AI，为什么取代不了感觉、直觉、品味和行业问题意识？
今天计算机科学能做什么、不能做什么，早在两千年的哲学追问中就已经被框定了边界。
而真正让人得以守住的，无法在AI取代被取代的，是一种叫默会知识的东西：那些你知道但说不出来的感觉、直觉、品味与判断。AI可以穷尽一切语言可表达之物，却无法触及那些“结构上就是说不出”的经验质感。
与AI赛跑的关键，是你能不能持续产生它学不会的东西。
默会知识：
AI真正替代不了的东西
今天的人工智能到底不能替代什么？其实有人给了我们答案。
这个人叫迈克尔·波兰尼，20世纪50年代的社会学家。他提出了一个概念，当时没有人工智能，他也不是针对人工智能写的。
但2014年至今，随着人工智能火爆，越来越多学科参与进来，有人发现：这个人讲的一个东西，确确实实是今天人工智能替代不了的。
这个东西叫默会知识（Tacit Knowledge）。
什么叫默会知识？就是那些我们知道但说不出来的东西。我们知道的总是比我们说出来的要多。而且这“说不出来”里面，有一部分在结构上就是说不出。
他举了几个例子。你迎面走来一个人，你判断他是不是你的熟人。你不是看到了他的眼睛、眉毛、鼻子才认出来的，你是先看到这个人的整体，走路的姿态、脸型甚至气质，走近了认出来了。
实际上你可能跟这个人生活了很多年，都没注意到他这有颗痣，那有个胎记。你不是靠把它明明白白分成很多部分来辨认的，你是凭一种感觉。这就是默会知识。
再比如做事的直觉，你的品味，你的身体掌握。仔细想想，你是怎么学会游泳的？怎么学会骑自行车的？
一定有一个阶段：你可能看了很多视频，自由泳应该这样，蛙泳应该那样，但你的身体就是搞不过来。练了很久，突然有一天，你“哗”一下就开窍了。但跟别人介绍你怎么学会游泳的，你还是只能说“练多了自然就会”。
波兰尼说，我们不否认有些东西经过代代积累、代代进步，也能慢慢被说出来。但还有一些东西，它就是说不出来，因为你的注意力根本不在那。
他举了一个例子：一个技艺精湛的铁匠用锤子砸钉子，这个人的注意力不在锤子和钉子上，他的脑子里根本没在想钉子，他在想这个铠甲做完之后应该是什么样子。
你让他把注意力放在锤子和钉子上，完蛋了，他一注意就会砸到自己的手。所以他说：有些默会知识，结构上就是说不出来。
既然默会知识在结构上说不出来，而我们今天的AI是大语言模型，说不出来的东西没有进入语料，AI就掌握不了。
这里要做一个关键区分。
维特根斯坦讲的是“不可说的事情”，比如玄学、冥想体验，你说不出来，也不知道怎么验证。但默会知识是：你说不出来，但你知道。
你能产生可辨认的后果。这个人能不能合作，这个事能不能做，你心里有感觉，你说不出来，但你能拍板。这就是两者的区别。
我们讲的“提炼默会知识”，本质上是尽可能地拓展默会知识的文本投影。
有一些东西能够明确说出来，而且说出来的东西就是准的，这叫从默会知识变成了显白知识。
有一些东西没有办法100%说出来，但你可以找到一些办法写下来。虽然写下来的依然不是100%原意，但你去跟它互动，不断地投入精力，你可以接近它，这就是默会知识的文本投影。
它不是百分百的默会知识，但它是个影子。你看着那个影子，可以想象它原来的主人是怎么动的，然后学到那个主人的舞步。
1.3种默会知识
进一步，有一位学者叫哈里·柯林斯，他在2010年写了一本书叫《默会知识与显白知识》，把默会知识分成了三种。这个分类非常关键。
第一种是关系型默会知识。
它是派生出来的关系，比如整体和部分的关系。你跟爱人生活了很多年，你说“帮我拿一下那个”，他就帮你拿过来了，你不需要说出来，他知道你要什么。
这种默会知识，今天的AI其实已经能理解一部分，只要上下文足够，你跟它说得虽然模糊，它可以理解。
