主持人Paul Middlebrooks曾与哲学家Henk de Regt从上学时常被问到的一个问题，即你是否真的理解了所学的知识谈起，之后谈到如何判断AI大模型是否具有理解能力，科学能否被计算机取代等。介于上篇采访篇幅较长，话题略有跳跃，本文将之重新梳理简化，并补充了对应的研究解释，以飨读者。

在AI研究专注于刷分，超越当前最先进水平SOTA时，哲学家Henk de Regt提醒我们注意，与其纠结于机器是否拥有人类般的意识，不如承认AI完全可以像人类一样，拥有真正的“科学理解”。

因为在他的哲学框架下，理解并非主观顿悟或知识堆砌。长期以来，人们对“理解”抱有两大根深蒂固的幻觉：他们认为理解只在心理上的副产品，是一种良好的感觉。大众脑海中常常浮现出这样一个极其脸谱化的科学家形象：他的头顶突然亮起一个灯泡，大呼“哦，对了，我终于懂了！”而另一种极其泛滥的误读，则是将理解等同于事实的堆砌。你对某件事情了解得越多，理解也就越深。

Henk de Regt认为这两种说法都是错的。作为拉德堡德大学（Radboud University）的科学哲学教授，他在2017年出版的《理解科学理解》一书，早已成为该领域的经典之作。他指出理解是一种极其硬核的实践能力——它死死锚定于主体的技能、所处的语境，以及理论的“可理解性（intelligibility）”。

Regt的哲学觉醒，源于上世纪90年代他对“科学发现”的博士研究。作为一名前物理学家，他将目光投向了：薛定谔与海森堡的世纪之争。

当年，薛定谔对海森堡矩阵力学（一种量子力学的描述，被证明和薛定谔的波动力学在数学上等价）不满意，于是提出了替代的波动力学。薛定谔非常强调理解和理论的可理解性。他认为矩阵力学是不可理解的，因为矩阵力学完全由数学组成，非常抽象，全是矩阵，故而无法可视化。

薛定谔相信一个理论应该是可视化的，只有当你能在脑海中形成一个时空图像，想象一个原子的样子，它的结构如何，你才能真正理解。这就是科学和物理学的目的，即提供这种理解。

若某人能基于某一理论，构造出对该现象的（理想化）模型，并据此做出（无需完整计算的）定性预测，则可认为他“理解”了该现象。

Regt将这种形而上学的执念，总结成了一种实证法则。在他看来，可视化是是众多理解工具中的一把趁手兵器，它确实能大幅降低人类心智的认知门槛，人们也可以将其应用于模型，加以使用并发展新的想法。

但他也指出，理解是情境化的，根本不存在放之四海而皆准的理解工具。你究竟能不能理解一个理论，完全取决于你手里握着什么技能，脑子里装着什么背景知识。

但“可理解性”并不是一种形而上学要求（比如妄言“宇宙必须像钟表一样机械运转”），而是一种实践可行性（pragmatic usability）。它考察的是这个理论，到底能不能被科学家当作极其趁手的工具，去进行建模与推理？

故而，他区分了科学可理解性（scientific intelligibility）与 形而上学可理解性（metaphysical intelligibility）；后者可启发研究（如惠更斯的机械论催生波动光学），但也可能阻滞新观点的接受（如拒斥量子力学中的超距作用）。

随后，他提出科学理解是“可错的”（non-factive）。哪怕是那些千疮百孔、甚至被证明是错误的理论（如燃素说），依然能在特定的抽象层级上，为我们提供极其强悍的理解力。

为了将这套哲学法则落地，他在播客中抛出了经典的神经科学案例：我们究竟该如何理解“神经信号的传递”？在这个战场上，存在两大阵营：

• 主流的生物电范式（以霍奇金-赫胥黎模型为尊）：认为动作电位是由电压门控离子通道主导的跨膜离子洪流（钠离子涌入，钾离子逃离），信号的狂飙靠的是局部电流强行驱动的去极化。

