成與工具調用的路線之爭。

簡單路：引用外部套件

就像在 Photoshop 裡貼上一個圖層。文字是完美的，拼寫 100% 正確，但它是「浮」在畫面上的。它不懂光影、不懂材質、不懂透視。

這種方法的優點顯而易見：

• 開發快速，技術成熟
• 文字永遠不會拼錯
• 可以使用現有的字型庫

但缺點也很明顯：文字與場景是分離的，無法產生真實的物理互動。

困難路：端對端自行生成

模型將文字視為「物體」的一部分，直接在像素層級生成：

• 如果畫面是霓虹燈，文字本身就是光源，會照亮周圍的牆壁
• 如果文字刻在石頭上，文字會有凹凸的陰影和風化的質感
• 如果文字寫在起霧的玻璃上，文字邊緣會有水氣的模糊感

這些物理互動是外部字型引擎無法自動計算的。
只有讓 AI 直接「畫」出文字，文字才能真正融入場景，產生照片級的真實感。

從圖片到影片：難度立方級提升

如果說在圖片裡生成文字是「畫家」，那在影片裡生成文字就是「導演 + 3D 特效師」。

這個難度呈現等比級數增加，想像以下這些情境：

• 遮擋關係（Occlusion）：如果一個人走過帶有文字的牆壁，AI 知道人是「前景」，文字是「背景」，所以人會遮住文字，而不是文字浮在人的臉上
• 透視變形（Perspective）：當鏡頭環繞著一個寫有字的杯子旋轉時，AI 會自動計算文字隨著圓柱體曲面轉動時的壓縮與拉伸
• 光影變化（Lighting）：如果影片中太陽下山了，牆上的文字陰影必須跟著拉長，光線角度改變時反射也要相應調整

如果是用「外部套件」貼字，這需要極其複雜的 3D 建模和追蹤（Motion Tracking）才能做到，成本高昂且難以自動化。但現在的 AI 透過擴散模型（Diffusion Model）與 Transformer 的訓練，學習到這些物理互動的近似表現。

Google 的真正目標：訓練通往 AGI 的基礎能力

Google（以及部分 AI 業界頂尖實驗室）選擇這條路，反映了他們的長期目標：不想訓練一個「熟練使用 Photoshop 的操作員」，而是想訓練一個「擁有眼睛和手、真正理解物理世界的 AGI」。

什麼是 AGI？

AGI（Artificial General Intelligence，通用人工智慧）是一種假設的理論性 AI，目的是創造出能夠理解、學習並執行人類能夠執行的任何智力任務的機器。

與目前僅能執行特定任務的狹義 AI（Narrow AI）不同，AGI 應具備：

• 泛化能力：能將一個領域學到的知識應用到其他領域
• 常識推理：理解日常生活中的因果關係和物理法則
• 自主學習能力：能夠適應新情況並解決未曾被教導過的複雜問題

雖然 AGI 尚未實現，但業界預期它將具備過去人工智慧模型做不到的關鍵三大能力：

能力 1：從「概率模仿」到「因果推演」

目前的 AI：本質上是「高階鸚鵡」。它寫程式是因為看過類似的代碼；它畫香蕉是因為看過香蕉的圖片。它依賴的是相關性（Correlation）——看到 A 通常伴隨 B，所以當出現 A 時就輸出 B。

AGI 預期能做到的：它將擁有世界模型（World Model）。這意味著它能理解「物理定律」和「邏輯因果」，而不僅僅是統計關聯。

例子：

在開發新材料或藥物時，AGI 不需要把所有化學式都試一遍。它能像愛因斯坦進行「思想實驗」一樣，在腦中模擬：「如果我把這個分子結構改變一下，根據物理法則，它應該會變得不穩定，因為這會破壞電子軌道的平衡。」

在軟體開發中，它不是幫你寫一個 function，而是能幫你預判：「這個架構雖然現在能跑，但三個月後當用戶數達到 10 萬時，記憶體會因為這個模組的循環引用而崩潰。」這是基於邏輯推演，而非僅僅檢索 Stack Overflow 上的類似問題。

能力 2：從「單次任務」到「長程自主規劃」

目前的 AI：是「被動的」。你給一個指令，它給一個回應。對話結束，它的任務就結束了。它沒有持續的目標感或自主性。

AGI 預期能做到的：它將具備代理權（Agency）和長期記憶。

例子：

你可以給它一個模糊的、跨度長達數週的目標：「幫我開發一個類似 Uber 的 App，並部署到 AWS，這是我的信用卡，遇到 Bug 自己修，預算控制在 500 美金以內。」

