@TedZhou
2026-07-09T06:17:05.000000Z
字数 5879
阅读 46
AI 科普
一个孩子咬下苹果，酸甜的汁水在舌尖炸开，她第一次说出"苹果"这个词。同一天，某个大语言模型正在一座耗电堪比小城的数据中心里，第无数次处理"苹果"这个词——它知道苹果的拉丁学名，知道牛顿在树下的传说，知道夏娃咬的禁果大概率是无花果。它知道的关于"苹果"的一切，比任何人类都多。
但它不知道苹果的滋味。
这不是修辞，是一个关于"知道"本身的问题。
先说食量。GPT-4的训练数据约13万亿token，去重后仍有5到6万亿，约合4到10万亿词 Patrick McGuinness。一个人终其一生能读的文本不过几亿词。GPT-4训练时"读"完的内容，相当于一个人不吃不喝读十万年。它的学法叫自回归语言建模：给定前文，预测下一个词，像接龙一样永远站在已说出的话尽头，赌下一个最可能的字。在万亿级语料上反复这么干，它就靠数学优化捕捉到了词汇间的统计关联、句法结构，乃至看似连贯的"世界知识"。效率极低，但规模大到弥补了一切。
人类呢？儿童5岁前接收的总语言输入不足6000万词，到20岁成年累计也就2到4亿词 自然辩证法通讯。跟GPT-4差了四五个数量级。但5岁孩子已经能自由对话，能造出从未听过的句子，能在一两个新词出现后就抓住用法。用极少数据实现极高泛化，这至今是AI领域最前沿的未解之谜。
更关键的是，人类的学习是多感官的具身认知。孩子学"苹果"时，看到红绿相间的圆球，闻到清甜果香，摸到光滑表皮，咬下时感受到脆爽多汁——这些体验伴随父母的笑脸和鼓励，被整合成一个丰富的概念。脑成像研究发现，与词汇相关的具身经验会在语言加工时自动"激活" 自然辩证法通讯。"苹果"在孩子脑中不是孤立的符号节点，而是一整片感知记忆的回响。
AI分析过万亿次的"苹果"，却只停留在它与其他词汇的数学关系里。它的"苹果"是数百个浮点数构成的高维坐标，精确、丰富、无味。
再说驱动力。AI的训练由纯粹的数学信号驱动。损失函数算出预测与标准答案的误差，反向传播把误差层层传回千亿参数，梯度下降指引每个参数往误差变小的方向微调。后来的RLHF引入一个奖励模型给更符合期待的答案打高分，相当于在数学优化的骨架上包了层社会期待的外衣。整个过程没有喜悦，没有沮丧，没有"啊哈"的顿悟，只有冰冷的数字在算。
人类的学习由一套与身体深度耦合的化学交响乐驱动。多巴胺让我们体验成功的喜悦和探索的好奇，皮质醇带来面对困难的压力与焦虑，催产素在亲子互动中编织信任与依恋。孩子搭积木时不仅学物理平衡，更在与挫败感抗争，从父母赞许的眼神中获得价值感。人类会因为"我觉得不对"或"这太有趣了"而主动改变学习路径——这是AI尚不具备的、源于主观感受的自我调节。
有趣的是，两者在抽象层面有相似之处。认知神经科学的预测编码理论认为，人脑也像预测机器，不断对感官输入做预测，敏锐地处理"预测误差"来更新认知。多巴胺神经元恰恰对"奖励预测误差"敏感——实际好于预期时飙升，差于预期时抑制。这跟大模型用损失函数驱动参数更新的逻辑异曲同工。但差异同样深刻：大脑的预测编码是跨模态、多层级的，涉及全感官通道的持续预测，且与神经递质系统深度耦合；大模型的"预测下一词"仅限单一文本模态，是离线训练的静态过程，不涉及实时感知-行动闭环。
那AI的"思考"到底是什么？一场完全在图灵可计算范畴内的形式符号高速运算。你的输入被切成词元，转成高维向量，穿梭于数百层Transformer网络，通过注意力机制算关联权重，经过无数次矩阵乘法与非线性变换，最后输出一个概率分布告诉你下一个最可能的词。每一步都是图灵机可执行的确定性步骤，涉及浮点运算以万亿计。