• 热力学视角：宣称神经信号根本不是电信号，而是沿着脂质双分子层疯狂传播的非线性声学脉冲（孤立波）。它源于细胞膜在液态与凝胶态之间的疯狂相变；电信号、热效应与机械变形，不过是同一场热力学风暴在不同维度的残影。

在这两个本体论上水火不容的理论面前，Henk de Regt认为，它们仍可协同增进理解——尤其是通过“暴露对方视角中被忽视或掩盖的假设”。而评判这两个理论的标尺，绝不是谁掌握了绝对真理；而是去盘点它们各自能回答多少极其刁钻的反事实问题？例如，霍奇金-赫胥黎模型必须咬住“细胞膜电容恒定”的前提；而热力学视角则逼迫信徒们发出拷问：“如果膜电容根本不是常量，信号传播的宏大叙事还会不会瞬间崩塌？”

两种理论看似是冲突的，但Henk de Regt关于科学理解，强调其是非事实性（non-factive） 的。即使不完全符合事实的理论，依然能够提供理解。生物电视角，提供高精度机制细节（如通道蛋白结构-功能关系），但忽略动作电位伴随的热效应（放热-吸热循环）与机械效应（膜膨胀-收缩）；热力学视角，提供统一性框架，并暴露主流范式的隐含前提与解释缺口。

两种理论的碰撞推动提出新问题（如：“膜肿胀对通道构象有何反馈？”“热波动如何调制神经编码？”）。科学理解的进步正是源于这种利用视角差异进行相互批判（找出隐藏假设）与问题发现，而非简单的共识累积。

理解并不是一个全有或全无的现象，而是一个渐进的过程。你可以拥有不同程度的理解。在讨论转向Henk de Regt关于人工智能是否具备理解^[2]讨论之前，需要强调这一点。Henk de Regt的理解理论可以被看作是行为主义的，它不关心理解者是否有心理表征，也不关注实现理解的内部机制或过程。从这个意义上说，只要看某个AI智能体能否以某种方式展示出使用信息所需的技能，就能判断它是否存在理解。

该问题来源于2017年，Henk de Regt被读者问起：“如果计算机生成了一个解释，它是否给我们带来了理解？”这类似于数学中计算机生成的证明的问题，这些证明对于人类来说过于复杂，以至于无法完全理解，尽管某些猜想已经被证明，但没有任何一位数学家能够完全理解整个证明过程。那么，这是否仍然给我们提供了这个猜想为何为真或为假的理解呢？

为此，Henk de Regt提出测试。他设想一个“学生”正在向一位“教师”（无论是人类还是AI）求教。教师的目的是向学生解释一个科学理论及其定性的特征及影响。另一位人类（裁判）会在暗中独立评估学生在截然不同的情境下，输出非平凡解释的质量。学生先进行初始测试（裸考），再与教师互动，然后进行第二次测试。第二次测试虽然应涵盖相同的内容或方面，但应包含不同的问题以确保测试的有效性。学生在第二次测试中分数的提高程度，是教师有效向学生传递对现象理解的能力体现。

这与图灵测试不同，图灵测试旨在解决计算机是否能完成一些我们认为是思考所满足的标准。

播客中，Henk de Regt还提到他与一位德国科学哲学家Florian Boge的合作^[3]，探讨人工智能是否能通过某种方式看出它们是否具有概念。文中谈到机器学习模型在高能物理实验数据中检测异常（潜在的新物理现象），Henk de Regt 承认神经网络是“黑箱”，但主张理解是可转移——即使机器拥有的“概念”（找到的异常）初始对人类不可通约，仍可通过解释性接口实现理解迁移，即图2提出“人机理解协同”操作路径。

播客还讨论了科学是否可以被计算机取代。 Henk de Regt指出有三种问题被用来评估机器的理解能力。

第一种称为“什么”类问题，这类问题评估机器是否能够获取正确的信息，从而给出解释。

第二种是“为什么”类问题，这类问题考察机器或人工代理是否能够构建对所关注现象的解释。

第三种是因果解释中的反事实方法。如果情况不同会怎样？你能定性地解释在这种特定方式下情况改变后，这个现象会有哪些不同或者会发生什么吗？这些是用来评估机器理解的三种问题类型。当然，你还需要判断这些问题的答案，这是一个完全不同的问题，在谈及这一段时Henk de Regt笑到，这根本不是什么非黑即白的数学题，宇宙的终极答案也绝不会是一个干瘪的“42”。

