报告概述
本报告由凯捷AI未来实验室发布，聚焦AI系统因缺乏上下文而表现脆弱、难以信任的核心问题。报告提出，当前AI的成功基于统计模式匹配，但缺乏对物理、伦理、法律等真实世界规则的理解，导致与人类预期脱节。为弥补这一差距，报告构建了PLANETS框架，将上下文细分为物理自然法则、价值伦理、法律监管、社会文化、技术基础设施、经济学和情境上下文七类，并主张通过语义层将上下文作为一等资产进行管理。报告展望了从统计学习向上下文理解演进的第三波AI浪潮，并为企业领导者提供了将上下文融入AI设计、治理和架构的战略建议。
报告的核心结论
AI的能力瓶颈不再是规模，而是上下文。
报告指出，纯粹扩大模型规模和数据集带来的收益正在递减，AI系统在面对训练分布之外的场景时仍然脆弱。只有通过结构化知识、因果推理和物理约束等上下文信息，AI才能实现真正的泛化和可靠性，从统计机器转变为能够理解世界的合作伙伴。
上下文是建立AI信任的基础。
信任源于AI与人类共享的上下文。当AI系统具备与人类相似的世界模型——包括物理规律、伦理规范、社会习俗等，其决策才能被理解和预测。报告将信任定义为模型内部上下文表征与人类治理上下文之间的对齐，缺乏对齐则无法实现可信的自动化。
AI的下一波浪潮是上下文理解时代。
基于DARPA专家John Launchbury的三波AI演进框架，报告认为当前正处于第二波统计学习向第三波上下文理解的过渡期。第三波AI系统将结合统计学习与符号推理、因果模型，具备在数据稀疏或缺失时做出合理决策的能力，实现抽象推理和情境适应。
企业应将上下文视为与数据同等重要的资产。
报告建议企业建立语义层来捕获、组织和治理上下文信息，包括业务规则、专家隐性知识和组织约束。单纯依赖大语言模型是不够的，需要投资混合AI架构——将生成模型与规则、逻辑、因果模型结合，确保AI行为可解释、可追溯、可治理。
报告回答的关键问题
为什么当前的AI看起来强大却不可靠？
因为AI缺乏对真实世界的上下文理解。报告指出，当前AI主要基于统计模式匹配（如大语言模型），能够生成流畅的文本或识别复杂模式，但无法理解物理规律、伦理规范、社会情境等深层概念。当现实场景偏离训练数据分布时，AI会产生荒谬或危险的行为，例如自动驾驶汽车在警察执法现场照常行驶。
什么是PLANETS上下文框架？
PLANETS框架由凯捷AI未来实验室提出，将AI所需的上下文归纳为七类：物理自然法则、价值伦理、法律监管、社会文化规范、技术基础设施、经济学以及情境上下文。不同类型AI系统需要的上下文组合不同，例如机器人需要物理模型，而医疗助手需要疾病因果模型。该框架帮助设计者系统性地识别和注入必要的上下文。
如何让AI具备因果推理能力？
报告认为，当前的AI擅长发现相关性但无法区分因果。要建立因果推理，需要将世界模型从静态模式扩展到动态因果结构——即理解动作如何导致结果，以及不同因素之间的干预关系。这要求AI系统不仅学习数据中的统计规律，还要嵌入领域知识、物理约束和符号逻辑，从而能够进行反事实推理和因果解释。
企业如何迈出构建上下文感知AI的第一步？
报告建议企业从高风险AI工作流入手，识别模型因缺乏情境而失败的关键点，并梳理专家隐含的约束条件（如业务规则、伦理规范）。然后，将上下文作为独立资产通过语义层管理，并为每个AI系统明确定义必需的上下文类型、时效性和升级策略。同时避免仅依赖语言模型，而应结合规则、逻辑和因果建模。
完整报告包含什么
- 详细的PLANETS框架说明：报告逐一解释了物理自然法则、伦理价值、法律监管、社会文化、技术基础设施、经济学和情境上下文七类上下文的内涵，并讨论了不同AI系统所需上下文的异同。
- AI三波演进的历史与未来：基于John Launchbury的框架，报告详细对比了1950s-1990s的规则驱动AI、1990s-2020s的统计学习AI以及2020s之后的上下文理解AI的特征、优势和局限。
- AI治理与信任的匹配模型：报告用二维图展示了AI基础（从纯统计到高度上下文化）与治理方式（从数学统计到上下文规则）之间的匹配关系，指出信任来源于两者对齐的“信任区”。
- 上下文缺失的失败案例：除了开头的Waymo自动驾驶案例，报告还列举了LLM在物理推理、医疗问答、代码生成、规划等场景中因缺乏上下文而产生的典型失误。
- 针对企业领导者的战略建议：包括将上下文定为一等资产、投资混合AI架构、构建因果AI模型、建立世界模型对齐的治理流程、从点解决方案转向系统级AI设计等。
- 未来展望：预测了上下文感知AI的四个发展方向——维护和测试内部世界模型的代理系统、统计感知与符号因果推理的混合架构、支持外推的上下文智能、通过共享现实模型增强人类认知的AI。
本页内容由川海智库整理，用于帮助读者快速了解报告主题、核心观点和主要内容。由于报告量大、人工能力有限，部分观点、数据、统计口径或表述可能存在偏差，具体内容请以完整报告原文为准。