所以AI的"推理"本质上是统计学上的模式补全。没有意识流，没有"我正在思考"的主观体验，只是在一次计算中穿越所有网络层。它生成的答案看似充满语义，但这语义是寄生于人类语言的符号结构之上的。
哲学家塞尔1980年的"中文屋"思想实验正是对这困境的经典刻画：屋中人完全不懂中文，仅凭一本完美的规则手册操作中文字条，就能让屋外人误以为他懂中文 Stanford Encyclopedia of Philosophy。塞尔由此论证：语法不产生语义，符号操纵不等于理解。
但这论证自诞生起就争议不断，远未形成共识 Springer。最著名的反驳——系统回复——指出：屋中人个体不懂中文，但"人+规则手册+房间"构成的整个系统可能懂。理解或许是系统层面的涌现属性，而非任何单一组件的属性。另一些批评者质疑：如果按同样逻辑，人脑也不过是在操纵神经递质浓度等"本身无意义的机制"，那人脑也不"理解"？IEP 学术界的普遍评价是：中文屋论证"有缺陷"，但对它如何以及为何有缺陷，并无一致意见 Springer。它是有力的思想刺激，不是已结案的判决。
所以AI到底"理解"语言吗？诚实回答：取决于你怎么定义"理解"。如果"理解"意味着能在恰当语境中正确使用语言、回答追问、进行类比推理，那AI在相当程度上做到了。如果"理解"意味着符号与真实世界之间建立了指称关系，意味着"知道自己在说什么"的主观体验，那至少在现有范式下，没有证据表明AI具备这种能力。不是说它"永远"做不到——"永远"是个过于傲慢的词，面对意识之谜我们没资格用。但确实，在可见的技术路径内，AI的"知道"与人类的"知道"之间有一道尚未跨越的鸿沟。
在数据、驱动机制和思维本质之外，还有一道更底层的鸿沟——物理基底。
人脑是生物系统。信号传递靠离子通道蛋白的开合、神经递质分子的扩散、细胞膜电位的连续变化。这些过程发生在纳米乃至亚纳米尺度——离子通道直径仅0.3到0.5纳米，只允许单个离子排队通过。在这个尺度上，量子力学不是可有可无的理论点缀，而是支配物质行为的根本法则。人脑的物理基底没有被任何力量"设计"来压制量子效应。它是自然演化了五亿年的系统，量子现象是其微观物理的内在组成部分，既未被刻意利用，也未被刻意消除。
数字计算机截然不同。经典微芯片是人类工程纪律的结晶——整个架构被精确设计来压制、遮蔽和隔离物质的量子特性。每个电压电平、每个逻辑门、每个时序约束，都被工程化以防止量子相干、熄灭叠加态、将纠缠还原为热噪声。芯片的成功不在于消除了物质的量子基础——那不可能——而在于构建了层层系统将其变得不可见。维基百科对量子计算的词条说得好："经典"计算中的"经典"指的是计算模型，而非硬件的微观物理是否最终是量子力学的——但经典计算模型之所以能成立，恰恰是因为工程师们付出了巨大努力确保量子不确定性永远不会泄漏进数字逻辑 Wikipedia。
这种差异意味着什么？物理学家泰格马克2000年算过大脑环境中的量子退相干时间，结论是微管中的量子相干只能维持 到 秒，远短于任何神经生理学过程所需——如果他对，量子效应在大脑中退相干得太快，不可能对认知有功能性影响，大脑在计算意义上仍是经典系统 Physical Review E Physics World。但这计算本身也受挑战。哈根等人指出泰格马克基于一个与彭罗斯-哈默洛夫理论不同的混合模型，修正参数后退相干时间可延长至 到 秒，虽仍短于意识体验的典型时间尺度，但已进入实验可探测范围 Physical Review E。更近期的实验确实在微管中观察到了千赫兹到太赫兹频段的集体振荡 Wikipedia。然而主流共识仍是：大脑"温暖、潮湿、嘈杂"的环境不利于维持量子相干，量子意识假说缺乏直接实验证据 Frontiers。