第二种是身体型默会知识。
就是刚才举的例子，怎么学会游泳，怎么学会骑自行车。今天的具身智能正在通过捕捉人类身体姿态，往这个方向去进步。
不过我个人认为，目前具身智能还没有突破核心瓶颈，不知道什么时候能真正落地和商业化，但它确实在处理这一块的任务。
第三种是集体性默会知识。
比如你对行业的洞察，你这个行业普遍的问题意识是什么。比如你做学术或做艺术，你的品味是什么。这个东西其实可以教，但没有办法用语言的方式教，你只能耳濡目染、身体力行、言传身教。
柯林斯说，今天AI最大的问题是不具备集体性默会知识。
更要命的是，AI从一开始就把人类社会的海量规则预训练进了模型里。它分辨不出来，哪些规则是人类经过默会知识产生的软规则，哪些是像牛顿定律一样的硬规则。
我自己就有切身体会。我现在用AI写书效率很高，但有一个特别难受的问题：我希望它的思维方式和我的方式尽可能接近，但我就是提炼不出来。一个优秀的人对他所在行业有大量背景知识和洞察，这些东西AI实验效果非常差。
我现在的办法是让AI反过来问我“你为什么这么写？”“你怎么思考的？”它来问我，逼我把自己之前说不出来的东西说出来。我自己做的时候其实也没想过，就是很自然的动作。当它问我的时候，我才意识到：原来我不那么做是有原因的，这样它就能学会一些。
但我认为，它学会的东西本质上只是默会知识在文本中的投影。而人是可以不断再生产新的默会知识的。
比如今天我给大家讲课，我会观察大家的表情，判断哪一部分大家感兴趣、哪一部分可以省略。我现在就有这个感觉，也不一定记得住，但后面我可能就下意识自然调整了。只要我持续上课、持续跟大家聊天，我就可以不断产生新的默会知识。
所以这就是人和AI的赛跑。今天很多人问，AI有什么东西是替代不了人的？
文献证据很明确：默会知识替代不了。AI是语言模型，默会知识不在语言里。
怎么办？你可以让AI提炼你的默会知识在文本里的特点，但归根结底，提炼出来的水平取决于那个做“提炼”的人的水平。
有人问，默会知识和显性知识哪个更高级？不是高级不高级的问题。
举个销售的例子就清楚了：销售要去签单，他需要两部分知识，一部分是对产品的专业知识，另一部分是人际交往的知识。你不能说人情世故比专业知识高级，但人情世故是专业知识的配套，这就是默会知识和显性知识之间的关系。
2.默会知识的动态竞争：人与AI的赛跑
默会知识有两个核心特征：第一是并显，第二是动态。
什么是动态？你不断地跟AI交流，可能把原来你说不出来的东西说出来了。但你反过来不断地跟人交流，你又在不断地产生新的默会知识。
所以你的竞争力，取决于你生产默会知识的速度和质量，与AI吸收默会知识的速度和质量之间的竞争关系。你跑不赢它，就被它淘汰；你跑得赢它，就永远能挣它“表面”那部分钱。
今天很多用AI的人会意识到：你自己其实是AI的瓶颈，或者说AI的上限。因为默会知识这一块AI起不来，只能你来补充，你的默会知识水平，就是AI能力的天花板。
张笑宇老师为同学们在新书上签名
但这个过程不是单向的。用AI确实是一种交互，可以互相提高。就像你带一个博士生，他有一些想法，你受他的刺激、受他的启发，你的上限也被提升了。
我自己在用AI的时候也经常有这样的体验。通过这种交互，你提升了你的上限。
为什么学AI，要懂一些哲学？
计算机科学，是对哲学思维的工程化实现。今天我们聊哲学，总觉得特别高大上、特别难懂。但研究任何一门学科，都要回到它最初诞生时的原问题。哲学的元问题是什么？就是你在没有字典和教材的时候，怎么说话。
今天你要搞清楚什么叫哲学，打开浏览器搜索，或者直接问AI，它给你一个定义，不管是百度百科还是维基百科，都是从教科书里抄来的。但人类文明之初，没有这些东西。
