来源: https://wmyskxz.cn/wiki/whats_ai/16/

这是 「AI是怎么回事」 系列的第 16 篇，也是最后一篇。我一直很好奇 AI 到底是怎么工作的，于是花了很长时间去拆这个东西——手机为什么换了发型还能认出你，ChatGPT 回答你的那三秒钟里究竟在算什么，AI 为什么能通过律师考试却会一本正经地撒谎。这个系列就是我的探索笔记，发现了很多有意思的东西，想分享给你。觉得不错的话，欢迎分享+关注。

第一次看到这个系列？从第1篇开始最顺畅，直接读这篇也没问题。

从第 1 篇”你的手机是怎么认出你的脸”到现在，我们一起走过了 16 篇。

拆开了 AI 的黑箱，画出了它的能力边界，学会了怎么和它一起工作。

最后一篇，我想聊一个更大的问题——这个问题你可能从第 1 篇就开始想了：

AI 会取代我们吗？

要回答这个问题，我们先来做一个实验。

AI 会写”孤独”，但它不懂”孤独”

我让 ChatGPT 写一段关于孤独的文字。它给了我这样一段：

孤独是深夜里空荡的房间，是人群中无人对视的目光，是心里有千言万语却找不到一个可以倾诉的人。它不是独处，而是渴望连接却无法触及的距离。

写得很好。甚至可以说，写得比很多人都好。

但它懂 孤独吗？

让我用我们在这个系列里学过的知识来拆解这件事。

还记得第 6 篇讲的吗？ChatGPT 的本质是一个语言模型——它做的事情是”预测下一个最可能的词”。当我输入”写一段关于孤独的文字”，它的注意力机制（第 6 篇）在 1750 亿个参数（第 4 篇）中搜索，找到训练数据中关于”孤独”这个主题的大量文学作品、散文、诗歌、心理学文本中的统计模式，然后用这些模式”续写”出一段文字。

“深夜里空荡的房间”——因为在训练数据中，”孤独”和”深夜””空荡”经常出现在相似的上下文里。

“人群中无人对视的目光”——因为在训练数据中的文学作品里，这样的意象和”孤独”高度共现。

每一个词都是”在关于孤独的文本中，这个位置最可能出现什么词”的结果。

这和第 7 篇里讲的律师假判例是完全一样的机制。 律师案件中，ChatGPT 生成了”看起来像法律引文”的文字；在这里，它生成了”看起来像描写孤独”的文字。

区别只在于：法律引文可以去数据库核查真假，而关于孤独的文字没有”对错”之分——所以我们更容易被打动，更容易觉得”它懂了”。

但它没有懂。

它从未在深夜里独自醒来，盯着天花板，感到一种说不清的空洞。 它没有身体，没有感受，没有经历。它有的只是几千亿个通过训练调整好的数字——这些数字让它能生成统计上最可能的文字序列。

哲学家 John Searle 在 1980 年提出过一个著名的思想实验，叫「中文房间」（Chinese Room）：一个完全不懂中文的人被关在房间里，靠一本规则手册回复中文信息。外面的人觉得他完全懂中文——但他只是在按规则操作符号。

ChatGPT 就是一个巨大的中文房间。它的”规则手册”是 1750 亿个通过训练自动学出来的参数。规则更复杂了，但本质没变：操作符号，不理解意义。

这就是标题的含义：AI 可以写出关于孤独的优美文字，但它不懂”孤独”是什么意思。

在回答”取代”之前，先回顾我们学了什么

要回答”AI 会不会取代我们”，我们需要先搞清楚 AI 到底是什么、能做什么、不能做什么。

好消息是——你已经知道了。

让我用一张图把整个系列的知识串起来。

如果你真的从第 1 篇读到了这里，你现在手里有一套完整的装备：

• 一个定义 ：AI 是超级模式匹配器
• 一套原理 ：数字化→神经网络→训练→Transformer→统计预测
• 一个框架 ：AI 认知三角（模式明确+数据充足+可验证= AI 强项）
• 一个工具 ：三问判断法（模式匹配？数据够？能验证？）
• 一套方法 ：Prompt 原理+协作原则+验证优先

带着这套装备，我们来正面回答那个大问题。

AI 会取代我们吗？——用原理回答

这个问题其实可以拆成三个更具体的问题。

第一个问题：AI 会取代哪些工作？

还记得第 11 篇的模式匹配谱系吗？

← 纯模式匹配（AI 强区）——— 需要因果理解（AI 弱区）→

世界经济论坛的《2025 年未来就业报告》调查了全球 1000 多家领先企业，预测 2025 年到 2030 年间，全球将新增 1.7 亿个岗位，同时有 9200 万个岗位被淘汰——净增 7800 万个工作岗位。