但这里有个更深的要点，超越了彭罗斯-哈默洛夫理论的具体争议。即便量子相干在大脑中不扮演功能性角色，人脑与数字计算机在物理基底上仍存在根本不对称。人脑的计算是模拟的、连续的、化学-电气的，发生在量子效应自然存在的尺度上——没被设计来压制任何东西，量子现象在其微观物理中自由生灭，无论是否被宏观过程利用。数字计算机的计算是数字的、离散的、二进制的，发生在量子效应被工程化压制的尺度上——整个架构就是为确保经典性，每个晶体管都是一个精心设计的"退相干加速器"，将量子不确定性扼杀在它可能影响逻辑状态之前。
这意味着：如果有一天我们要追问"意识能否从计算中涌现"，至少得承认，当前AI运行的那种计算——被刻意限制在经典二进制轨道上的计算——与人脑中发生的那种物理过程，在物理基底层面就不同。不是说经典计算"不可能"产生意识——我们不知道。但确实意味着，把人脑简单类比为"一台生物计算机"可能是过度简化：人脑不是被设计来压制量子效应的机器，而是量子效应自然存在的物理系统。飞机和鸟都会飞，但飞机不扇翅膀——形式上的趋同不等于本质上的同一。而在意识的语境中，"翅膀"和"引擎"之间的差异，可能比我们以为的更深。
人类的思考发生在一片AI尚无法进入的意识森林中。这片森林的核心是第一人称的主观体验——哲学家称之为感质，即"成为那个体验者到底是什么感觉"。人类的思考总是"关于"某事的，这叫意向性。想到"家"时，念头不仅是个词元，它指向远方那间温暖的房子，伴随饭菜香、亲人的嗓音和难以言喻的归属感。我们不仅能做逻辑推理，更能做因果推断——不仅知道"加热让水沸腾"，更能在看到地上水渍时回溯出"可能有人打翻了杯子"。
这种充满体验的思考能否被还原为计算？这是哲学家查尔默斯所说的"意识的困难问题"：为什么物理过程的伴随物中会有主观体验？为什么神经元放电会"感觉像"什么？主流的强丘奇-图灵论题主张任何物理过程都可被图灵机模拟，所以人脑的物理活动原则上是可计算的。但即便我们能完美模拟所有神经元的放电，那台模拟器里会诞生出"感觉"吗？模拟暴雨不会打湿计算机，模拟黑洞不会弯曲模拟器周围的时空——那模拟一个大脑，会诞生意识吗？没有答案。而物理基底的差异让这谜题更复杂了：如果人脑的物理过程中确实存在不可被经典计算捕获的量子成分——哪怕只是退相干极快的瞬态效应——那"用图灵机完美模拟人脑"这设想本身可能就需要重新审视。当然，如果泰格马克算对了，量子效应在大脑中退相干太快而无功能意义，那人脑原则上仍是经典系统。但关键在于：我们目前无法确定哪种情况是真的。
无论答案如何，有一点清楚：人类那流光溢彩的主观体验，至少目前仍矗立在可计算平原的边界之外。不是永远，不是原则上不可能——而是"目前"，我们既无法证明它可以被计算，也无法证明它不可以。这片迷雾，恰恰是科学最迷人的前沿。
尽管底层逻辑如此不同，两者的学习与思考范式仍有令人着迷的相似之处，仿佛两条相隔甚远的河流在某些河段映出相似的波纹。人脑的预测误差处理与大模型的损失函数优化异曲同工；人脑中"苹果"的概念分散在许多神经元的集群活动中，恰似AI的嵌入向量将词义分散在数百个维度上——1立方毫米脑组织就包含约5.7万个细胞和1.5亿个突触 量子位，分布式程度远超任何人工网络，但基本原理的相似暗示大自然和工程师可能殊途同归；孩子通过大人的情绪反馈习得社会规范，类似大模型的RLHF；人脑通过睡眠"蒸馏"白天信息、保留重要内容丢弃冗余细节，也与AI的知识压缩异曲同工。