有一个故事我一直没找到确切出处，但印象深刻：一个雅典居民，旅行了一辈子，回到家乡时已经不会说雅典话了。他站在码头上，问来来往往的人：这个东西用雅典话怎么说？人家就告诉他一个词。
这个故事讲的，正是哲学最初的问题意识：你在每天使用“信息”“美”“丑”“善”“恶”这些词，但让你给它下一个精准的定义，在没有字典、没有教科书的情况下，你的思考起点是什么？
这是我们要回到的第一性原理。
张笑宇老师在授课中
1.第一性原理的内容：矛盾律
今天“第一性原理”这个词很流行。但每次我讲课都问：第一性原理的内容是什么？
得到的答案往往是描述性的——思考事情的本质、寻找事情的本源、一切的出发点。这些都对，但它们是描述，不是内容。
第一性原理的内容，明明白白写在亚里士多德的《形而上学》：同样属性，在同一情况下，不能同时属于又不属于同一主体。凡是逐节追求证明的人，总是逼到最后一条规律为止；终极规律自然地成为其他一切原理的起点。
“同样属性，在同一情况下，不能同时属于又不属于同一主体。”用这句话，用今天的话说，就是矛盾律。
什么意思？很简单：柯洲在这个时间、这个节骨眼上，他就不是张笑宇。听起来像一句废话，但仔细想，我们用这条原理可以怎么讨论问题？
柏拉图《理想国》开篇就在讨论一个问题：什么叫正义？
苏格拉底当时在一位有钱人家里，酒足饭饱，问什么是正义，主人说：正义就是欠债还钱。你欠了别人的东西，就该还给他。
苏格拉底喜欢抬杠，立刻反驳：你欠了朋友一把刀。今天想起这事，想还给他，结果你朋友正在跟他老婆生气发火。你把刀还给他，这是正义吗？
同学们在课堂上认真思考
主人说：显然不是。
你看，在一种处境下正义是欠债还钱，在另一种处境下它又不是。这违背了矛盾律——你不可能既说“正义是欠债还钱”，又说“它不是欠债还钱”。
当你发现这个矛盾，你就知道自己必须再往前问一步：正义一定有比欠债还钱更精准的定义。
亚里士多德的意思是，只要掌握了矛盾律，我们就能在混乱的世界中往前分析，得到更精确的结果。这就是人类理性的第一课。
今天这个事太常见了，人人都说拥抱AI是先进生产力，但拥抱AI之后有没有变得更焦虑、更烦躁？
人人都说学AI，不学就落伍了，有没有可能学了照样落伍？
如果有，那就说明“学不学AI”和“是不是先进生产力”之间的必然联系还需要往前进一步分析。
这不过是矛盾律罢了，2500年前就写在书里了。
今天所有人都在讲第一性原理非常重要，但问内容是什么，没几个人知道。
当第一个人类发现这条原理时，那确实是划时代的、惊天动地的。当时的人很兴奋，觉得只要你掌握了它，就能沿着它一步步走下去，直到发现全部真理。
2.从“存在巨链”到“恶魔的欺骗”：西方哲学的演进
柏拉图的“理念论”奠定了“真实存在于不变之物”的传统，亚里士多德将之发展为以原因和必然性串连起的世界图景。
感官世界是流变的影子，唯有“理念”是真实而恒定的存在。
同学们聚精会神地听课
于是，柏拉图在西方哲学里诞生了一个非常重要的概念——存在巨链（The Great Chain of Being）。从无机物到神，万物按照“存在的完美程度”被排列为一条不可断裂的因果链条。
这个“存在巨链”背后是“必然巨链”，一切现象都可追溯到第一原因——理性的工作是沿着这条链条向上回溯。
苏格拉底、柏拉图、亚里士多德是一个学派，他们认为：只要你把第一性原理、把矛盾律搞清楚了，就一定能弄清世界上所有东西到底是什么样子，而且最后一定只有一个原因。
一旦你说“这个东西既是什么、又不是什么”，就说明你还没搞明白背后的道理。搞明白了，真理就只剩一个，真相只有一个。