被淘汰最多的是什么岗位？文员和行政人员 ——这些工作的核心是处理标准化的信息，正好落在模式匹配谱系的左侧。

增长最快的是什么？STEM 专业人员、医疗健康人员、AI 和大数据专家 ——这些工作需要理解、判断和创造，落在谱系的右侧。

麦肯锡的研究估计，现有 AI 技术理论上可以自动化约 60% 至 70% 的工作活动，其中超过 40% 的岗位有被完全自动化的潜力。但同时，他们也发现超过 70% 的雇主看重的技能既用在可自动化的工作中，也用在不可自动化的工作中——也就是说，大多数人类能力在 AI 时代仍然有用，只是使用的方式会变。

用我们的框架翻译一下：

凡是能转化为模式匹配的工作环节（整理数据、套用模板、翻译文本、客服应答），AI 会做得更快更便宜。 这些环节会被自动化，就像计算器取代了手工算账一样。

凡是需要理解、判断和创造的工作环节（诊断复杂问题、做伦理决策、建立人际信任、应对前所未见的情况），AI 做不到。 这些环节会变得更有价值。

所以更准确的说法不是”AI 取代工作”，而是「AI 取代工作中可以模式匹配的部分」 。

大多数人的工作，不会整个消失——但会被重塑。你的工作中那些重复性的、模式化的部分会被 AI 接管，而你会花更多时间在需要思考和判断的部分。

第二个问题：AI 以后会不会”真的”理解？

这是一个更深层的问题。

我们在第 12 篇里提到过，Yann LeCun（图灵奖得主、Meta 首席 AI 科学家）认为大语言模型是“通往 AGI 的一条岔路”。Gary Marcus（认知科学家）多年来一直警告，统计模式匹配无法实现真正的理解。

他们的理由，用我们学过的知识来解释，就是这样的：

当前 AI 的底层原理是”在训练数据中寻找统计模式”。 这意味着：

1. 它只能”匹配”见过的模式，不能”理解”为什么这些模式存在（第 7 篇：统计相关性 ≠ 因果理解）
2. 它没有对世界的内部模型——不知道苹果松手会掉下来，不是因为它”理解”重力，而是因为训练数据中”苹果””掉落”经常一起出现
3. 它没有身体，不能感知世界——哲学家 Hubert Dreyfus 在 1972 年就指出，人类智能与身体经验密不可分，一个没有身体的系统无法真正理解”冷””热””疼””饿”意味着什么

要让 AI 真正”理解”世界，学术界认为至少需要两个方向的突破：

• 世界模型（World Models） ：让 AI 不只匹配文字模式，而是在内部建立一个对物理世界的模拟——这是 LeCun 正在研究的方向
• 神经符号融合（Neuro-Symbolic AI） ：把神经网络的模式匹配能力和传统符号逻辑的推理能力结合起来——这是 Marcus 长期倡导的方向

这些方向都还在研究阶段。用我们的框架来说：底层原理还没有发生根本改变。 在改变发生之前，第 12 篇的四条原则依然成立。

那么有没有人预测这种改变什么时候到来？

有。而且分歧巨大。

根据 80,000 Hours 对专家预测的综合分析：Metaculus 预测平台上的预测者认为有 25% 的概率在 2029 年前实现 AGI（通用人工智能），50% 的概率在 2033 年前。Elon Musk 认为 2026 年就可能出现超越人类最聪明个体的 AI。DeepMind 的 Demis Hassabis 则更谨慎，认为到 2030 年底有约 50% 的概率实现 AGI。而 LeCun 认为达到人类水平的智能至少还需要几十年。

一项对超过 8500 条 AGI 预测的综合分析给出的中位数是大约 2040 年。

但这里有一个重要的警告：这些预测的”AGI”，定义各不相同。 有的人说的是”能通过所有人类考试的 AI”（这可能很快就能做到——因为考试本质上是模式匹配），有的人说的是”能像人一样理解世界的 AI”（这需要底层原理的根本突破）。

用我们的框架来看：「通过所有考试」和「真正理解」之间的鸿沟，就是第 7 篇讲的「统计匹配」和「因果理解」之间的鸿沟。 前者可能很快到来，后者的时间表真的没人知道。

