夜雨聆风过去，教育最关心的问题是如何帮助孩子获取知识。在AI能够随时生成答案的今天，一个有意思的问题出现了：当AI越来越擅长利用知识，人类是如何创造知识的？未来的孩子究竟该如何创造知识？
2024年，牛津大学学者泰普·菲林(Teppo Felin)与马蒂亚斯·霍威格(Matthias Holweg)发表了一篇题为《理论是你所需要的一切：人工智能，人类认知和结论性推断》(Theory Is All You Need: AI, Human Cognition, and Causal Reasoning)的论文。论文提出了一个鲜明的观点：人工智能与人类的分水岭，就在于“理论”。人类的认知是理论驱动的，而AI是数据驱动的。
泰普·菲林（左）马蒂亚斯·霍威格（右）｜图源：牛津大学赛德商学院
两年过去，AI的发展速度远超许多人的预期。今天再回头阅读这篇论文，会发现其中有些判断已经受到挑战，但它提出的几个关于“人类如何创造知识”的观点，在2026年的今天依然很有价值。
人类最重要的能力，不是找到答案
作者在论文中设想了一个有趣的场景：如果在1633年，人类拥有一个像今天这样强大的AI系统，并将当时所有的科学文献、学术著作和观测记录全部输入其中，然后提问“什么是宇宙的中心”，它会得出什么结论？
答案很可能是：地球位于宇宙中心。
因为在当时的知识体系里，支持“地心说”的文献、观测和权威观点占据了绝对优势，而支持“日心说”的证据极其有限。从统计概率上看，判定地球是宇宙中心，显然是当时更符合数据逻辑的答案。
这正是作者想强调的第一个观点：AI的知识主要来自历史数据，但历史数据未必代表未来的真相。
地心说宇宙体系示意图｜图源：维基百科
论文认为，AI的学习和生成方式本质上是“后视的”(retrospective)，它擅长在已知的边界内进行模仿和重组。如果教育只追求“找到现成的正确答案”，那么孩子其实是在和算法做一样的事。而人类认知的真正价值在于“前视性”(prospective)。人类能够通过理论驱动的因果推理，摆脱现有数据的束缚去探索未来。在数据处于绝对劣势、甚至大众共识全盘错误的情况下，人类依然能凭借思想实验和理论推导，去推翻旧有的结论。
知识不是积累，而是解释世界
很多人以为，知识的获取是先收集大量数据，再总结出规律。但该论文作者认为，过程恰恰相反。
人类能够在证据不足、数据稀疏，甚至几乎没有数据支持的情况下，相信一种新的可能性。作者将这种现象称为“数据—信念不对称”(Data-Belief Asymmetry)。
数据驱动(AI)：必须依赖海量历史数据的输入，在旧的经验里算概率。数据缺失的地方，往往是算法最不确定的地方。
理论驱动(人类)：哪怕没有现成的数据，人类大脑也能先在大脑中建立一个“解释世界的模型”(即理论)，然后通过行动去验证它。
这就是为什么真正的科学突破、艺术创新，往往不是靠“多读十万本书”积累出来的，而是靠“带着某种信念去解释世界”创造出来的。
真正的创造，从一个问题开始
那么，这种“理论驱动”的能力在现实中是如何发生的？它往往始于一个与众不同的问题。
论文中以人类的飞行史为例：在19世纪，科学界根据当时已有的观测数据，普遍认为“重于空气的飞行物”想要升空是不可能的。因为当时的学者在收集数据时，关注在“鸟是怎么飞的”这个问题上，进而把飞行能力与鸟的体重、拍打翅膀的动作关联了起来。
莱特兄弟的成功，恰恰是因为他们没有去机械地模仿鸟类的数据，而是通过理论分析，提出了关于航空动力学的核心疑问，从而准确地锁定了升力、推进力和控制力这三大关键的因果要素，并据此进行了独立的原型设计和测试。
莱特兄弟飞行者一号的首次飞行。摄于1903年12月17日。｜图源：维基百科
这种“不看旧数据，只问新问题”的特质，在我们的孩子身上其实非常常见。每个孩子都是天生的“理论家”，他们常常会问出一些让大人一时不知如何回答的因果问题：“为什么天是蓝的？”“如果人不用吃饭会怎么样？”
这些看似天真的提问，正是人类不满足于既有数据、尝试用因果关系去解释世界、主动干预环境的原创力萌芽。
结语：鼓励孩子在未知中相信和行动
两年后回看牛津大学的这篇报告，随着深度推理模型和智能体的普及，AI的技术表现已经让我们很难分清它究竟是在“模仿”还是在“思考”。
但论文揭示的底层逻辑依然清晰：AI始终在基于过去的已知数据计算概率，而人类大脑的真正优势，是在迷雾中凭借心中的理论假设(信念)去推动创新，并动手设计实验来验证或驳斥这些理论。
在日常的家庭与学校教育中，我们可以做两件事：
1
鼓励不盲从的独立思考：当孩子提出一个和常识不一样的想法时，不要用“书上不是这么说的”来打压他。保护他们敢于质疑“权威数据”的勇气，像当年的伽利略和莱特兄弟一样。
2
引导关注真实世界的因果关系：多让孩子在真实世界里学习和提问。AI只能在符号计算的世界里做反应，而人类是真实的“行动者”。让孩子多动手、多实践，在模糊、复杂的现实情境中去验证自己的假设。
【资料来源】
Felin, Teppo and Holweg, Matthias, Theory Is All You Need: AI, Human Cognition, and Causal Reasoning.
*本文由新航道教育研究院整理编辑，图片、音频、视频内容除已署名作品外，其余均由AI工具协助完成。未经允许不得转载，授权事宜请联系本公号。
-END-
更多阅读
