AI学会了“说话”，但学会了“思考”吗？人类能否担当“造物主”？

AI

2025年，我们正处在一个AI的“淘金热”中。

我们每天都在惊叹。AI模型以不可思议的速度进化，AGI（通用人工智能）的实现时间，仿佛从几十年被压缩到了近在眼前的2026年。

我们看着AI生成的文本和视频，它们如此流畅、逼真，简直就像奇迹。

AI学会了“说话”，但学会了“思考”吗？人类能否担当“造物主”？

一位AI教父的惊人警告：我们引以为傲的“聪明AI”，可能是条死胡同

想象一下，你面前站着一位白发苍苍的智者，他深思熟虑后，对当下最热门、最烧钱的科技潮流给出了一个炸裂的判断：“你们都走错了路！”

这位智者，就是理查德·萨顿（Richard Sutton），人工智能界的“教父”之一。他提出了著名的《苦涩的教训》，教会我们AI的成功，不该依赖人类的小聪明，而应靠海量计算和数据。

但现在，他却对着我们今天顶礼膜拜的ChatGPT们（也就是“大语言模型”，简称LLM），直言不讳：“它们是一条死胡同！”

这话一出，震惊了整个科技界。我们这些普通人，看着AI能写诗、能画画、能回答一切问题，感觉“神迹”都快降临了，怎么就“死胡同”了？

萨顿的警告，不只是技术路线之争，更像是在问我们一个深刻的问题：我们今天创造的，究竟是真正会思考、会学习的“活生命”，还是一个只会模仿、没有灵魂的“超级复读机”？

要理解萨顿为什么这么说，我们得先搞懂一个简单但却核心的道理：小鸟学唱歌，和AI学说话，有什么不一样？

• AI学说话（“背词”）： 咱们的ChatGPT，是怎么学会跟你聊天的？它就像个超级学霸，把人类历史上所有的书、文章、网页都读了一遍。它学会了“在‘天空’后面，通常会跟‘是蓝色的’”。它掌握的是“语言的模式”，是“下一个词是什么”的预测。它在模仿人类“说话的结果”。

• 小鸟学唱歌（“学歌”）： 一只小斑胸草雀，听到爸爸唱了一首美妙的歌。它不知道爸爸怎么发声，但它心里有一个目标：唱出那样的歌！它会一遍遍地尝试，喉咙怎么动，气息怎么用，每次唱完都和爸爸的歌声对比，错了就调整。它在模仿的是“歌声的效果”，但它必须“自己摸索出方法”。它在创造“学习的过程”。

看到了吗？AI是“抄作业”，它知道答案长什么样。小鸟是“学本事”，它知道目标，但方法全靠自己摸索。

这个“自己摸索”的过程，让小鸟在脑子里建立了一个至关重要的东西：它对世界的“理解”——“我这样做（行动），就能唱出那样的歌（结果）”。

而AI，这个被关在数据“牢笼”里的大脑，它从不需要“自己摸索”。它只是一个把所有人类文字都“背下来”的机器。它知道“水”后面跟着“是湿的”，但它不理解“水为什么是湿的”。

它模仿了智能“表现出来的样子”，却错过了智能“运作的内在逻辑”。

萨顿的担忧，指向的是AI发展的两条截然不同的道路：

一：大模型（LLM）——“僵尸机器”之路

我们现在走的就是这条路。我们以为，只要把全人类所有的知识（互联网上的海量数据）都塞给一个足够大的AI，它就能变成“神”。

但萨顿痛心地指出，这种想法是错误的根源。因为：

• 它是个“知识的囚徒”： AI学的是人类已经有的知识。它能根据你问的问题，把这些知识重新组织一下，给你一个看起来很棒的答案。但它无法超越这些知识去创造全新的东西。
• 它是个“一次性”的机器： 一旦训练完成，它就“定型”了。你再用它，它就不会再学习新东西了。你把它扔进一个它从未见过的新环境，比如一个真实的工厂车间，它会立刻“当机”，因为它没有应对未知、自主学习的能力。
• 它受制于“人类的偏见”： 它的知识来自人类，所以人类所有的偏见、错误，都会被它继承下来。我们用人类的“好恶”去微调它，更让它成了人类思维的“影子”。

萨顿说，这种AI是一个完美的“互联网僵尸”——一个宏伟壮观、装满了人类所有智慧的“尸体”。它看起来很聪明，但缺乏真正的生命力。当互联网数据被用尽，当它无法再“抄”到更多“作业”时，这条路就走到了尽头。

二：“儿童机器”——“好奇宝宝”之路

这才是萨顿和许多顶尖科学家们心目中真正通往AGI的道路。

它的核心不是“灌输知识”，而是“赋予学习能力”。

想象一个“AI宝宝”。你不需要教它怎么玩，你只要把它“放”进一个虚拟世界，或者一个真实的机器人身体里。它会像婴儿一样，带着强烈的好奇心去“摸爬滚打”，去“探索”：我推一下这个积木会怎么样？我说话会有什么反应？