第三个问题：AI 会不会有意识？

这个问题更难回答——但我可以告诉你目前学术界是怎么想的。

2025 年，剑桥大学哲学家 Tom McClelland 发表了一项研究，认为我们可能永远无法确定 AI 是否拥有意识。他的理由很简单：我们连人类意识是怎么产生的都没有完全搞清楚，怎么可能判断一个 AI 有没有意识？

哲学家 David Chalmers（提出”意识的困难问题”的那位）说，当前的大语言模型最大可能是没有意识的，但他不完全排除这种可能。他认为我们在和 LLM 对话时，面对的是一个”拥有类信念和类欲望的类主体”——“类”这个字很关键，就像一个演员在舞台上表演”愤怒”，那不是真的愤怒，而是训练出来的”看起来像愤怒”的表演。AI 的”信念”和”欲望”也是如此——统计模式匹配出来的”看起来像”信念和欲望的东西。

用我们学过的原理来想这个问题：

你在第 4 篇里知道了，神经网络的本质是”乘法和加法的层层叠加”。你在第 8 篇里看到了，ChatGPT 回答你的三秒钟里，发生的是 1750 亿个参数的数学运算。

乘法和加法能产生意识吗？

说实话，没有人知道。我们甚至不清楚人类的意识是怎么从大脑的神经元活动中”涌现”出来的。但至少有一点是明确的：你不需要因为”AI 说话听起来很像人”就恐慌。 你现在知道那些像人的回答是怎么来的——统计模式匹配，不是”思考”。

McClelland 指出了一个值得警惕的事情：如果你基于”AI 有意识”这个错误前提和 AI 建立情感连接，这可能对你自身是有害的。他说得更直接——科技公司宣传 AI 具有某种意识或情感，更像是一种营销策略 ，而不是科学判断。

AI 是一面镜子

写这个系列的过程中，有一个意料之外的收获。

我原本只是想搞懂 AI 是怎么工作的。但研究得越深，我越频繁地想到一个完全不同的问题：

人类智能到底是什么？

AI 能通过律师考试（第 9 篇），但分不清”谢谢你”是真心还是讽刺。AI 能画出以假乱真的图片（第 10 篇），但那也只是从噪声中还原训练数据里的统计模式——它画不出”孤独是什么感觉”。AI 能下棋赢世界冠军（第 11 篇），但不知道赢了意味着什么。AI 能写出关于爱情的诗歌，但不知道被爱是什么感受。

这些 AI 做不到的事情——常识推理、共情、价值判断、创造性思维、对意义的感知 ——它们有一个共同特点：都无法简单地转化为”在数据中寻找统计模式”。

它们需要的是理解，不是匹配。需要的是体验，不是计算。

Dreyfus 在 1972 年就说过：人类的世界是由有身体的人组织起来的，一个没有身体的系统无法真正进入这个世界。认知科学家近年来的研究也支持这个观点——具身认知理论（Embodied Cognition）指出，人类认知深深植根于身体感觉和运动经验中，纯粹的计算系统与此有着本质的不同。

MIT 与 IBM 的一项联合研究发现了一个很好的例子：大语言模型可以非常流畅地给你指路纽约的街道，但它实际上并不理解这座城市的空间结构——给它一个简单的绕路任务，它就会完全崩溃。它学会了”关于城市的文字模式”，但没有建立一个”城市的模型”。

这就是模式匹配和理解之间的鸿沟。

而这条鸿沟让我意识到一件事：

AI 做不到的那些事情，恰恰定义了”人之为人”。

不是 AI 让人变得不重要。恰恰相反——AI 让我们更清楚地看到了什么才是真正重要的。

当 AI 可以帮你写初稿、翻译文档、整理数据、生成代码的时候，你的价值在哪里？就在那些 AI 做不到的地方：

• 定义问题——“我们到底要解决什么？”
• 做价值判断——“这样做对吗？”
• 建立信任——“我相信你说的”
• 创造意义——“为什么这件事重要？”
• 感受和共情——“我理解你的感受”

