当前LLM架构真的能实现AGI吗？

我是一名软件工程师，不是科学家，但我热爱这一点。我喜欢解决大规模、分布式应用中的难题。这正是我每天早晨起床的动力，即使在专业领域工作了二十多年后，我仍准备好继续学习。然而，我也喜欢理解事物的工作原理。它们是如何运作的。我如何能让它们按我的意愿行事，即使这不是它们最初的用途。有些人可能称之为黑客思维。在过去的几年里，这也适用于LLM的本质及其发展方向。最近，我开始揭开LLM黑匣子的层层神秘面纱。我没有选择学术路径，而是选择了应用实践者的道路：首先扎实掌握如何使用LLM，然后利用使用中学到的知识，通过深入探究黑匣子的实际工作原理来加以提升。最近有些事情让我困惑，我希望能找到比我更聪明的人来帮助我理解：如果AGI的定义（尽可能确切地定义）类似于“一种假想的计算机软件或机器智能，能够在任何智力任务上匹配或超越人类认知能力”，那么当前的LLM架构怎么可能实现这一点呢？在核心层面，或者说在*非常*高的层次上，它基于前面的标记预测下一个标记的概率分布。自回归解码没有给模型一个独立的机制来判断何时出错，审议步骤也没有从根本上改变这一点。集成器及其内置的“智能”或“智能体推理”通过提供额外上下文、外部反馈和循环，在提供*看似*智能的输出方面表现出色，但其核心仅仅是多层概率系统提供了神奇的输出。模型本身并没有学到任何新东西。常规推理不会根据经验更新模型的权重。自回归生成本身不会回溯并修改先前生成的标记。模型提供的原始功能是生成，而不是一个明确的推理机制。人类可以有一个想法，回溯并做出修改，直到达到他们想要的结论。完全独立完成。当前LLM的状态实际上就像有一群可配置数量的人在玩近乎无损的传话游戏，每个人在传递消息前都对其进行修改或丰富，只是房间里的每个人都是克隆体（或者如果迭代不同模型，可能是近似克隆体）。现有架构下的AGI声明是真正的烟雾和镜子，还是有更多我从应用工程角度无法看到的要素？