夜雨聆风
AI能赢围棋世界冠军,却不知道「冰箱里的牛奶喝完了要买」
AI能赢围棋世界冠军，却不知道「冰箱里的牛奶喝完了要买」
AlphaGo击败李世石那天，很多人觉得AI要统治世界了。但同一年，Google的AI在识别图片时，把一张贴了「鸟」标签的贴纸的哑铃，认成了鸟。这两件事放在一起，才是理解AI真正处境的起点。
围棋有多难？19×19的棋盘，合法局面数量超过宇宙中原子的总数。职业棋手穷尽一生也只能掌握其中极小一部分。但AlphaGo用了不到两年训练，就把人类顶尖高手打得毫无还手之力。这件事让很多人产生了一个直觉：AI已经比人聪明了。
这个直觉是错的。或者说，它把两件完全不同的事情混为一谈了。
围棋是个「封闭世界」
围棋之所以能被AI攻克，不是因为围棋简单，而恰恰是因为围棋足够「干净」。规则明确，边界清晰，每一步的合法性都可以被精确验证，胜负标准毫无歧义。这是一个完全信息的封闭系统。在这种系统里，AI擅长做的事情——大规模搜索、模式匹配、强化学习——可以被发挥到极致。
换句话说，AlphaGo的本质是：在一个规则完备的空间里，用暴力计算把所有可能性都摸透了。它不需要理解围棋，它只需要赢。这两件事根本不是同一件事。
「
AI赢得了游戏，但它不知道自己在玩游戏。
」
常识是什么，为什么它这么难？
常识这个词听起来简单，但仔细想想，它是人类几十年生活经验的压缩包。你知道「玻璃杯掉到地上会碎」，这背后是你对重力、材料、脆性的隐性理解。你知道「天黑了要开灯」，这背后是你对光线、视觉、建筑空间的感知。你知道「朋友说「随便」通常不是真的随便」，这背后是你对人际关系和语言博弈的长期观察。
这些知识从来没有人明确教过你。没有一本书叫《常识大全》把这些都写进去。它是通过你用身体在真实世界里摸爬滚打、观察因果、犯错纠正，慢慢沉淀下来的。常识是具身经验的副产品，不是可以直接下载的数据集。
1700
Cyc项目——人类试图手动把常识编码进AI的工程——耗时近40年，录入了超过1700万条规则，依然漏洞百出
上世纪八十年代，有人认为只要把足够多的常识规则写进数据库，AI就能理解世界。这就是著名的Cyc项目。结果证明，这条路走不通。不是规则不够多，而是常识本身的运作方式就不是「规则列表」。它是情境依赖的、模糊的、充满例外的。「鸟会飞」是常识，但企鹅不会飞，受伤的鸟不会飞，刚孵化的雏鸟不会飞——每个例外背后又是另一套情境知识。
大语言模型算是突破了吗？
ChatGPT出来之后，很多人觉得这个问题被解决了。它能聊天，能写作，能回答各种问题，看起来充满常识。但这里有一个关键的区分需要做。
大语言模型学到的，是语言中的常识的影子，而不是常识本身。人类在写作和对话时，会把大量的常识性知识编码进语言里。模型通过海量文本，学会了这些语言模式，所以它的输出「看起来」很有常识。但一旦遇到需要真正推理的场景——尤其是那些在训练文本里没有出现过的新情境——它就会露馅。
1问它「一个人在水下能憋气多久」，它能答对，因为训练数据里有答案
2问它「如果把一块冰放进装满水的杯子里，水会不会溢出来」，它可能出错，因为这需要真正理解体积与密度的关系
3问它一个稍微绕弯的物理直觉题，它大概率会给你一个听起来很有道理但完全错误的答案
这不是在贬低大语言模型。它们在语言任务上的能力是真实的、有价值的。但把「语言流畅」等同于「理解世界」，是一个危险的混淆。
两种智能，两套逻辑
现在可以把这两件事放在一起看了。围棋AI和语言AI，代表了当前机器学习的两种典型能力：在封闭规则系统里的极致优化，以及对人类语言模式的大规模拟合。这两种能力都很强，也都很有用。但它们都不是「理解世界」。
人类的常识之所以难以复制，核心原因在于它的来源：身体、时间、真实世界的反馈。一个孩子学会「热的东西不能碰」，不是因为读了安全手册，而是因为他摸过热水壶。这种通过身体与物理世界直接交互获得的知识，是当前AI训练范式几乎无法触及的。
有一个细节值得记住：围棋AI在训练时，需要一个「环境模拟器」——一个完美复现围棋规则的虚拟空间。它的每一次学习，都发生在这个干净的沙盒里。但真实世界没有完美的模拟器。物理规律是复杂的，人际关系是模糊的，语境是流动的。现实世界本身就是最难建模的系统。
所以下次看到AI在某个领域碾压人类，不妨先问一个问题：这个领域，规则是不是足够清晰？边界是不是足够明确？如果是，那AI赢是理所当然的。如果不是，那它能做到什么程度，还是个开放的问题。
✦ 小结
AI在围棋里的胜利，和它无法理解常识，其实说的是同一件事：它在封闭、规则明确的系统里无敌，在开放、模糊、依赖身体经验的现实世界里举步维艰。这不是AI的缺陷，而是它目前运作方式的本质。理解这一点，比担心「AI要超越人类」更有价值。