随着LLM的进步，出现了各种AI agent设计图和路线图，同时，实际在重新发现荣格八维（且易遗漏）。举例，现在的LLM原理很Si（例如attention=典型经验主义题海战术），通过堆Data涌现“类Ni”，再加CoT模仿“伪Ti”，再加RL做出“拟Fi”（RL=分好坏）。我的观点：LLM≈Si，LLM+Data≈Ni，LLM+Data+CoT≈Ti，LLM+Data+CoT+RL≈Fi，这就是为何目前的LLM+Data+CoT+RL有“似乎够了”的感觉。但是，真八维都很难做。真Si已难做（例如长期记忆），随后的真Ni，真Ti，真Fi更难做。先概述八维。荣格八维是荣格总结的8种认知功能（Se Si Ne Ni Te Ti Fe Fi）。流行的MBTI是它的衍生体系：先看最倾向的第一功能（有8种可能性），再选出一个i/e相反，SN/TF相反的第二功能（此时只有2种可能性），得到8x2=16种组合。在经典划分中，S和N是感知，T和F是判断。从最简角度，我认为，可称为S=具体，N=抽象，T=客观，F=主观。倾向于感知具体还是抽象？判断在自然状态从客观还是主观出发？这有4种组合，对应xSTx xNTx xSFx xNFx。从agent的角度，我的分类：Si=从physical data到latent model，涉及encoder，retriever等等，与memory有关（而Se涉及sensor、多模态、具身等等“外部具体”）。Ni=从latent model到neuro model，涉及predictor，generator等等，与world model有关（按本文的分类，Ne是“外部抽象”，涉及从外部来的纷杂信息，涉及探索）。Ti=从neuro model到symbolic model，涉及reasoner，verifier等等，与planner/solver有关（Te涉及active inference，“外部客观”）。常见agent设计就是拼接上述部分维度，例如下图：如前所述，常见设计易有遗漏，以八维作为出发点会更完整。例如，拼接前六维，LLM+多模态+具身+行动，Neuro+Symbolic，可以得到一个有用的工具机器人。Fi=什么？如果考虑Si Ni Ti Fi的逐级提升，Fi会是某种post-symbolic model。考虑到已有theory of mind这个概念，不妨称为mind model（可以无限套娃，higher-order intentionality）。Fi涉及目标函数，Fe涉及对齐和协作，这些都适合通过RL“自我提升”“自我发现”等等。mind model听上去玄，其实没什么，因为AI中的model都是严重缩水的。例如neuro model，听上去像要模拟神经元，结果，只是加减乘除sqrt exp之类的统计模型。例如symbolic model，听上去像要覆盖符号界，结果，充其量覆盖一些formal system和code。因此，自然语言中难以被形式化的事物，实际就已属于mind model的范畴。由于它的层次过高，用现有的neuro/symbolic/neurosymbolic都难精确处理（只能模拟），需要新的道路。有趣的是，常见AI研究者的愿望，也可以描述为：通过Si+Se涌现Ni（“加多模态数据得到世界模型”），通过Ni+Ne涌现Ti（“看各种视频发现物理规律”），通过Ti+Te涌现Fi（“加外部环境产生对抗/协作/语言”），通过Fi+Fe达成目标（“得到对齐的善良AGI”）。

💡荣格八维包含8种认知功能：Se Si Ne Ni Te Ti Fe Fi，MBTI是基于此衍生出的16种人格类型。从感知（S/N）和判断（T/F）角度，可简化为具体/抽象、客观/主观的组合。

🧠LLM目前的设计思路类似于荣格功能中的Si，通过大量数据堆叠和注意力机制（题海战术）实现功能涌现。Ni、Ti、Fi等功能的模拟则需要引入CoT、RL等技术。

🤖常见的AI agent设计易遗漏部分维度，以荣格八维为基础设计更完整。例如，将LLM、多模态、具身、行动、神经、符号等维度拼接，可构建实用工具机器人。

🧠Fi被认为是post-symbolic model，类似于mind model，涉及目标函数和对齐协作，适合通过RL进行自我提升和自我发现。由于AI中的模型都是简化的，自然语言中难以形式化的事物属于mind model范畴。

🔬现有neuro/symbolic/neurosymbolic模型难以精确处理mind model，需要新的研究道路。AI研究者的愿望可以通过Si+Se→Ni，Ni+Ne→Ti，Ti+Te→Fi，Fi+Fe→AGI的路径实现。

PENG Bo 2025-08-14 14:06 广东

💡Tips转自知乎用户 PENG Bo，原文链接：

https://zhuanlan.zhihu.com/p/1930579168778773896

随着LLM的进步，出现了各种AI agent设计图和路线图，同时，实际在重新发现荣格八维（且易遗漏）。

举例，现在的LLM原理很Si（例如attention=典型经验主义题海战术），通过堆Data涌现“类Ni”，再加CoT模仿“伪Ti”，再加RL做出“拟Fi”（RL=分好坏）。

我的观点：LLM≈Si，LLM+Data≈Ni，LLM+Data+CoT≈Ti，LLM+Data+CoT+RL≈Fi，这就是为何目前的LLM+Data+CoT+RL有“似乎够了”的感觉。

但是，真八维都很难做。真Si已难做（例如长期记忆），随后的真Ni，真Ti，真Fi更难做。

先概述八维。荣格八维是荣格总结的8种认知功能（Se Si Ne Ni Te Ti Fe Fi）。流行的MBTI是它的衍生体系：先看最倾向的第一功能（有8种可能性），再选出一个i/e相反，SN/TF相反的第二功能（此时只有2种可能性），得到8x2=16种组合。

在经典划分中，S和N是感知，T和F是判断。从最简角度，我认为，可称为S=具体，N=抽象，T=客观，F=主观。倾向于感知具体还是抽象？判断在自然状态从客观还是主观出发？这有4种组合，对应xSTx xNTx xSFx xNFx。

从agent的角度，我的分类：

Si=从physical data到latent model，涉及encoder，retriever等等，与memory有关（而Se涉及sensor、多模态、具身等等“外部具体”）。

Ni=从latent model到neuro model，涉及predictor，generator等等，与world model有关（按本文的分类，Ne是“外部抽象”，涉及从外部来的纷杂信息，涉及探索）。

Ti=从neuro model到symbolic model，涉及reasoner，verifier等等，与planner/solver有关（Te涉及active inference，“外部客观”）。

常见agent设计就是拼接上述部分维度，例如下图：