这些能力从来都很重要。只是在 AI 出现之前，它们被淹没在了大量重复性工作中。AI 把重复性工作接管了，于是这些真正重要的能力被凸显出来。

AI 不是来取代我们的。它是一面镜子，照出了我们真正的价值。

AI 时代，什么能力不会过时？

如果你是一个学生，或者刚进入职场，你可能在想：我应该学什么才能不被 AI 取代？

我的建议不是”学什么”，而是”怎么学”。

不要去学”怎么用某个特定工具”——工具会变。

2022 年的时候，Midjourney 是最热门的 AI 绘画工具。2024 年，很多人转向了 DALL-E 3 和 Stable Diffusion。到你读这篇文章的时候，可能又有了新的工具。如果你学的只是”Midjourney 的 50 个技巧”，那这些知识会快速贬值。

但如果你理解了 AI 的底层原理——它不会过时。

你读完这个系列获得的，不是”ChatGPT 使用技巧”。而是：

• 当你听到”某某 AI 能通过考试了”，你知道这意味着什么（模式匹配），也知道这不意味着什么（真正理解）——第 9 篇的知识
• 当你看到”AI 能画出大师级作品”，你知道它做到了什么（从噪声中还原统计模式），也知道它没做到什么（理解美）——第 10 篇的知识
• 当有人说”AI 要取代程序员了”，你能用三问判断法拆解这个说法——第 11、12 篇的知识
• 当你使用 AI 工具时，你知道为什么给更多上下文会有更好的输出——第 13 篇的知识

这是一套判断框架，不是一组使用技巧。框架不会因为工具更新而过时。

第 12 篇里我们说过：AI 在快速进步，但本质没变。只要 AI 的底层仍然是”在数据中寻找统计模式”，我们建立的整套框架就成立。等到有一天底层原理真的发生了根本变化——你也有能力识别出那个变化，因为你理解了当前原理是什么。

一个邀请

这个系列是我学习 AI 的一份”探索笔记”。

它覆盖的是此刻——2026 年初——AI 技术的快照。AI 在快速发展。你读这篇文章的时候，可能已经有了新的模型、新的能力、新的争论。

但我希望你带走的不是这份快照本身，而是拍快照的能力。

有了第一章建立的基础知识（数据都是数字、神经网络是乘法加法、训练是调参、Transformer 让 AI 读懂上下文），你已经有能力自己追踪 AI 的进展了。

当你看到一个新的 AI 产品，你可以问：

• 它的底层还是模式匹配吗？
• 它解决的问题满足”三问判断法”的三个条件吗？
• 它的”突破”是规模上的（更大的模型、更多的数据），还是原理上的（全新的架构、全新的学习方式）？

如果是规模上的突破——我们的框架依然适用，只是 AI 能做的事更多了。

如果是原理上的突破——那才是真正需要更新知识的时候。而你有能力识别这个区别。

这就是”探索笔记”的意义——不是给你鱼，是教你钓鱼。

全系列回顾

16 篇文章，一条完整的弧线：从好奇到理解，从理解到行动。

个人锚点

如果你真的从第 1 篇读到了这里，你可能也经历了类似的认知转变。

第 7 篇读完 AI 幻觉之后，你可能也想过一个问题：如果 AI 这么”聪明”，都只是在做统计模式匹配——那我们人类做的事情，有多少也是在”匹配”？我们多少判断是基于”以前见过类似的情况”，而不是真正的”理解”？

第 11 篇读完 AI 能力全景图之后，你看待自己工作的方式可能也开始变了。你开始有意识地区分：今天做的事情里，哪些是”模式匹配”（套模板、做重复决策、走流程），哪些是”真正需要思考的”（定义新问题、做困难的价值判断、和人建立信任）。

第 15 篇读完 VibeCoding 之后，一个结论变得越来越清晰：AI 暴露的不是人类的弱点，而是人类的核心。 当 AI 把编程的语法门槛降低之后，暴露出来的是——真正难的从来不是语法，而是想清楚你要做什么。

研究 AI 的过程，其实是一个重新认识自己的过程。

你以为你在学 AI，但你同时在学”什么是人”。

AI 能做的事情——模式匹配、统计预测、高速计算——让你看到人类也擅长这些，但不止于此。

AI 做不到的事情——理解、共情、创造意义、感受孤独——让你看到这些才是你最核心的部分。

结尾

AI 不是魔法，是统计学的胜利。

1750 亿个参数的乘法和加法，在几万亿个词的训练数据中找到统计模式，然后预测下一个最可能的词。仅此而已。

但”仅此而已”就已经够惊人了——它让机器能对话、能翻译、能画画、能写代码。这不是”人工智能”的胜利，这是统计学和工程学的胜利 ——是人类用自己的数学和工程能力，创造出的一个前所未有的工具。

