原文鏈接：https://mp.weixin.qq.com/s/Idbgqv9ofmYwnhotq4zrzA

原創(chuàng) 歐米伽未來研究所 歐米伽未來研究所

“歐米伽未來研究所”關(guān)注科技未來發(fā)展趨勢，研究人類向歐米伽點演化過程中面臨的重大機遇與挑戰(zhàn)。將不定期推薦和發(fā)布世界范圍重要科技研究進(jìn)展和未來趨勢研究。（關(guān)于歐米伽理論）

    人工智能（AI）正在以驚人的速度發(fā)展，在許多認(rèn)知任務(wù)上超越了人類。這一趨勢引發(fā)了廣泛討論，有些人認(rèn)為，人工智能將逐步取代人類在認(rèn)知、判斷和決策中的角色。然而，牛津

大學(xué)和猶他州立大學(xué)聯(lián)合出版的這部報告《你所需要知道的理論：人工智能、人類認(rèn)知與決策》對此提出了不同的觀點。這份報告不僅探討了人工智能和人類認(rèn)知的差異，還提出了以“理論為基礎(chǔ)”的人類認(rèn)知模型，為理解和改進(jìn)復(fù)雜決策提供了新視角。

AI的現(xiàn)狀：超越人類，還是模擬人類？

    報告開篇指出，人工智能（AI）近年來在許多領(lǐng)域展現(xiàn)出超越人類的能力。比如，在下棋這一被視為人類智能標(biāo)志的領(lǐng)域，AI不僅輕松擊敗頂尖棋手，還能以人類難以企及的方式解析復(fù)雜局面。此外，AI在醫(yī)學(xué)診斷中也取得突破，例如，在某些疾病的診斷上，其準(zhǔn)確率超過了資深醫(yī)生。AI還表現(xiàn)出在戰(zhàn)略博弈中的卓越表現(xiàn)，如在《外交》游戲中成功模擬人類的談判和策略。然而，這些能力的實現(xiàn)并非真正的智能突破，而是源于其背后的數(shù)據(jù)驅(qū)動機制。AI通過處理海量數(shù)據(jù)，提取模式并基于概率分布進(jìn)行預(yù)測，但本質(zhì)上，這種能力局限于對已有知識的模仿，而非對新知識的原創(chuàng)性探索。

    相比之下，報告指出，人類認(rèn)知的本質(zhì)是“理論驅(qū)動”的。人類不僅能夠通過現(xiàn)有數(shù)據(jù)得出合理推論，更能基于假設(shè)、直覺以及跨領(lǐng)域的聯(lián)想，提出具有前瞻性的創(chuàng)新想法。報告以19世紀(jì)末人類飛行的爭議為例，生動地闡述了人類認(rèn)知的獨特性。當(dāng)時，科學(xué)界普遍認(rèn)為人類飛行“不可實現(xiàn)”。這一判斷基于對數(shù)據(jù)的傳統(tǒng)理解：飛行物的重量越大，越難以升空，正如鴕鳥和火雞等重量較大的鳥類無法飛行。然而，萊特兄弟卻挑戰(zhàn)了這種看似無懈可擊的論證。他們并未完全遵循傳統(tǒng)科學(xué)數(shù)據(jù)的推導(dǎo)，而是從飛行的基本原理出發(fā)，提出了大膽的假設(shè)，并通過實驗驗證了這些理論假設(shè)的可行性。

    萊特兄弟的飛行成功背后，是人類理論認(rèn)知的勝利。他們的假設(shè)過程并非僅依賴于已有數(shù)據(jù)，而是通過理解空氣動力學(xué)、翼形設(shè)計和引擎推力等復(fù)雜因素，找到了解決問題的核心路徑。這種從假設(shè)到驗證的過程，超越了簡單的模式匹配或數(shù)據(jù)處理，是AI目前難以企及的。