Henk de Regt透露，在一篇尚未发表的后续论文中，他与几位硕士生在此基础上扩展了[2]这种的想法，并更详细地阐述了可以提出的问题类型以及对这些问题的分类。他们邀请专家来评判这些问题的答案，从而建立一个问答集合，这最终构成了我们的基准测试。

主持人对此评论道：“由于“古德哈特（Goodhart）定律”，即一旦你立起了一个靶子，这个基准就会变得过时。它会成为你所评估事物的不良指标，因为一旦你设定了目标，所有努力都会集中在通过测试上。这意味着它不能准确反映你真正想要评估的内容。”

Henk de Regt指出，大语言模型所犯的错误，根源在于它们根本就没有在脑海中搭建过任何“理论”。它们只是在疯狂的概率预测中，极其诡异地翻了车。比如问大模型单词“nineteen”包含多少个字母？它可能一开始蒙对了，但当你逼问一句“你确定吗？”它便会自己纠正答案。

相比之下，人类在科学理解中所犯的错误，可能会导向更多的发现。因为科学家是基于某一特定模型或理论去做出预测的。例如牛顿理论，它可以预测行星轨道和许多现象，但在19 世纪，我们发现了水星轨道中的一个异常现象。之后爱因斯坦的相对论给出了正确解释。你可以认为，这可能是牛顿力学理论输出中的一个错误，但事实上，这样的错误促使了理论的修正。这是牛顿力学理论的一个结果，表明理论本身存在问题，即使事实不正确，它仍然可以有助于理解。

而在大语言模型中，你很难找到错误产生的原因。大语言模型展现的错误对推进理解没有帮助，也不具有实用性。也许这是因为它们没有一个可以理解的理论来支撑其输出的信息。也许是因为它们只是基于庞大的统计语料库，对词语和标记进行下一句预测，从而进行统计性生成，而这并不需要任何可理解的理论。因此，它们所产生的错误并不是那种“好吧，我明白你的理论出发点，所以我能理解你为什么这么说，而我的回答是……”的错误。更像是一个琐碎的、无谓的错误，比如把红色说成蓝色，或者其他类似的情况。

在播客的最后，主持人问道：是否存在一种对理解层次的类比？抽象与理解之间有什么关系？毕竟，我们根本不需要去死死追踪电脑里的每一个原子，就能极其精准地描述它的运转。我们完全可以在截然不同的抽象维度上，去解剖同一个系统。那么，抽象的深度，是否触及了理解的灵魂？

Henk de Regt用他书中的一个例子答道：19 世纪的气体热力学理论模型中，物理学家极其粗暴地将分子或原子降维成了一个个没有体积的“点”或完美的“球体”，仅仅关注它们的质量和运动，比如位置、速度等。这是一种暴力的抽象，而实际上这些分子要复杂得多。此外，如果你用模型来表示太阳系，即使是一个物质模型，把所有行星都当作大小略有不同的完美球体，并围绕太阳在椭圆轨道上运行，这也是一个抽象，因为真实的行星要复杂得多。

当然，这是一个非常好的抽象，因为太阳系在某种程度上是孤立的，几乎完全按照牛顿定律运行，没有受到其他干扰。因为在太阳系的宏大尺度上，你脚下的泥土与山脉，对于行星的宏观轨迹而言，根本毫无意义。太阳系模型之所以极其强悍，正是因为它剥离了所有这些无关紧要的细节。用爱因斯坦的话来说，就是“科学家必须把事情尽可能简单化，但不能过于简单。”理想化模型的实用价值在于，使用这些简单的模型来预测更为容易。