按照这个逻辑，世间万物顺着链条追溯，最终都指向一个东西。用他们的说法，叫“至高无上的神”。到了中世纪，这个概念自动替换成了“上帝”。
这就是贯穿两千年西方哲学的概念：存在巨链。
到了近代，笛卡尔给它装了一个新的起点。他把“我思考”作为理性主义的新地基，将认知的地基从外部世界转移到主体内部。
他说：我理性的第一出发点，是我自己的思维。不用管肉体，只要思维澄明，就可以通达上帝。
笛卡尔用来论证这个观点的最有名思想实验，叫“恶魔的欺骗”：假设世界上存在一个恶魔，能够欺骗你的一切感官，什么东西是它欺骗不了的？
你有一刻觉得这东西是热的，它告诉你是冷的；你有一刻觉得是香的，它告诉你是臭的。它甚至能欺骗你的念头。那有没有什么东西，它无论如何欺骗不了？
你知道自己在思考。
它要欺骗你的前提，是首先有一个“你”，而且你在思考。你不思考，它就骗不了你。这就是笛卡尔那句名言的出处，拉丁文原话：Cogito ergo sum——“我思，故我在”。
怀疑一切之后，唯有“正在怀疑的我”无法被怀疑——这是新的第一原理。
同学们向张笑宇老师提问
从“我思”这个连恶魔都欺骗不了的基点出发，笛卡尔认为可以推导出整个世界的一切。
3.休谟的反驳与维特根斯坦的转向
对这种理性主义，最有名的反驳来自英国经验论代表大卫·休谟。
休谟问了一个问题：你们天天讨论上帝、第一推动力（笔记侠注：由亚里士多德提出，指一切事物运动的最终原因和目的。他认为运动是永恒的，必然存在一个“第一推动者”，它自身不动，却是所有运动的源头，常被理解为“善”“理性”或“神”），但你能不能分清楚，它到底只是你想出来的一个方便的说法，还是你真的能够验证的实在？
他举了一个思想实验，他说在遥远的远方有一棵树，这个树你看不见也摸不着，它散布在茫茫的丛林里，每当你想找到它确认的时候，你会发现这根本不是那棵树，那这个树到底是存在还是不存在？
换到世俗生活里也一样。你说“真正的爱情不存在”，我反驳，你说“那是因为你没遇到真正的爱情”。问题是，你没遇到，你咋知道它存在？
休谟的结论很简单：不管那棵树在不在森林里，只要你没遇到它，它跟你没有半毛钱关系。真正的爱情可能存在于宇宙某个角落，但只要你一生中遇不到它，你琢磨这事干嘛？这就是经验论的出发点。
观念只能来自于经验，人类观念只有三个源泉：相似性、临近性、因果关系。严格意义上的因果，只存在逻辑和数学；其他领域的因果，本质上是相似性或临近性。因此，理性是有局限的。
到了20世纪，哲学又迎来一次大转向：语言转向。
维特根斯坦说，所有哲学问题，归根结底都是语言问题。说白了，是因为我们用某种方式说话，才产生了这些问题。
希腊文和拉丁文里系动词am/is/are语法功能极强，词的位置随便换，只要动词固定就不影响句意，词与词的关系严格依赖系动词。
如果你换一种语言，比如中文。中文不一样，词序一换，意思完全相反。不同语言用语言的方式完全不同，中文里甚至没有这样的系动词结构，你怎么能说这东西就是探索一切真理的出发点？
所以维特根斯坦说，我们之所以希望在碎片之间建立联系，不是由世界的本质决定的，而是由我们的思考方式决定的——因为我们用语言思考，我们希望在语言之间建立逻辑关联。
本质上，我们生活在语言之中，思考也生活在语言之中。
事实的逻辑图像就是思想，于是，思想就是那些有意义的命题。有意义，就是可以和事实建立起一一对应的关联。命题和命题之间，可以通过逻辑和数学建立起真值关系，这方面亚里士多德的第一性原理作为判断工具没有任何问题。
但语言中还有不可说的事情，对于这些事情，我们只能保持沉默，这是理性主义的最后边界。