AGI 會自己拆解任務：

1. 分析需求 → 設計架構
2. 寫代碼 → 跑測試
3. 測試失敗 → 自己查 Log
4. 自己修改代碼 → 重新部署
5. 監控流量 → 優化性能

這中間可能經歷數萬次的自我迭代，它不會每遇到一個報錯就停下來問你「怎麼辦」。它會像一個真正的開發者一樣，持續工作直到任務完成。

能力 3：從「知識整合」到「新知識創造」

目前的 AI：生成的內容，本質上是人類現有知識的「重組」或「平均值」。它很難寫出超越人類現有水平的論文，因為它只能在訓練數據的範圍內插值。

AGI 預期能做到的：探索未知領域（Exploration）。

它可以在虛擬環境中進行數十億次的模擬演化，發現人類科學家從未發現的數學定理、物理材料或經濟學模型。這類似於 DeepMind 的 AlphaGo 發現了人類從未見過的圍棋策略。

例子：

針對總體經濟，現在的 AI 只能總結過去的歷史泡沫（如 2008 金融危機、1990 年代網路泡沫）。

AGI 可能透過模擬全球 80 億人的交易行為、心理偏誤、政策反應，發現一個全新的、反直覺的經濟週期理論，或者預測出下一次金融危機的具體連鎖反應路徑——而這個路徑在歷史上從未發生過，因此無法從訓練數據中學到。

為什麼「自行生成文字」是 Google 的起點？

回到我們最初的話題。Google 堅持讓 AI「自己學會寫字」而不是「調用字型庫」，正是為了訓練上述的第 1 點——因果與物理理解。

如果 AI 只能「調用工具」，它可能永遠只是個操作員。（但這也是一種有效的 AGI 路徑，業界對此有不同看法）

Google 的賭注是：只有當 AI 被迫去理解「筆畫是如何在三維空間中構成文字」的，它的大腦神經元才會建立起對空間、光影、邏輯的深刻理解。

而這些理解是可以遷移（Transfer）的：

• 今天它理解了文字的結構
• 明天它就能用同樣的邏輯去理解 DNA 的結構
• 或者晶片的電路結構

這種從一個領域到另一個領域的知識遷移能力，正是 AGI 的核心特徵。

Tesla 的純視覺策略：移除輔助輪訓練通用理解

說到這邊，或許有些朋友已經聯想到，Tesla 放棄雷達轉向純視覺，與 Google 的選擇是相同邏輯——為了獲得真正的「通用理解力」，必須移除「輔助輪」。

但這也是一種技術賭注，不代表其他路徑（如雷達 + 視覺融合）必然失敗。

第一性原理：模仿人類

Elon Musk 和前 AI 總監 Andrej Karpathy 的核心邏輯非常簡單且粗暴：

• 人類開車需要雷達嗎？不需要
• 人類開車需要雷射掃描嗎？不需要
• 人類依靠什麼開車？眼睛（視覺輸入）+ 大腦（神經網絡處理）
• 道路系統是為誰設計的？是為了生物視覺設計的（紅綠燈、標線、手勢）

如果 AGI 的目標是達到甚至超越人類的智力，那麼它必須能在「人類的感知維度」內解決問題。如果依賴雷達，它就不是在模擬人類智慧，而是在做一個特化的工業機器。

雷達的局限：缺乏語義理解

雷達 = 引用外部套件：

雷達能給你極其精確的「距離數據」。這很方便，程式設計師很容易寫出規則：「如果雷達偵測到前方 50 米有障礙物，煞車。」

問題：雷達沒有語義理解（Semantic Understanding）。它只知道那裡「有東西」，不知道那是「一塊石頭」還是「一個被風吹過的塑膠袋」。

這導致了著名的「幽靈煞車（Phantom Braking）」現象：雷達看到高架橋的陰影或金屬牌，以為是牆壁，強行煞車，造成後方追撞風險。

純視覺的挑戰與收益

純視覺 = 端對端生成：

這條路一開始很難。你需要訓練 AI 從 2D 的影片中，「腦補」出 3D 的深度和速度。這需要極強的推論算力和大量的訓練數據。
然而，一旦神經網絡學會了從像素中理解深度（就像人類一樣），它就：

1. 不再需要昂貴的感測器（雷達、光達）
2. 能理解語義：「那是塑膠袋，雖然雷達回波顯示有東西，但我知道可以直接撞過去沒關係。」
3. 能處理邊緣案例：識別手勢、理解施工人員的指揮動作

強迫進化出「世界模型」

如果車上有雷達，神經網絡就會「偷懶」。它會依賴雷達提供的準確距離，而不會去努力學習「物體大小變化與距離的關係」或「遮擋關係」。

拔掉雷達，就像是把小孩丟進水裡學游泳。

Tesla 強迫 FSD 的神經網絡（v12 及後續版本採用 End-to-End 純視覺架構）必須僅憑影片就構建出完整的 3D 空間。這逼迫 AI 必須在內部建立一個高品質的 World Model（世界模型）：

• 它必須理解物體恆存性（卡車擋住行人，行人沒有消失，只是被遮住了）
• 它必須預測物體軌跡（那輛車正在變換車道，我需要減速讓它）

這正是通往 AGI 的必經之路——從視覺輸入中理解物理法則。

為了 Optimus 機器人鋪路：通用智慧的遷移

Tesla 的野心不止於車。

如果你依賴雷達和高精地圖才能讓車子動起來，這套系統是無法移植的。你不能在人形機器人（Optimus）臉上裝一個旋轉的雷射雷達，也不能預先掃描你家廚房的 3D 地圖。