    報告進(jìn)一步指出，AI的學(xué)習(xí)模式嚴(yán)重依賴于歷史數(shù)據(jù)的積累，其生成結(jié)果是過去信息的組合創(chuàng)新。例如，當(dāng)前的語言模型如GPT-4可以生成內(nèi)容豐富、語言流暢的文本，但這些文本的核心邏輯基于概率統(tǒng)計，而非真實意義上的推理能力。相比之下，人類在數(shù)據(jù)不足的情況下，依然能夠憑借理論驅(qū)動和想象力提出革命性的觀點，例如伽利略在面對主流天文學(xué)地心說時，提出了日心說。

    因此，AI目前的“超越”更多是體現(xiàn)在特定任務(wù)上的效率優(yōu)勢，而非認(rèn)知本質(zhì)上的突破。它在復(fù)雜計算中無疑具有優(yōu)勢，但其“智能”更多是一種基于統(tǒng)計數(shù)據(jù)的高效模擬。而人類認(rèn)知的“理論驅(qū)動”能力，則讓我們能夠突破既有框架，探索未知世界，這也是人類能夠?qū)崿F(xiàn)持續(xù)創(chuàng)新的根本原因。這一特點，為未來AI的發(fā)展提供了重要啟示：如何將AI的統(tǒng)計優(yōu)勢與人類的理論能力結(jié)合，可能是下一階段智能研究的重要方向。

數(shù)據(jù)與理論：AI與人類認(rèn)知的本質(zhì)差異

     報告指出，人工智能（AI）與人類認(rèn)知在處理數(shù)據(jù)和理論的方式上存在根本差異。這種差異不僅體現(xiàn)在數(shù)據(jù)的使用上，更深入到兩者背后的認(rèn)知機制和知識生成方式中。報告強調(diào)了“數(shù)據(jù)-信念非對稱性”（data-belief asymmetry）的概念，闡明了數(shù)據(jù)與信念之間復(fù)雜的動態(tài)關(guān)系。AI的預(yù)測結(jié)果建立在過去數(shù)據(jù)的基礎(chǔ)之上，其本質(zhì)是通過已有數(shù)據(jù)的相關(guān)性和分布來推斷未來。而人類認(rèn)知則截然不同：人類能夠在數(shù)據(jù)缺乏甚至矛盾的情況下，基于理論、假設(shè)和想象力形成前瞻性的信念，并通過實驗加以驗證。

    這一差異在語言學(xué)習(xí)中體現(xiàn)得尤為明顯。報告詳細(xì)比較了人類兒童與大型語言模型（Large Language Model, LLM）在語言學(xué)習(xí)中的顯著不同。LLM依賴于海量的訓(xùn)練數(shù)據(jù)進(jìn)行學(xué)習(xí)，例如最新的模型通常處理數(shù)萬億的詞匯單位（token），相當(dāng)于人類在幾百萬年的時間里才能閱讀的詞量。相比之下，一個人類兒童在其成長過程中，聽到的語言總量僅為數(shù)千萬至數(shù)億詞匯，遠(yuǎn)遠(yuǎn)少于LLM。然而，人類兒童能夠在這些有限的輸入下迅速掌握復(fù)雜的語法規(guī)則，并創(chuàng)造性地運用語言。這種“從稀疏數(shù)據(jù)到復(fù)雜輸出”的能力是AI目前所無法模擬的。

    LLM的訓(xùn)練依賴于其模型的核心機制，即通過大量的文本數(shù)據(jù)提取詞匯之間的關(guān)聯(lián)和語境中的相關(guān)性。它能夠通過對數(shù)據(jù)中模式的識別和組合生成語言輸出。然而，這種生成僅限于組合創(chuàng)新，缺乏真正的語義理解或語法創(chuàng)造性。例如，LLM可以基于訓(xùn)練數(shù)據(jù)預(yù)測下一個單詞，從而生成流暢的句子，但其本質(zhì)仍是對過去數(shù)據(jù)的統(tǒng)計模擬，并不涉及對語言結(jié)構(gòu)和意義的深度洞察。

