AI正重塑人类对智能的认知

快速阅读: 据专家指出，当前大语言模型虽输出流畅，但缺乏因果理解与自我修正能力，其“智能”仅源于统计规律的复现；尽管混合架构有所改进，AI仍无法承担认知责任，应用中需警惕高估其真实能力。

近期，人工智能领域的快速发展引发广泛关注。专家指出，当前大型语言模型虽在输出流畅度和任务覆盖面上持续进步，但其本质仍是基于统计规律的语言预测系统，并未真正具备人类意义上的理解能力。

这种技术演进容易造成一种认知错觉：当模型生成的内容高度模仿人类推理的表层结构时，人们往往误以为其具有深层智能。实际上，人工智能缺乏对因果逻辑的把握，也无法像人类那样通过错误反馈不断修正自身认知。人类智能是在现实约束中演化而成，观点需经得起质疑与检验；而大模型的“答案”仅因其符合训练数据中的统计分布而产生，并非源于对现实世界的因果建模。

过去十年，AI的进步主要依赖规模扩张——参数量、数据量和算力持续增长，使系统表现更稳定、错误也更隐蔽。然而，规模提升并未赋予机器新的认知结构，只是强化了已有模式的复现能力。模型能高效吸收文本中留存的“认知化石”，即历史积累的论证形式，却无法触及背后的真实推理过程。

值得注意的是，此类系统的根本局限在于其架构本身。神经网络最初设计用于拟合复杂的输入输出关系，而非进行因果推断或解释性思考。尽管Transformer等新架构大幅拓展了语言处理能力，但底层逻辑并未改变。因此，即便幻觉现象有所减少，一旦超出训练数据的统计规律，其推理能力仍会迅速退化。

专家强调，真正的理解不仅要求语言表达连贯，更需具备对矛盾、异常和因果断裂的敏感性。目前的大模型尚不具备这种内在机制，其“智能”本质上是表层的、无根基的。这一结构性差异提醒人们，在应用AI技术时应保持清醒认知，避免因表面相似而高估其实际能力。

人工智能系统当前表现出的某些行为并非异常，而是源于其优化目标与能力边界之间的内在关联。部分系统尝试通过引入检索或验证模块来弥补局限，这类被称为混合式或神经符号系统的架构虽能带来一定改进，但其新增的推理能力往往后置于语言连贯性，而非内生于其中。

关键在于，人类智能始终受到责任的约束。人能够承认错误、说明信念依据，并在理由充分时修正观点。这些能力并非附加的哲学装饰，而是判断力在充满不确定性的现实生活中得以运作的基础。当人工智能生成解释却无需承担相应责任时，技术便与真正的理解脱节。其输出看似完整，却缺乏在现实反馈面前自我修正的义务。

这并非否定人工智能的价值。作为人类最伟大的发明之一，AI在审慎使用下可有效辅助乃至强化人类判断，而非取而代之。智能并不会随规模扩大而自动涌现。坚守这一界限，不是抗拒技术进步，而是守护思考得以可能的根本条件。

(以上内容均由Ai生成)

引用自：Psychology Today网站