Tesla 的賭注是：如果我在車上解決了「純視覺通用導航」，我就可以把這顆「大腦」直接拔下來，安裝在 Optimus 機器人的頭裡。

因為不管是車還是人，導航的本質都是一樣的：

1. 看見環境（視覺輸入）
2. 理解環境（世界模型）
3. 做出決策（行動規劃）

這就是 AGI 的定義：一套能應用於不同載體、不同任務的通用智慧系統。

從訓練算力到推論算力：AI 產業的重大轉變

這條「艱難但雄心」的路，正在改寫 AI 領域的基本定律——Scaling Law（縮放定律）。

舊的 Scaling Law 遇到瓶頸

過去幾年（GPT-3 到 GPT-4 的時代），Scaling Law 的信條是：「模型越大、訓練資料越多 = 越聰明」。

這就像是為了讓一個學生更聰明，我們拚命把更多的課本（數據）塞進他的腦袋，並讓他的大腦長得更大（參數）。

但現在遇到瓶頸了：

• 高品質的互聯網數據快被用光了：Common Crawl、Wikipedia、GitHub、Reddit 等公開數據源已經被反覆使用
• 訓練更巨大的模型，邊際效益在遞減：花 10 倍的錢，智商可能只提升 1-2%
• 電力供應出現問題：訓練 GPT-4 級別的模型需要數千顆 GPU 運行數月，能耗驚人

Scaling Law 的新維度：推論時縮放

「自行推理與思考」（如 OpenAI 的 o1 模型）為 Scaling Law 補充了新的維度：

這就像是告訴學生：「別再死背更多書了，考試時我讓你看書，給你 10 倍的作答時間，你好好想一想再寫。」

結果發現：一個中等大小的模型，如果讓它在回答前「思考（推論）」越久，它的表現就能超過一個「秒答」的超大模型。

這就是所謂的 Inference-time Scaling（推論時縮放）。

系統 1 與系統 2：快思慢想

諾貝爾獎得主丹尼爾·康納曼（Daniel Kahneman）在《快思慢想》（Thinking, Fast and Slow）中提出人類有兩種思維模式：

舊的 Scaling Law（System 1 - 快思）：

• 直覺反應
• ChatGPT 秒回你，靠的是訓練時背下來的機率
• 這需要巨大的模型參數來涵蓋所有知識

新的方向（System 2 - 慢想）：

• 邏輯推演
• 遇到難題（如寫程式、數學證明），模型會生成「隱藏的思維鏈（Chain of Thought）」
• 自我反思、試錯、修正，然後才給出答案

這意味著：我們可能不需要無限變大的模型參數（Parameters），但我們需要無限變多的推論算力（Compute）。不管你使用的是 Nvidia 的 GPU，還是 Google 的 TPU，還是 Apple 的 M1，都必須有足夠的推論算力來支持這種「慢想」的模式。

艱難但雄心的賭注

這也解釋了為什麼 Google 要走「自行生成文字」這種難的路——因為這是在鍛鍊模型的「大腦結構」（訓練算力），為了讓它將來在「思考時間」（推論算力）時，擁有正確的物理常識來進行推導。

如果基礎物理邏輯是錯的（靠外掛貼圖），給它再多時間思考，它也推導不出正確的影片物理效果。

同樣的，如果 Tesla 依賴雷達，神經網絡就永遠學不會真正的「視覺理解」，也就無法遷移到機器人或其他通用場景。

Google 選擇讓 AI「自己學會寫字」，Tesla 選擇讓 AI「自己學會看路」，不是為了炫技，而是在訓練一個「擁有眼睛和手、真正理解物理世界的智慧體」。

雖然現在這條路還很艱難（NanoBanana 生成的文字有時還是會飛走或拼錯，Tesla FSD 偶爾還會做出奇怪的決策），但 Google 和 Tesla 相信，一旦成功，它能呈現的智慧深度和創造力，將遠遠超過任何依賴工具的系統。

這條艱難的路，是 Google 與 Tesla 對 AGI 的雄心賭注。

重要提醒：端對端生成並非通往 AGI 的唯一路徑。業界也有聲音認為，混合方法（結合端對端學習與工具使用）可能是更務實的選擇。例如，OpenAI 的 o1 模型就整合了推理能力與工具調用。Google 的選擇反映了他們對品質、一致性和長期願景的優先考量，但不代表其他路徑必然失敗。

來源與延伸閱讀

1. Google - NanoBanana Pro 官方介紹
2. OpenAI - "Video generation models as world simulators" (Sora 技術報告)
3. Google DeepMind - Veo 官方介紹
4. Tesla AI Day - Andrej Karpathy 關於純視覺自駕的演講
5. OpenAI - o1 系統卡片（推論時縮放）
6. 相關研究 - Scaling Law 研究論文（Kaplan et al., 2020; Hoffmann et al., 2022）
7. Daniel Kahneman - 《快思慢想》（Thinking, Fast and Slow）