理论本身具有不同层次的抽象和理想化，让主持人将话题引入了公众的科学理解上，Henk de Regt指出，专业科学家，他们对某种现象可能有或多或少的理解，但这种理解是科学性的理解。当然，这种理解与他们的数学技能或其他各种技能有关。当我们谈论公众对科学的理解，或者从更广泛公众的角度来看，那些没有专业科学家所具备的专业知识和技能的普通民众，他们的理解，难道就是另一种类型的次等理解吗？

这并不是从普通理解到专家理解的单向阶梯。两者非常不同。大众理解与专家理解，在骨子里流淌着极其相似的血液。真正的理解，从来都不是去像守财奴一样囤积孤立的事实——比如在街头去考问大众“地球究竟有多少岁”。这不过是对琐碎知识极其无聊的追逐。真正的科学理解，是一种推理能力，是一种能够极其敏锐地把握整体图景的认知技能。

紧接着，Henk de Regt谈到论文中的比喻^[4]。研究表明，比喻不仅被用于大众化的科学普及读物，也在科学论文本身中被使用。它们的功能有所不同，但比喻无处不在。

例如，基因剪切最初是以一种促进交流的比喻而被提出的，通过谈论，产生了诸如“信使 DNA”、“翻译”等概念，这些概念至今仍然是比喻。但当然，人们只是将它们视为技术术语。对于公众来说，科学家使用比喻是因为这样我们就可以用他们能够理解的、与日常生活相关的比喻方式来讲故事，这当然是一个促进公众理解的工具。传达理解，本质上就是传达技能：在这里，隐喻与其说是为了填喂知识，不如说是为了极其暴力地激活大众的“概念推理能力”。成功的科普，绝不是极其傲慢地去阉割或稀释知识；而是去重新唤醒那些专家早已内化的认知脚手架。

而对于专家来说，隐喻的作用有所不同，专家之间使用隐喻来描述科学现象时，这种隐喻的使用是封闭的隐喻。它不再被用来将你所谈论的现象与作为隐喻的实体进行类比，因为它现在已经成为技术术语，你理解的现象就是这个隐喻本身。

这种意义的滑动，哲学家怀特海曾称之为“意义滑移（slippage of meaning）”谬误，如果你按字面理解而不再意识到它其实是一个隐喻，这会成为一个问题。很多科学家会忘记他们实际上是在用隐喻来理解这个事物，因为他们觉得这个事物就是现象，而实际上，它始终只是一个隐喻。

但在发现的过程中，尤其要认识到，隐喻对于专家科学家来说也可以作为理解的工具。它们可以使理论变得清晰易懂。例如，可视化是一种对公众理解非常有用的工具，而数学则不太如此。曾有这样一个著名的说法：在通俗科学书籍中，每出现一个公式，就会使一半的读者失去兴趣。

而对大多数科学家来说，可视化也是重要的工具之一。比如费曼，他当然是最杰出的物理学家之一，对数学有深刻的理解，但他同样拥有一个视觉化的思维，他的视觉想象力极其富有成效。

对此，主持人指出：可视化并不是必须的，并不是每个人都能用视觉图像来思考。对此Henk de Regt回复道：确实不必要。薛定谔认为可视化是必须的。我不这么认为。但同时我们也可以看到，许多科学家，就像许多普通民众一样，使用可视化帮助理解。这也体现在神经科学和生命科学中关于机制的争论中，如果你有一个机制的图示，你就能对系统有一个整体的概览，这会给你更多的洞察。

Henk de Regt的观点，将科学理解的核心看成“可操作的心智模型”，让理解从“科学家头脑中的闪光”变为可分析、可比较、可传承的实践能力。而隐喻是构建与传递理解的通用工具。专家与公众的差异仅在于理论的内化程度与使用效率。判断理解有无，看模型能否获得正确的信息及解释，是否支持反事实推理；判断理解深浅，看模型是否是可在师生之间迁移。理解不必独属于人，但必须“可协作、可进步”。科学理解既是个体必须技能，也是促成共同体的规范，科学是人类事业，但人类的边界，或许正在被我们与机器的共构理解所重新划定，若AI输出对人类可理解、可修正、可整合，则其已参与理解进程。