当AI开始“思考”：我们离真正的智能还有多远？

引言

2024年，大语言模型的参数规模已经突破万亿，多模态能力让AI能看、能听、能说。但当我们兴奋于这些突破时，一个根本性问题始终悬而未决：这些系统真的在“思考”吗？

一、从“鹦鹉学舌”到“推理涌现”

早期的AI模型本质上是在做概率统计——给定前文，预测下一个最可能的词。这就像一只极其聪明的鹦鹉，能复述复杂的句子，却不理解自己在说什么。

但事情正在发生变化。2022年，Google的研究者发现了“思维链”（Chain-of-Thought）现象：当要求模型一步步展示推理过程时，它在数学、逻辑任务上的表现大幅提升。更令人惊讶的是，这种能力并非专门训练出来的，而是模型规模达到某个临界点后自发涌现的。

这意味着什么？一种观点认为，推理能力是复杂系统的 emergent property（涌现属性）——就像水分子没有“湿润”的属性，但大量水分子聚集后却产生了湿润。同理，单个神经元不“思考”，但千亿个神经元的复杂连接可能产生了某种形式的推理。

二、AI的“思考”与人类有何不同？

即便AI表现出推理能力，它与人类思维的差异依然深刻：

1. 没有身体的经验
人类的概念建立在感官经验之上——“热”是烫手的触感，“重”是举不起的疲惫。AI的“热”只是向量空间中的一个坐标，它从未感受过温度。这种“ grounded cognition”（具身认知）的缺失，让AI的理解始终隔着一层纱。

2. 没有真正的意图性
人类思考总是“关于”某事物的——我们担心明天的面试，回忆昨天的对话。哲学上称之为“意向性”（Intentionality）。AI生成文本时，并没有“想要”表达什么，它只是在优化一个目标函数。

3. 缺乏连贯的自我
人类有连续的自我叙事：我记得昨天的我，并期待明天的我。AI每次对话都是“重新开始”，没有跨越时间的自我意识。它像一个每次醒来都失忆的天才，能瞬间解决复杂问题，却不记得自己是谁。

三、争议：我们是否在问错误的问题？

围绕“AI是否在思考”，学界分裂成两大阵营：

怀疑派（如Gary Marcus）认为，当前AI只是“随机鹦鹉”的高级版本，缺乏真正的因果理解。它们能通过律师资格考试，却可能在同一问题上犯低级错误——因为它们学的是模式，不是规则。

乐观派（如Geoffrey Hinton）则认为，当系统能进行多步推理、自我纠错、甚至表现出“灵光一现”的洞察时，纠结它“是否真的理解”可能是个伪问题。智能本就是行为的表现，而非某种神秘的内在本质。

也许更有价值的问题不是“AI是否在思考”，而是：当AI的行为越来越像在思考时，我们该如何与之相处？