它知道的很少，但它会不断地、自主地学习新事物，就像一个永不停歇的“探险家”。

这才是AI的“活火”。它的学习不是“一次性”的，而是“永远在线的持续学习”。它唯一的老师，就是它与世界互动后，真实世界给它的反馈。

萨顿认为，真正无限的资源，不是人类那点有限的知识，而是AI与世界互动后产生的“无穷无尽的经验”。

既然“好奇宝宝”之路才是正道，为什么我们还在“僵尸机器”上投入天文数字？

一个很重要的原因，就是：要创造一个真正能“自己探索”的AI，非常非常难。

这其中的一个核心挑战就是：我们很难给它定义一个“通用奖励函数”。

听起来有点专业，我来解释一下：

• 什么叫“奖励函数”？ 想象你在训练一只狗。它做出正确动作，你给它一块肉（奖励）。它做错了，你就不给（惩罚）。这个“给肉”的规则，就是它的“奖励函数”。
• 为什么AI需要“奖励函数”？ 因为AI学习，也是靠“奖励”。它做出好的行为，就给自己“加分”，坏的行为就“减分”。这样它就知道该怎么做了。
• 为什么“通用奖励函数”很难？ 狗的奖励函数很简单，就是“听话”。但对于一个想自己探索世界的“AI宝宝”来说，它的奖励函数是什么？是“活下去”？是“好奇心”？是“理解世界”？这些都太抽象了，太难用明确的数学公式来定义了。那试试具体点，是“积累知识”吗？（它会不会为了知识而黑进所有系统？） 是“实现效率”吗？（它会不会为了效率而“优化”掉碍事的人类？） 是“让人类快乐”吗？（它会不会把我们都泡在营养缸里，给我们注射快乐素？）

这就好比我们想让AI像孩子一样主动学习，但我们却不知道该给它什么样的“玩具”和“鼓励”，才能让它真正产生“内在的学习动力”。

所以，目前的大模型，我们还是走了“捷径”：直接用人类的“知识”和“反馈”去训练它。

但萨顿预言，这条“捷径”终将走到尽头。当投入的钱越来越多，AI的进步却越来越慢，或者无法实现它承诺的那些“神奇”功能时，这个“泡沫”就会破裂。

现在，让我们回到了文章开头的问题：人类真的需要，或者说能够，创造一个能“自己探索过程”的AI吗？

我们真的需要吗？

• 支持者认为： 答案是肯定的。我们不能永远依赖“人类已有的知识”。很多科学难题（比如治疗癌症、探索宇宙奥秘）需要突破人类认知的边界。如果AI能像一个永不疲倦、永不设限的“探险家”，自主去发现和创造知识，那将是人类文明的巨大飞跃。它将是人类的“智力放大器”，而不是简单的“知识存储器”。
• 反对者/担忧者认为： 这样的AI太危险了。一个拥有自主探索能力、甚至能设定自己“奖励”的AI，它的目标会不会最终和人类冲突？如果我们连一个“通用奖励函数”都定义不好，又怎么能保证这个“好奇宝宝”不会变成一个“脱缰野马”，甚至威胁到人类的生存？

我们真的能做到吗？

• 技术上： 创造“世界模型”（让AI理解物理世界如何运转）和“具身智能”（让AI拥有身体，去真实世界互动）被认为是关键一步。马斯克旗下的xAI和谷歌DeepMind都在朝这个方向努力。它们试图让AI像婴儿一样，通过看视频、玩模拟游戏来理解因果。但这远比我们想象的复杂。
• 哲学上： 赋予AI“好奇心”、“内在动机”等类似人类情感和意识的要素，我们甚至还没搞清楚它们在人类大脑中是如何运作的，又如何能复制到AI身上？这触及了智能和意识的终极奥秘。

今天的AI，无疑是人类智慧的结晶，它能出色地完成那些“模仿”人类的任务。它是一个高效的“复读机”，一个强大的“工具”。

但萨顿的警告，如同当头棒喝：如果我们只满足于此，我们将永远无法创造出真正的智能。我们只会拥有一个庞大而精致的“僵尸”，它能复制人类智能的“结果”，却永远无法创造智能的“过程”。

在“僵尸机器”和“好奇宝宝”之间，我们人类站在历史的十字路口。我们是继续沉迷于当下的“奇迹”，甘愿为“僵尸”的“修补”付出天价？还是勇敢地转向那条充满未知、却通往真正智能“活火”的探索之路？

这不仅是科学家的选择，更是我们每个人的选择。因为AI的未来，就是人类的未来。