脱离语言的思考可能存在，但没法讨论。就像一个参禅的朋友说他在冥想中见到了释迦牟尼，这对他个人修行确实有效果，但一旦要变成语言交流，就是“此中有真意，欲辨已忘言”了。
计算机科学，
是对哲学思维的工程化实现
理解了哲学史和计算机科学史之间的关联，就能理解一个核心问题：计算机能做什么、不能做什么？人工智能能做什么、不能做什么？
有大量的第一性原理，在数学和哲学上已经被框定了。有些问题你根本不用费时间讨论，浪费时间。
计算机有没有意识？人工智能有没有意识？人工智能能不能处理玄学问题？不能。就这么简单。
维特根斯坦讲得很清楚：世界图景中，不可说的事情要保持沉默。今天的大模型是大语言模型，对不可说的事情它就是没办法处理，边界非常明确。
1.图灵测试的哲学来源
将哲学史映射到人工智能简史，必须回到1950年图灵的论文《计算机器与智能》。这篇论文被看作人工智能学科的基础，但它发表在一本哲学期刊上。
全篇没有任何复杂的数学公式，也没有复杂的工程学问题，只讲了一个很简单的道理。
图灵当年在剑桥教书时非常年轻，没有课的时候就去隔壁蹭维特根斯坦的哲学课。
维特根斯坦知道他是少年天才，时不时把他叫起来问：图灵，这个问题你怎么看？图灵发表观点，维特根斯坦不同意，两个人就吵一架。
吵了几轮之后，我怀疑正是因为这些争论，图灵在写那篇论文时，开篇大意是：
今天有人想讨论机器能不能思考。如果我们像两千年来哲学家那样，先去定义“思考”，然后讨论“思考的本质”或者“心智”，那再吵两千年也没有结果。
他换了一个思路：我们假设一个游戏，屋里有一男一女，外面有一个听众。男的想骗听众，让他以为自己是那个女的在跟他说话；女的则试图阻止这种欺骗。游戏就看男女谁能赢。
现在，把其中一人换成机器，如果机器能在游戏中赢过人类，我们就可以以此判定机器“会思考”。
这就是今天熟知的图灵测试。
一个熟读哲学史的人，一看这个思路，马上就知道它从哪里来的。它来自休谟的理论，我们有两种认识世界的方式：
一种是本质主义，追问“这个东西是什么？正义是什么？美的本质是什么？”渴望找到一个终极本质，然后进行理性推演和形式推导，最后列成数学规则。
另一种是经验主义，不论有没有那个本质，我们在工程上都可以做到让你分辨不出来。
再进一步追问：当你和另一个人讨论哲学问题，你们俩有思想，你们进行思想碰撞的时候，你是先跟他讨论“思想的本质是什么”吗？你是先搞清楚思想的定义，再来跟他聊的吗？不是。你是跟他聊出来的。
张笑宇老师在授课中
讨论、对话和碰撞本身，就是人思考的方式。
图灵认为，任何东西能思考时，其表现出来的东西，也就是被别人的经验感知到的东西是什么？答案就是对话。这也是图灵测试的来源。
2.图灵测试：跳出本质主义，确立工程学标准
在很长一段时间里，人们认为要做智能机器，必须先搞清楚哲学规则，三段论、范畴论，全搞清楚，把人类认知和理性规则一条条输入给机器，才能把会思考的机器做出来。
但图灵说：你不需要这玩意儿，哲学家搞了两千年都没搞明白，你们一堆工程师去搞这个，纯属浪费生命。黑猫白猫，能通过图灵测试就是好猫。
这就是这篇论文最重要的意义：它在工程学上，以休谟经验论为基础，确立了一条人人可用的工程学标准。
我们不用去讨论“思考的本质是什么”“哲学的规则是什么”，也可以把东西做出来。
从此，“思维”不再是哲学家的形而上问题——它变成了工程师可以构造的对象。逻辑、计算、机械三者首次在同一个框架中合流。
事实上，AI就是这么被做出来的。
大语言模型为什么能有智能表现，原理上还没有那么清楚，但工程学上已经实现了。头部大语言模型在2024年基本上都已经通过了图灵测试。
我们不用再争论了，难道非得规定机器要能思考，首先得有一个灵魂、有意识，才能叫思考吗？不需要。我们只需要看，它聊得是不是跟人一样好，就可以了。
