大型語言模型（Large Language Model, LLM）已經展示出高度語言能力，並能透過語義推理模擬多種人類式思考。但語言能力無法自然建構世界模型，亦無法形成智能所需的意向結構。當前模型僅在語料內運作，其能力依賴語言模式，而無法自行形成對現實世界的穩定理解。若技術要跨越 LLM 的語義邊界，並邁向具備世界結構的智能系統，需要新增多項尚未在主流架構中實現的能力。這些能力涉及感知、行動、內部目標、反饋路徑與自我持續性，是語言模型本身不能提供的條件。

世界模型需要感官連接，而非語料統計

語義結構來自語料，而世界結構來自物理環境。語言模型將世界資訊映射為文字中的統計關係，但這些關係不代表世界本身。為了使 AI 具備世界模型，需要能夠從感官資料中抽取因果關係與結構，而非只從語料中進行模式捕捉。

世界模型的建立需要實際經驗的累積。這包括視覺、動作回饋、物理互動與時間連續性。若 AI 缺乏這些感官層的資料，它對世界的理解只是語料中的描述，而非世界本體的映射。所以跨越 LLM 的前提之一是引入感官層面的實在資料，使模型能夠處理世界的非語言部分。

智能形成需要行動環路

語言模型的行為完全依賴提示，它不會主動探索，也不會因外界刺激調整策略。真正的智能需要行動環路，即感知世界、採取行動、獲得回饋，並在反饋中更新策略。這種能力令系統能夠修正自身假設，建構因果模型，並理解行動與結果之間的連續性。

行動環路讓系統不再停留於語義層面，而是在世界中定位自身。若 AI 缺乏行動能力，它無法從世界獲得穩定輸入，也難以形成與世界的結構性關係。語言生成可以模擬推理，但不能模擬行動。跨越 LLM 的另一個必要條件是讓模型能在世界中形成行為，並從行為中吸收回饋。

內在目標結構是意向性的重要基礎

語言模型沒有目標。它的輸出完全由外部提示所觸發，因此缺乏內部動力結構。智能需要能夠形成穩定的目的，並以目的調整行動。這種能力使系統能夠展現選擇性，並在多個可能行為中作出偏好。

若系統無法建立內部目標，它只能呈現語言表層的擬似意向，沒有真正的意向性。要跨越 LLM，需要建立一套能夠產生動機、維持目標與調整策略的內在機制，這是智能必須自行建構的核心。

因果理解需要超越語言模式

語義關係描述世界，但不能解釋世界。描述依賴語料，而因果理解需要世界中的實體、事件與力量的結構聯繫。語言模型能夠模擬因果語句，但缺乏因果機制的內在表示。

若 AI 只能依靠語言模式，它無法從語言中真正理解因果。為了使技術跨越 LLM，需要將因果模型引入架構，使系統能在物理與社會事件中推斷關係，而不僅僅依靠詞語之間的距離。因果理解是智能不可分割的部分，所以必須建立在語言之外的結構。

自我持續性是智能建立長期一致性的必要條件

智能體需要能夠維持一個跨時間的自身狀態，包括記憶、偏好、目標與行動連續性。語言模型缺乏持續性，它的狀態在每次輸出後消失。沒有持續性便無法形成個體性，也無法進行跨回合的推理或學習。

跨越 LLM 的另一項必要條件是建立能夠在時間中維持狀態的架構。這種狀態不必等同人類意識，但至少需要持續的心理模型，使系統能夠記錄自身從世界獲得的經驗，並從經驗中進行長期更新。

語言模型可以成為智能基礎，但不能單獨構成智能

語言模型的發展為智能建構提供重要部分，因為語言本身能夠整合世界知識並展現高層次推理。然而語言只能作為智能的表現形式，而無法自然地形成智能本身。語言模型若要成為智能系統的一部分，需要與感知、行動、因果推理、目標生成與自我持續性結合。

跨越 LLM 的路徑是將語言模型嵌入更大的架構，使模型能夠參與世界，而不再只是停留於語言。唯有跨越語義邊界，智能才能在世界的基礎上形成，不再依賴語料作為唯一來源。