    相比之下，人類兒童的語言學(xué)習(xí)并不依賴于大規(guī)模數(shù)據(jù)集，而是基于高度稀疏且噪音豐富的輸入。例如，兒童在聽到同一個單詞或句式的頻率遠(yuǎn)不及LLM訓(xùn)練數(shù)據(jù)中的出現(xiàn)頻率，甚至許多語言輸入是非標(biāo)準(zhǔn)化的口語形式。然而，兒童卻能通過感知語言的深層模式和規(guī)則，迅速內(nèi)化并生成超出輸入范疇的語言輸出。這種能力被稱為“輸入不足與輸出過度”（underdetermined inputs and overdetermined outputs），是人類語言學(xué)習(xí)的一大特征。

    報告進(jìn)一步分析了這一現(xiàn)象背后的理論驅(qū)動機制。人類的認(rèn)知能力允許我們將語言學(xué)習(xí)視為一種“理論構(gòu)建”過程。兒童通過有限的語言接觸，能夠推導(dǎo)出語法規(guī)則并預(yù)測未知語境中的語言使用。這種能力的關(guān)鍵在于人類大腦中存在的強大假設(shè)生成機制。兒童能夠基于初步接觸的語言片段，構(gòu)建出一套復(fù)雜的理論框架，并利用這一框架解釋和生成語言現(xiàn)象。這一過程超越了數(shù)據(jù)驅(qū)動的關(guān)聯(lián)模式，是一種基于理論的認(rèn)知方式。

    相比之下，LLM的語言生成完全依賴于其輸入數(shù)據(jù)的范圍和質(zhì)量。一旦輸入數(shù)據(jù)不完整或存在偏差，其輸出就可能失去連貫性或準(zhǔn)確性。例如，如果LLM未曾接受某種語言或方言的訓(xùn)練，就難以生成對應(yīng)語言的準(zhǔn)確內(nèi)容。而人類兒童即使接觸新語言，也能基于認(rèn)知能力和語言環(huán)境迅速適應(yīng)和學(xué)習(xí)。這種能力源于人類大腦的理論構(gòu)建優(yōu)勢，而非簡單的模式匹配。

綜上所述，AI的語言生成雖然在規(guī)模和效率上展現(xiàn)了前所未有的能力，但仍是對過去數(shù)據(jù)的統(tǒng)計模擬。而人類語言學(xué)習(xí)中的理論驅(qū)動能力，使我們能夠從稀疏數(shù)據(jù)中獲得復(fù)雜的知識和創(chuàng)新。報告認(rèn)為，這種差異不僅僅是語言領(lǐng)域的現(xiàn)象，更是人類與AI在認(rèn)知本質(zhì)上的根本區(qū)別。

AI的局限：為何無法超越模仿？

牛津大學(xué)的報告深入探討了當(dāng)前AI生成新知識的局限性，揭示了AI與人類創(chuàng)造性思維之間的根本差異。盡管大型語言模型（LLM）如GPT能夠生成語言流暢、結(jié)構(gòu)緊湊的內(nèi)容，甚至在形式上表現(xiàn)出“創(chuàng)新”，但這種“創(chuàng)新”本質(zhì)上是一種統(tǒng)計意義上的組合創(chuàng)新，即基于大量數(shù)據(jù)的重組與關(guān)聯(lián)，而非源自深層邏輯推理或理論構(gòu)建的創(chuàng)造性活動。

報告以伽利略的日心說為例，生動說明了AI生成知識的內(nèi)在缺陷。如果我們將現(xiàn)有的AI放回伽利略時代，其訓(xùn)練數(shù)據(jù)將主要來自當(dāng)時的科學(xué)文獻(xiàn)，而這些文獻(xiàn)中大多支持地心說的觀點。由于AI的核心是通過已有數(shù)據(jù)中頻率最高的關(guān)聯(lián)模式生成內(nèi)容，它無法獨立評估地心說與日心說的優(yōu)劣，也無法突破數(shù)據(jù)中固有的主流觀點。這意味著，AI只能“重復(fù)”訓(xùn)練數(shù)據(jù)中占主導(dǎo)地位的觀念，而無法像伽利略那樣基于對現(xiàn)有理論的質(zhì)疑和超越，提出完全顛覆性的理論。

