AI的“反智能”：流畅模仿与理解缺失

核心观点

• AI在理解之前就已模仿思考：大型语言模型能高效复现文本中的人类思维“化石”，生成看似合理的解释，但其运作本质是统计模式匹配，而非真正的理解。
• 流畅度提升，责任并未随之而来：AI输出的连贯性与自信度随规模扩大而增强，但它缺乏内在约束，无法为其论断承担修正的责任。
• 缺失判断力的连贯性仍具说服力：AI生成的表面论证极具迷惑性，容易让人误以为其背后存在因果推理，实则它无法处理深层的逻辑矛盾或错误。

智能的结构性逆转：从内在约束到表面流畅

• 作者提出“反智能”概念，用以描述AI领域出现的一种结构性逆转。
• 逆转的表现：智能的外在信号（如语言的流畅、论证的完整）不断强化，而定义智能的内在约束（如对真理的追求、对错误的修正责任）却在悄然减弱或变得对用户无关紧要。
• 人类智能在约束中演化：信念与理由、可被挑战的真理主张、以及错误带来的后果，共同构成了人类判断力得以进化和完善的机制。

规模扩张的本质：统计流畅，而非理解深化

• AI近十年的进步主要由规模驱动（更多参数、数据、算力），这带来了更平滑的输出和更难以诱发的错误。
• 关键区分：性能提升容易被误解为“理解”的深化，但规模扩大并未引入新的认知能力，它只是强化了现有的统计模式建模能力。
• 大型语言模型是统计系统，其核心是优化对语言模式的建模与预测。它能吸收文本中遗留的人类推理“化石”，并在规模效应下，生成足以乱真的表面论证。

理解的缺失：为何AI没有真正的判断力

• 语言残留的误导：语言承载着人类思维的“残留物”。当AI极具说服力地重建这些“表面论证”时，人们容易将技术产物误认为思维过程，尽管AI从未触及文字之下的因果结构。

• 真正理解的要求：

  • 将主张置于可被审视甚至易受攻击的境地。
  • 能识别事物何时不再契合、矛盾何时重要、因果叙事何时无法自洽。

• AI的架构性局限：

  • 神经网络旨在近似函数，而非进行因果推理。
  • AI不维持上述敏感性，不将错误登记为错误，也不根据一个可修正的世界模型来衡量主张。
  • 幻觉减少但未根除，推理在超出统计规律时会退化，这些是其设计目标的直接体现。

责任：人类智能与人工智能的关键分野

• 人类智能受责任约束：我们能认识错误、解释信念、并依据理由修正信念。这些能力使判断能在人类生活的不确定性中发挥作用。
• AI生成解释却不承担此负担：技术由此与理解脱钩。输出看似完整，却不承担在世界反驳时自我修正的义务。
• 混合系统（如检索增强、神经符号AI）试图通过外部“加装”来弥补局限，这虽能带来改进，但也使约束变得可见——新增的“推理”发生在连贯性输出之后，而非源于其内部。

审慎应用：利用工具，而非替代判断

• AI无疑是伟大的发明，极具实用性。
• 关键在于审慎使用，使其用于锐化人的判断，而非替代之。
• 智能不会自动从规模中产生。保持这种区分并非抵制技术，而是为了维系那些始终使思考成为可能的条件。