朱松纯教授《AI的“暗物质”：常识、意图与社会性》课程大纲

“当前AI看到的只是‘可见光’，而95%的智能存在于‘暗物质’中——那是物理常识、社会规范、意图推理和价值判断。”
——朱松纯

• 智能不仅在于感知与生成，更在于理解不可观测的因果、动机与规范
• 真正的AGI必须具备对物理世界和社会世界的双重建模能力
• 中国AGI路径需从“数据驱动”转向“价值与常识驱动”

• 掌握“AI暗物质”的内涵、分类与评测方法
• 理解人类常识系统的构成及其计算建模挑战
• 学习意图识别、心智理论（Theory of Mind）、社会规范建模的前沿技术
• 探索将“暗物质”嵌入智能体架构（如CUV框架）的工程路径
• 培养对AI伦理、文化情境与社会适应性的深层思考

• 从“乌鸦智能”看人类 vs 当前AI的认知差距
• “可见任务” vs “不可见能力”：为何大模型仍是“鹦鹉”？
• 暗物质三大维度：物理常识、社会常识、价值意图
• 课程整体框架与关键问题

• 物体属性、力、运动、稳定性、可操作性
• 因果链推理与反事实想象（Counterfactual Reasoning）
• 视觉场景中的隐式物理建模（如“杯子是否会倒？”）
• 实验平台：Physion、IntPhys、BIGAI物理仿真环境

• 三维空间理解与拓扑关系
• 时间因果性与事件时序逻辑
• “下一步会发生什么？”——预测中的常识约束
• 案例：机器人抓取失败背后的时空误判

• 从行为反推意图：贝叶斯逆规划（Inverse Planning）
• 多层级目标结构（子目标、长期目标）
• 合作 vs 对抗意图的区分
• 应用：人机协作中的意图对齐

• 理解他人信念、知识状态与情感
• “我知道你知道我不知道……” 的递归建模
• ToM在对话、欺骗检测、教育机器人中的作用
• 计算模型：ToMNet、Recursive Bayesian Models

• 隐性规则：排队、礼貌、隐私边界
• 规范的地域性与动态演化（如中美社交距离差异）
• 违规检测与道德判断的计算机制
• BIGAI社会模拟器中的规范学习实验

• 价值不是奖励函数，而是内生驱动力
• 个体价值观 vs 社会价值观的冲突与协调
• “为机器立心”：如何让AI拥有稳定的价值锚点？
• CUV架构中的 V（Value）模块详解

• 先天认知结构（如婴儿物理直觉）的启示
• 小样本下的常识泛化：类比、迁移、抽象
• 主动探索与好奇心驱动的学习
• 批判“纯数据主义”：为什么大数据无法解决暗物质？

• 构建暗物质基准测试集（如BIG-Bench for Commonsense）
• 行为实验 vs 问答测试：哪种更真实？
• “通通”智能体在暗物质任务中的表现分析
• 提出“暗物质指数”（Dark Matter Index, DMI）

• 暗物质是AGI的“操作系统底层”
• 人机共生社会需要可信任、可理解、有边界的智能体
• 中国文化的“仁”“义”“礼”能否成为AI价值基石？
• 学生项目展示：设计一个具备某类暗物质能力的微型智能体

• 双师制：朱松纯主讲 + BIGAI研究员/认知科学家联合授课
• 文献精读：经典论文（如Leslie, Premack & Woodruff; Lake et al.; Baker et al.）+ 朱团队最新成果
• 实验演示：“通通”智能体在家庭场景中处理暗物质任务（如理解“妈妈皱眉”意味着不满）
• 小组项目：构建一个基于物理/社会常识的小型推理系统
• 哲学思辨环节：每讲结尾设“东方视角”讨论（如“格物致知”与常识获取）

1. 核心著作
   • 朱松纯，《为机器立心》，2025
   • 朱松纯，《通用人工智能标准、评级、测试与架构》，2025
2. 关键论文
   • Zhu et al., “Dark Matter of AI: Revisiting Commonsense in the Age of LLMs”, arXiv 2024
   • Baker, Jern, & Tenenbaum, “Bayesian Theory of Mind”, CogSci 2011
   • Lake et al., “Building Machines That Learn and Think Like People”, BBS 2017
3. 实验平台
   • BIGAI 社会模拟器（SocialSim）
   • Physion 物理推理数据集
   • “通通”智能体开放API（内部教学使用）
4. 视频资料
   • 朱松纯 ICLR 2025 主题演讲《The Dark Matter of Intelligence》
   • 《君品谈》专访：“AI要懂人心，先懂常识”

说明：本大纲为学术重构，旨在忠实反映朱松纯教授的核心思想体系。实际课程设置以北京大学或BIGAI官方发布为准。适用于高校教学、高端培训或科研团队内部研讨。