人工智能的四条路：
行为主义、符号主义、连接主义和涌现原理
从图灵这篇论文，到真正落地工程，中间经历了很多波折。研究人工智能主要有四大范式。
1.行为主义（控制论）
控制论把智能视作对环境的反馈调节，从神经元到机器人，从感知到行动的闭环。
20世纪80年代钱学森从海外引进控制论时，和系统论、混沌论并称“三论”，非常热门。但由于控制论早在五六十年代就因为自动化机器人和管理应用成为显学，今天一般不把它归入人工智能范畴。
但控制论的祖师爷维纳本人是个思想家，他的思想对我们理解人工智能时代、计算机智能时代人与机器的关系，至今仍然极其重要。
我甚至认为，今天讨论思想这一块，不管是Geoffrey Hinton（杰佛里·辛顿）、Ilya Sutskever（伊利亚·苏茨克维），还是Elon Musk（埃隆·马斯克），甚至Richard Sutton（理查德·萨顿），都没有超越维纳的范畴。
你今天去读维纳，依然非常有意义。
2.符号主义
符号主义相信智能可以被编码为符号操作，以“推理即搜索”、“专家系统”为代表，在20世纪70-80年代为主流路线。
从哲学上说，符号主义想要还原从柏拉图到19世纪形式数学家们那一整套想法：人的思维本质上可以表达为一系列逻辑规则的组合，只要不断穷尽这个组合，就能不断接近人类智能，让机器越来越像人一样思考。
但他们很早就知道这条路上限在哪里，20世纪初，哥德尔和图灵在同一天前后发表了两篇论文，讨论的是同一个主题：形式逻辑本质上是不完备的，它不能穷尽人类的一切思考。
哥德尔说：任何足够强的形式系统，都必然存在它自身无法判定真假的命题。任何形式系统都是不完备、不自洽、不一致。
符号主义者的态度是：我知道有上限，但今天的机器离上限还很远，不断去发展它，能把上限推到很高。
20世纪70年代到80年代，符号主义确实是人工智能研究的主流，因为它实实在在做出了东西。
它做出了定理证明器：仅靠一套规则，就能把罗素《数学原理》中的定理证出来。也做出了最早的机器翻译成果和聊天机器人。
回过头看那个时代，跟今天很像：搞工程的人非常乐观，觉得只要把规则往前推，最后能解决人类一切认知问题；搞哲学的就很怀疑，说机器上限比你们想的低。
80年代之前大家都不信哲学的警告，80年代之后反而信了。
3.联结主义与涌现原理
联结主义的路线很简单。
50年代脑神经科学有一个大进展：人脑神经元细胞结构很简单，一堆细胞，有一个电流脉冲，越过阈值就往外释放一次，没越过就不释放。
某种程度上，跟计算机的0和1是类似的。从感知机到深度神经网络，让大量简单单元自组织出复杂行为，不再从规则出发，这是当下范式的源头。
当时的想法是：把它链接得足够多，它就能“涌现”出智能。我们不知道这是怎么发生的，但我们能把东西做出来。结果，这条路真的跑通了。
今天很多人讨论“涌现现象”。涌现这个词不是人工智能发明的，是生物学里早就有的概念。
涌现的定义很简单：当系统的规模足够大，规则足够简单且明确，系统就可以出现跃迁现象，过了某个阶段突然就升维了。解释不了为什么能升维，也不知道升维之后变成什么样，只知道升维后的结构不能用升维前的结构来理解。
有一本书叫《涌现：万物从何而来》，是斯坦福一位物理学家写的，核心论点是：从宇宙大爆炸到计算机发明，一切其实都是涌现。
生命、意识、社会、文明、智能——这些现象都不是由设计者从外部赋予的，而是在大量简单单元的相互作用中自发组织出来的。
生物学在过去半个多世纪里不断验证这一点。
生命的诞生怎么解释？原始地球海洋像一锅原始汤，里面一堆分子，有一批不知道怎么回事聚合成蛋白质雏形，经过几千年的暴雨雷电，有些大分子聚合起来后出现了一个东西，让它亲和某些物质、排斥某些物质，出现新陈代谢。