这些相似意味着什么？乐观地看，人类或许无意中触碰到了智能的某种普遍原理，无论由碳基神经元还是硅基芯片实现。审慎地看，相似可能只是表面的——飞机和鸟都会飞，但飞机不扇翅膀。而当"飞机"的引擎被刻意设计为经典确定性系统，"鸟"的翅膀在量子效应自然存在的物理基底上拍动时，两者之间的"相似"或许比我们以为的更浅，"差异"或许比我们以为的更深。
AI的思考是一列在可计算轨道上高速飞驰的列车。路线被数学精准设定，我们能算出它在任一时刻的准确位置。它从未看见窗外风景，也不知道旅行为何物——但它跑得比任何步行者都快，且不知疲倦。更深一层：这条轨道本身是被工程化铺设在经典物理平原上的——每根枕木都在压制量子不确定性，每个道岔都在确保二进制确定性。列车跑得再快，也不会离开这条轨道。
人类的思考是一位亲自穿行于意识森林的旅行者。他走过的路径也能被物理规律描述，但他能闻到泥土芬芳，感到风吹方向，心中萦绕着往昔回忆与未来遐想。这旅程无法被简化为纯粹的轨道参数——而且，他脚下的土地是一片量子效应自然生灭的物理基底，没有被任何工程师设计来压制什么。这片土地的物理是否与他的意识体验有关，我们尚不清楚——但至少，它与列车行驶的经典轨道，在物质层面就不相同。
理解这一鸿沟，意义何在？
首先，是为了更负责任地应用技术。当我们清楚AI的"知道"是统计性的、无根的知道——它能在语境中正确使用"悲伤"一词，却从未悲伤过——我们就不会盲目地将涉及价值判断、伦理抉择、情感陪伴的任务全权交给它。我们会设计更好的人机协作边界：让AI承担它擅长的信息检索与模式识别，让人类保留需要体验与判断的决策权。
其次，是为了不过度神化也不过度恐惧。AI不是神也不是魔。它是一面极为特殊的镜子——只反射人类语言，却不反射人类体验。它映出了我们文明在文字中留下的一切痕迹，却映不出我们咬下苹果时的那一口脆甜。对它既不必恐惧到要拔掉电源，也不必崇拜到要交出主权。
但最重要的一点或许是：这面镜子逼着我们重新追问——什么是"知道"？
我们生活在一个信息爆炸的时代，每天吞咽海量数据：新闻、观点、知识碎片、短视频。我们越来越像一个大语言模型——输入越多，输出越流畅，但真正"咬过一口"的体验却越来越少。我们知道"正义"的定义，但我们在不公面前愤怒过吗？我们知道"勇气"的近义词，但我们站在恐惧面前迈出过那一步吗？我们知道"爱"在文学中的一千种写法，但我们认真爱过一个人吗？
如果AI的局限提醒我们什么，那就是：真正的知道，不是读过多少词，而是活过多少体验。信息的积累不等于智慧的生长，语言的流畅不等于理解的深度。当AI在效率、广度和不疲倦上远超我们时，那些它目前尚无证据具备的东西——真实的好奇、共情、意义感，以及源于生命体验的创造力——或许正是人之所以为人的最珍贵内核。
不是因为它"永远"不可被机器复制。而是因为，即便有一天机器真的跨越了那道鸿沟，在那之前，我们仍然需要先活成那个值得被复制的样子。
飞机最终飞得比鸟更高更快。但在莱特兄弟之前，先有人从悬崖上纵身一跃——不是因为计算告诉他能飞，而是因为他想知道，风是什么感觉。而那纵身一跃的瞬间——心跳加速、气流扑面、大地在脚下旋转——那不是数据，那是体验。那是一个量子效应自然生灭的物理基底上，一个意识体对世界的第一人称触碰。
那是任何模型，都尚未知道的"知道"。