AI 遇见费曼

当年我在加州理工授课，常年守着一套自我检验法则：每学期开篇我都会自问，能不能把当下研究的核心，直白讲给本科新生听——这群年轻人头脑敏锐，却尚未被专业术语层层裹挟。倘若做不到，便证明我自身并未吃透本质。这无关谦逊，是最朴素、最硬核的真伪检验。

今日我试着拆解人工智能，刻意避开 Transformer、多头注意力、残差连接这类行业黑话，这类词汇对初学者毫无实质意义。只用最通俗的逻辑厘清三件事：AI 本质是什么？为何它看似"通晓万物"？它是否拥有真正的理解？

一切从一场简单猜词游戏说起。

设想一场无限重复的文字填空游戏。句子隐去末尾词汇，由你预判收尾，猜对得分；猜错则记下标准答案，继续下一轮。

"今天天气真___"，你答"好"，作答成立。

"她推开房门，看见一头___"，你预判"猫"，标准答案却是"老虎"，你记下这个结果。

倘若日复一日持续十小时，全年往复，累计万亿轮次。每当预判出错，便记下正确文本；趁你休憩时，有人依照错题记录，微调你脑中负责预判文字的神经，让下次遇见同类句式时，预判准确率更高。

这便是大模型完整的训练逻辑，仅此而已，无任何玄奥附加。

关键疑问随之浮现：这套循环迭代催生的文本生成能力，是否等同于真正理解语言？亦或它只是极致精通文字预判？二者能混为一谈吗？

我曾在黑板写下一句贯穿一生的治学标尺：凡我无法亲手创造的事物，我便不曾真正理解。后世将其称作费曼原则。

人类亲手搭建了 AI：推导损失函数、设计梯度下降、搭建 GPU 算力集群、采集海量文本数据，整套流程由人类一步步构建。依照这套准则，我们理应完全吃透 AI。

可这里藏着一处极易忽略的陷阱。我们清晰掌握 AI 的训练流程，却无法解释它何以自发产生推理能力。训练目标自始至终只有一项——预判下一个字符，人类从未刻意注入逻辑、数学、语法、翻译规则，仅仅重复猜词迭代，逻辑推演、数理运算、多语言转换等能力便自动涌现。

由此分出两层边界：人类创造了训练运行机制，却不曾主动设计推理能力；这份推演能力从文字预判循环中自发浮现，其涌现底层逻辑，我们至今未能完整拆解。

以我的标准评判：我们吃透了训练的数学框架，却从未触及何为真正的"理解"。

聊聊曼哈顿计划时期的亲身经历。彼时我们研制原子弹，链式反应、临界质量、中子截面整套物理原理推演完备，全部经过反复测算，所有人笃定爆炸必然发生。可无人能精准预判爆炸规模。众人围坐反复核对演算数据，等待引爆瞬间，火光亮度远超全部预估，震撼远超理论纸面计算。

单一物理定律清晰可控，但庞大复杂系统叠加后的涌现行为，永远会突破单一公式的预测边界。

当下 AI 正处在完全相同的阶段。梯度下降、反向传播、损失函数每一项基础数学原理都清晰完备，组件逻辑无任何模糊。可万亿参数、万亿文本样本、数月持续训练叠加之后，模型诞生的推理、创作、翻译、诗文生成能力，并非人类预先设计的功能，而是系统自主涌现的产物。

我们精通每一个独立组件，却无法解释：零散数学模块拼接后，为何会诞生近似人类理解的外在表现。

1974 年加州理工毕业典礼，我提出"伪仪式科学"的概念。二战期间南太平洋岛民目睹军机降落，源源不断卸下物资。战争结束后飞机不再到访，原住民复刻全套外在场景：竹制跑道、木质仿真塔台、火把信号灯，所有表象复刻得分毫不差，却再也等不到运输机与物资。

伪科学的核心特征：完整复刻科学外在流程，规范撰写论文、设计对照实验、规范引用文献，唯独丢失科学最核心的底色——向内绝对诚实，绝不自我欺骗。

由此抛出尖锐追问：AI 的语言表达，是否正是一种"伪理解"？它能完整输出温情告白、共情抚慰、深度思辨的成套语句，可它体内不存在与文字对应的真实体验。它看似全然通透，只是精准复刻了"理解"的全部外在表达范式。

我不武断判定它纯粹模仿，也不笃定它拥有真实认知。客观事实是：当下无人能给出严谨完备的论证。无论科技企业从业者，或是极端批判者，都只会抛出"显然如此""显然并非"的片面断言。而在物理研究中，"显然"从来算不上严谨论证，只是未经实验验证的粗浅假设。

倘若我仍在世，要判别 AI 是否具备真实理解，绝不会依靠标准化行业基准测试。标准化选择题只是人类预设的纸面考卷，算不上真正的科学实验。我会设计模型训练数据中从未出现过的全新认知任务，是人类也未曾广泛攻克的全新难题。

举两类真实检验思路：

其一，交付一段代码，内置从未出现过的新型并发内存泄漏缺陷，并非简单拼写、逻辑漏洞，要求模型定位、拆解底层成因。这绝非基础代码补全，是直面全新未知故障的深度推演。

其二，抛出当下物理学未解决的质量层级难题，不提供教科书标准答案，要求模型自主提出一套自洽、可通过实验验证的全新假说，而非复述前人已有的理论。

以当下模型能力判断，它们尚且无法完成。倘若未来某一代 AI 能够独立完成，即便假说最终被证伪，完整推演逻辑自洽，我才会正视它的认知能力。真正的理解从不是答尽已知问题，而是自主提出全新疑问。

我常说，比起一堆不容质疑的标准答案，我更偏爱无法作答的开放问题。

AI 恰好走向另一个极端，任何提问都能生成完整答复。这本身就是警示信号：要么它处理的问题过于浅显，要么它的输出本质不是思考后的作答，只是基于统计的文字采样。

我穷尽毕生钻研量子电动力学，整套理论计算精度能匹配小数点后十一位实验数据，可直至人生终点，我也从未宣称自己彻底读懂量子力学。我吃透整套数学运算，却无法说清微观粒子交互的底层本质。

AI 如今处境与之相似：人类掌握完整训练数学、可量化的评测指标，却无法定性它的内在运行本质。它是自主思考，或是一套极致复杂的统计采样系统？至今没有定论。

但这份悬而未决的疑问本身极具价值，计算机科学与物理学之间长久隔绝的壁垒，正因 AI 彻底崩塌。