有了这个，就能自我维系，甚至自我繁衍、自我进化。到现在我们也不知道这些是怎么发生的，但在工程学上可以复现——1960年代美国科学家在实验室复原了原始大气和海洋的条件，模仿闪电，几十天后大分子自己就出现了。
再比如器官的分化。对一个单细胞来说，最好的生存策略是变成癌细胞，因为癌细胞可以无限繁殖。但当规模足够大，细胞并没有统一选择这条路，而是分化成了血液细胞、神经元细胞、骨骼细胞，再集合成复杂的器官个体。
蚂蚁群体也是，单个蚂蚁的规则极其简单，就是遍历算法，挨个试。今天计算机科学里的蚁群算法，就是模拟蚂蚁搜索路径的方式。
认知可能也是涌现出来的。有两篇论文讨论的是：动物关于自我、关于主体和客体的认知能力，有可能是涌现的。
比如变色龙，前面飞了只苍蝇，它的大脑在计算苍蝇的飞行轨迹。它自然而然会发现，要处理两种系统：一种是控制不了的（苍蝇怎么飞），另一种是能控制的（舌头怎么伸）。由这两种神经元的计算方式，可能涌现出对客观世界和主观世界的认知。
过去，旧的预设是人类智能源于灵魂、自由意志或某种特殊本质，而AI是冷冰冰的计算，因此机器永远无法真正“思考”；
现在，新的命题是人类智能也是大规模并行计算的涌现现象，AI智能和人类智能在底层机制上是同源的。
涌现不是一个像牛顿三大定律那样有明确数学公式和适用范围的科学定律，它可以说是一种信念，但被反复观察和验证过。
① Scaling Law：规模法则
在AI里，我们也观察到了涌现，这就是著名的规模法则（Scaling Law）。
介绍规模法则之前，先简单讲大语言模型的三个核心概念：Tokenize（分词）、Embedding（嵌入）和Attention（注意力）。
Tokenize（分词）是把人类使用的所有词，拆成表达意义的最小单元“Token”。比如predict，在英文里是一个词，但会被拆成两个Token：Pre（前）和dict（说），合起来“提前说”就是预言。
Embedding（嵌入）是在数学空间里赋予每个Token一系列向量关系。大语言模型不懂man（男人）和woman（女人）是什么词，但在向量空间里，它发现man和woman之间的距离，跟king（国王）和queen（皇后）之间的距离是类似的。
它从来不理解词义，它只理解词和词之间的关系。向量越精确，越能在数值空间定义它的位置。
Attention（注意力）就是注意力分配。根据输入，只要算法分配了足够好的注意力，就能自然地把Token连成一句话。
模型本质上都是在优化“预测下一句话”的概率。这里说的“好”，不是概率最大化，概率最大化导向的是最平庸的结果，因为人类认知的分布是正态分布。
今天的大语言模型希望的是不平庸，它要满足几个指标：第一，它符合人的用语习惯；第二，逐渐向人类认可的精英表达概率靠拢。
因此，大语言模型出现了明显的Scaling Law（规模定律）。
Scaling Law（规模定律）就是：预训练模型规模足够大、参数足够多，超过一定阈值后，表现会突然跃升。
2022年有10篇论文发表，讲大语言模型的认知出现了明显的Scaling Law（规模定律）。当参数从10的22次方跃升到10的24次方，认知水平和智力水平一下子提高，好像从小学生直接变成大学生。它解释不了为什么，但知道扩大参数规模有用。
问题在于，参数规模、算力和智力表现之间，是指数和线性的关系：算力是指数级提升，智力水平只是线性提高。这不可持续，到了一个时间点成本会过高。
Scaling Law（规模定律）今天有两点含义：第一，模型规模超过一定阈值，智力突然跃升；第二，只要算法正确，指数级堆高算力，智力水平会线性提升。