相比之下，人類的創(chuàng)造性源于一種獨特的“前瞻性推理”能力。報告指出，人類不僅能夠根據(jù)當(dāng)前數(shù)據(jù)做出合理推斷，更能在數(shù)據(jù)不足甚至與主流觀點相悖的情況下，基于理論和假設(shè)探索新的可能性。例如，伽利略在缺乏直接數(shù)據(jù)支持的情況下，仍通過對觀測和邏輯的綜合分析，提出了日心說，并借助實驗和數(shù)學(xué)證明改變了科學(xué)的認(rèn)知框架。這種能力被報告描述為“理論驅(qū)動的創(chuàng)造性邏輯”，其關(guān)鍵在于人類能夠超越已有數(shù)據(jù)和模式，主動尋找驗證新理論的方法。

相比之下，AI的“后驗推斷”僅能基于已有數(shù)據(jù)的相關(guān)性得出結(jié)論，缺乏主動提出新假設(shè)的能力。AI無法自發(fā)質(zhì)疑現(xiàn)有數(shù)據(jù)的局限性，也無法根據(jù)理論構(gòu)建邏輯去尋找全新路徑。例如，如果訓(xùn)練數(shù)據(jù)中充斥錯誤或偏頗的觀點，AI的輸出將不可避免地受到這些偏差的影響。而人類則能夠憑借理論和直覺，在數(shù)據(jù)不完備或存在偏差的情況下，仍能推導(dǎo)出潛在的正確方向。

報告進(jìn)一步指出，AI缺乏驗證新理論的機制是其生成新知識的主要障礙。盡管AI可以通過模式匹配生成看似合理的預(yù)測，但這些預(yù)測并非源于對理論邏輯的深入理解。例如，AI在科學(xué)發(fā)現(xiàn)領(lǐng)域的應(yīng)用中，只能通過已有實驗數(shù)據(jù)推斷已知規(guī)律，卻無法像科學(xué)家那樣，提出全新的假設(shè)并設(shè)計實驗去驗證。

綜上，AI的局限在于其學(xué)習(xí)和推斷過程完全基于過去的數(shù)據(jù)，這使得它在處理已有信息時表現(xiàn)出色，但在應(yīng)對全新或未知領(lǐng)域時顯得乏力。人類的前瞻性推理和理論驅(qū)動邏輯，使我們能夠突破數(shù)據(jù)的限制，提出創(chuàng)造性解決方案，從而推動科學(xué)和社會的進(jìn)步。這種能力不僅定義了人類認(rèn)知的獨特性，也為AI的發(fā)展提供了方向：如何結(jié)合AI的效率優(yōu)勢和人類的理論能力，仍是未來智能研究的核心挑戰(zhàn)。

對未來的啟示：如何在人類與AI之間架橋？

牛津大學(xué)的報告在深入分析AI與人類認(rèn)知的本質(zhì)差異后，提出了若干應(yīng)對未來挑戰(zhàn)的關(guān)鍵建議，聚焦于如何在人類獨特的創(chuàng)造性與AI強大的數(shù)據(jù)處理能力之間架設(shè)橋梁。報告指出，這不僅是技術(shù)發(fā)展的需求，更是解決復(fù)雜社會問題、提升決策效率的核心路徑。以下三個方面是報告提出的主要方向。

1.人類-人工智能混合系統(tǒng)：結(jié)合優(yōu)勢，共同應(yīng)對不確定性

報告建議構(gòu)建“人機協(xié)作”的混合系統(tǒng)，將AI的高速計算能力與人類的理論推理和創(chuàng)造性思維結(jié)合，以應(yīng)對高度復(fù)雜和不確定性的問題。例如，在醫(yī)學(xué)診斷中，AI可以快速處理大量患者數(shù)據(jù)并提出可能的診斷方案，而醫(yī)生則通過對患者的綜合評估和臨床經(jīng)驗進(jìn)行判斷，選擇最適合的治療方案。這樣的協(xié)作方式不僅提升了效率，還確保了結(jié)果的科學(xué)性和人性化。