而理解这一点本身，就是一种力量——它让你在一个充满 AI 炒作和恐惧的世界里，拥有了自己的判断力。

AI 能写出关于孤独的优美文字。但它从未在凌晨三点醒来，盯着天花板，感到一种说不清的空洞。

1750 亿个参数里没有这种感觉。几万亿个词的训练数据里也没有。

它只在你的生命里。

感谢你陪我走过这 16 篇。

这不是一个结束——带着你对 AI 的理解，这其实是一个开始。

参考资料

1. Searle, J. (1980). Minds, Brains, and Programs. Behavioral and Brain Sciences. Wikipedia: https://en.wikipedia.org/wiki/Chinese_room — John Searle 1980 年提出的”中文房间”思想实验，论证计算机不能真正理解语言
2. Dreyfus, H. (1972). What Computers Can’t Do. Wikipedia: https://en.wikipedia.org/wiki/Hubert_Dreyfus%27s_views_on_artificial_intelligence — Dreyfus 关于具身认知与 AI 局限性的哲学批评（1972 年《What Computers Can’t Do》）
3. Embodied Cognition and AI. Philosophical Transactions of the Royal Society B. https://royalsocietypublishing.org/doi/10.1098/rstb.2019.0694 — 皇家学会关于具身认知与 AI 关系的学术论文
4. Manvi, R., et al. (2023). Large Language Models are Geographically Biased. arXiv. https://arxiv.org/abs/2310.12931 — MIT 与 IBM 联合研究：LLM 能指路但不理解城市空间结构
5. 80,000 Hours. (2025). Why AI presents some of the world’s most pressing problems. https://80000hours.org/problem-profiles/artificial-intelligence/ — AGI 时间线的专家预测综合分析：Metaculus 预测 25% 概率 2029 年前，50% 概率 2033 年前
6. EA Forum. (2024). AGI by 2032 is extremely unlikely. https://forum.effectivealtruism.org/posts/sQSCqpm9Ymwiu8rdb/agi-by-2032-is-extremely-unlikely — 对 8590 条 AGI 预测的综合分析，中位数约 2040 年
7. The Decoder. (2024). The case against predicting tokens to build AGI. https://the-decoder.com/the-case-against-predicting-tokens-to-build-agi/ — Yann LeCun 认为大语言模型是通向 AGI 的”死胡同”
8. Marcus, G. (2025). The Great AI Retrenchment has begun. Substack. https://garymarcus.substack.com/p/the-great-ai-retrenchment-has-begun — Gary Marcus 关于统计模式匹配无法产生真正理解的论述
9. McClelland, T. (2025). We may never be able to tell if AI becomes conscious, argues philosopher. University of Cambridge. https://www.cam.ac.uk/research/news/we-may-never-be-able-to-tell-if-ai-becomes-conscious-argues-philosopher — Tom McClelland 论证我们可能永远无法判断 AI 是否有意识
10. Chalmers, D. (2024). Interview on AI consciousness. The New York Times. https://www.nytimes.com/2024/03/29/science/ai-consciousness-david-chalmers.html — David Chalmers 认为当前 LLM”最大可能没有意识”
11. World Economic Forum. (2025). The Future of Jobs Report 2025. https://www.weforum.org/publications/the-future-of-jobs-report-2025/ — 预测 2025-2030 年全球净增 7800 万个工作岗位，文员岗位下降最多
12. McKinsey Global Institute. (2023). Generative AI and the future of work in America. https://www.mckinsey.com/mgi/our-research/generative-ai-and-the-future-of-work-in-america — 超过 70% 的雇主看重的技能既用于可自动化工作也用于不可自动化工作
13. The Federal. (2025). AI titans Demis Hassabis, Yann LeCun clash over meaning of ‘general intelligence’. https://thefederal.com/category/business/ai-chiefs-demis-hassabis-yann-lecun-lash-over-general-intelligence-meaning-222118 — Hassabis 预测 2030 年底前 50% 概率实现 AGI，LeCun 认为至少需要几十年
14. Lake, B.M. & Murphy, G.L. (2023). Word meaning in minds and machines. Psychological Review. https://psycnet.apa.org/record/2023-32499-001 — AI 模式匹配与人类理解的认知科学对比
15. Mitchell, M. & Krakauer, D.C. (2023). The debate over understanding in AI’s large language models. PNAS. https://www.pnas.org/doi/10.1073/pnas.2215907120 — AI 基于概率的后向推理 vs 人类基于理论的前向推理