头部模型厂认为这个规律依然存在，但堆高算力和参数的成本实在太高了，已经过了纯靠融资的阶段，必须进入系统化的商业化路径。但我认为，商业化基本已经成功了。
② 给今天做AI落地的人的提醒
涌现的方法论，虽然脱胎于我们对智能的理解，但本质上已经是新的方法论、新的世界观。
由这个认识可以推导出一个重要判断：今天很多人对AI Agent（智能体）很感兴趣，尝试加各种Skill和规则文档。
但有了上面的认识，你就会知道这些东西只是脚手架，不解决根本问题，它不能让你的模型一直变聪明。
那些推销Agent的人有很多话术，说模型能自己不断进化，“养好了就能越来越聪明”。实际上不是这样。模型的聪明程度有一个上限，这个上限是基座模型（基模）决定的。
可以这样比方：今天的大语言模型在能力上相当于清华北大博士毕业生，你搭的Skill和文档体系，相当于给他做了入职培训。他本来很聪明，但不知道你这个行业怎么干，你用这套东西教会了他。但不代表你教了他，让他自己去跑，他就能跑成专家。
所以我一直强调两点：第一，不推荐中小企业去“养”自己的模型，这背后有巨大的成本问题；
第二，你学了东西、用了东西就够了，不需要焦虑。你焦虑的东西，很可能是基模层面还没解决的，这是OpenAI这些公司负责去解决的。你没有几千亿美元可以烧，就别操这个心了。
涌现这条路大概率是正确的。虽然目前只是信念，但大概率是对的。
至于它的上限是不是超越人类目前能承担的成本，这要分两点看：一方面你可以据此判断AI现在的上限在哪，确定你的战略和商业模式；另一方面也得看开，这一代不行，也许再过20年，算力、参数或能源出现突破，规模又可以继续往前走。
我相信我们大部分人一生中能看到超级智能。我对超级智能的定义是：AGI（通用人工智能，下同）是能胜过99%的人，超级智能是能胜过100%。
AGI今天可以说已经存在了，但超级智能的技术路径还看不到解法。然而我相信，最终当我们发现答案时，很可能也是遵循着涌现这个法则。
结语
人工智能不是神，它也有跨不过去的坎。AI擅长的是处理一切能被语言清晰地表达出来的东西，那些有明确规则、能形式化的计算，它比人强太多。
但人身上真正宝贵的那部分，叫作默会知识，就是你心里明明白白，可就是说不出来的直觉、品味、手感、判断力，这些东西在结构上就进不了语料，AI自然也就学不会。
所以，与其整天焦虑会不会被AI取代，不如换个思路看：这其实就是一场人和AI之间的赛跑。比的是你能不能持续产生新的、它暂时还学不会的默会知识。
你用AI的时候，其实你才是它的天花板，你的见识、你的判断、你在行业里泡出来的那种说不清道不明的经验感，决定了AI能帮你到什么程度。
今天我们深嵌于一个新的时代，科技、经济、哲学、政治都在经历持续变革和深刻重塑的复杂社会与商业环境之中。而真正困住绝大多数人的核心挑战，恰恰是：我们的认知框架、组织形态和行动逻辑，还停留在“前全球化时代”“前AI时代”。
面向新全球化时代、AI新时代，笔记侠PPE（Philosophy哲学、Politics政治学、Economic经济学，三学科交叉培养体系）课程，正是为理解这样的复杂系统而生。
在这里，你能理解以AI为核心的科技经济和智能商业，更能理解AI作为一种文明力量的哲学本质；你能看懂新格局下的国际贸易与经济政策，更能看懂其背后国际政治与全球治理模式的深层博弈；你能洞察商业的规律，更能洞察文明进程与人性的永恒法则。
这，正是第五代企业家应有的一套完整的“认知操作系统”。驾驭技术、洞察世界、扎根中国、修炼心力，在应对时代重重挑战中寻找属于你的决策底牌。
盛达优配提示：文章来自网络，不代表本站观点。