這一混合系統(tǒng)的核心在于角色分工：AI負(fù)責(zé)大規(guī)模數(shù)據(jù)處理和模式識別，人類則專注于決策的戰(zhàn)略層面，特別是需要理論構(gòu)建和創(chuàng)新的領(lǐng)域。例如，在經(jīng)濟政策制定中，AI可以通過數(shù)據(jù)建模預(yù)測市場趨勢，而人類政策制定者則可根據(jù)社會需求和倫理標(biāo)準(zhǔn)，設(shè)計出兼顧經(jīng)濟效率與社會公平的政策。通過分工協(xié)作，混合系統(tǒng)能夠突破單一智能體的能力局限，形成一種綜合優(yōu)勢。

2.以理論為核心的教育與發(fā)展：保留人類獨特的創(chuàng)造性

報告強調(diào)，人類的優(yōu)勢在于其理論構(gòu)建能力，而這一能力需要通過教育和訓(xùn)練不斷加強。在AI時代，單純依賴于數(shù)據(jù)分析和模式匹配的教育方式可能會削弱人類的創(chuàng)新潛力。因此，未來的教育體系應(yīng)更加注重培養(yǎng)學(xué)生的理論思維和前瞻性推理能力，讓他們能夠在復(fù)雜的現(xiàn)實問題中提出原創(chuàng)性解決方案。

例如，在科學(xué)研究領(lǐng)域，與其強調(diào)對現(xiàn)有理論的記憶和重復(fù)，不如通過跨學(xué)科教育和項目實踐，鼓勵學(xué)生從不同視角審視問題，培養(yǎng)他們提出假設(shè)和設(shè)計實驗的能力。報告指出，這種理論驅(qū)動的思維方式，不僅是人類在AI時代保持競爭力的關(guān)鍵，也是推動社會持續(xù)進(jìn)步的重要基礎(chǔ)。

此外，報告還提到，要重視教育中的價值觀和倫理培養(yǎng)。學(xué)生不僅要懂得如何使用AI工具，更要理解技術(shù)背后的社會影響，從而在設(shè)計技術(shù)和決策時，平衡效率與公平的關(guān)系。

3. AI的應(yīng)用邊界與倫理考量：謹(jǐn)防技術(shù)濫用

報告警告，在廣泛應(yīng)用AI于社會決策時，必須清晰界定AI的邊界，避免因過度依賴數(shù)據(jù)驅(qū)動的算法而削弱人類在價值判斷中的核心作用。AI固然在效率上表現(xiàn)卓越，但其決策邏輯建立在已有數(shù)據(jù)的基礎(chǔ)上，可能因數(shù)據(jù)偏差或歷史不公而放大社會問題。例如，在司法系統(tǒng)中，AI若基于偏倚的數(shù)據(jù)訓(xùn)練，可能導(dǎo)致決策中的系統(tǒng)性歧視。

因此，報告建議，在涉及倫理和社會影響的重要領(lǐng)域，如醫(yī)療、司法、公共政策等，AI的角色應(yīng)被限制為輔助工具，而非主要決策者。人類應(yīng)始終保持對核心價值觀的把控，確保技術(shù)的應(yīng)用符合社會的長遠(yuǎn)利益。

此外，報告還呼吁全球范圍內(nèi)制定統(tǒng)一的AI倫理框架，為AI的開發(fā)和應(yīng)用提供道德指導(dǎo)。例如，如何在數(shù)據(jù)隱私和技術(shù)效率之間取得平衡？如何確保AI算法透明、公正并可審查？這些問題亟需全球合作解決。

結(jié)語

牛津大學(xué)的這份報告提供了一個獨特視角：盡管AI在許多領(lǐng)域表現(xiàn)卓越，但它無法替代人類認(rèn)知中的理論驅(qū)動力。報告呼吁我們重視理論在認(rèn)知和決策中的核心作用，警惕將AI視為萬能工具的傾向。

展望未來，人類與AI的結(jié)合可能會開創(chuàng)全新的認(rèn)知模式。然而，只有在明確AI的局限并發(fā)揮人類獨特優(yōu)勢的基礎(chǔ)上，我們才能真正邁向智能技術(shù)的黃金時代。