2026年7月，全球AI产业链经历了一场剧烈调整。韩国KOSPI指数触发熔断，三星电子单日跌幅8.43%，SK海力士跌幅超10%，A股存储芯片概念股集体跌停。投资人迫切想知道，AI叙事是否证伪？当前的市场是短暂的调整？还是泡沫的破灭？ 资本市场用"AI"这个词统摄了一切——从蛋白质折叠到自动驾驶，从 聊天机器人到人形机器人。但"智能"本身是一个极其模糊的概念。在深入讨论AI能做什么、不能做什么之前，我们必须先厘清：什么是"智能"？什么是"理解"？什么是"知识"？ 这篇文章试图回答一个更基础的问题： 当前的人工智能，本质上是什么？ 一、从图灵 机到达特茅斯会议 1.1 1936年：图灵画了一张"蓝图" 要理解AI，得先理解计算机。而理解计算机，得从一张"纸"说起。 1936年，24岁的英国数学家艾伦·图灵发表了一篇论文，提出了一个思想实验：想象一台机器，有一条无限长的纸带，纸带被分成一个个格子，每个格子里可以写0或1。机器有一个"读写头"，可以在纸带上左右移动，读取格子里的数字，根据一套规则决定：是改写这个数字？还是移动位置？还是停机？ 这台机器被称为"图灵 机"。它极其简单——只有纸带、读写头、规则表三样东西。但图灵证明了一个惊人的结论：任 何 可以被"计算"的问题，都可以被这样一台机器解决。 这就是"图灵完备"的概念。今天你的手机、电脑、服务器，本质上都是图灵机的工程实现。它们能玩游戏、看视频、写文档、训练AI，不是因为它 们"聪明"，而是因为它们能按照规则，一步步地操作符号。 图灵机的核心启示：计算的本质是符号操作。机器不"理解"符号的含义，它只是按照规则变换符号。 1.2 1945年：冯·诺依曼把蓝图变成了现实 图灵画了蓝图，但真正把计算机造出来的是冯·诺依曼。 1945年，冯·诺依曼参与设计了世界上第一台通用电子计算机ENIAC，随后又提出了著名的"冯·诺依曼架构"——计算机由五大部件组成：运算器、控制器、存储器、输入设备、输出设备。这个架构的核心思想是"存储程序"：把指令和数据都以二进制形式存在存储器里，计算机读取指令、执行指令，循环往复。 这个架构至今仍是所有计算机的基础。你的手机、电脑、云服务器，都是冯·诺依曼机的后代。 冯·诺依曼在1958年出版的《计算机与人脑》中，已经指出了计算机与人脑的根本差异。他写道："神经系统所运用的记数系统，和我们熟悉的算术和数学系统根本不同。它不是一种准确的符号系统……消息的意义由消息的统计性质来传送。" 换句话说，人脑不是按照精确规则运算的符号系统，而是基于统计规律的模糊系统。这一洞察，为后来的"连接主义"AI埋下了种子。 1.3 1956年：达特茅斯会议——AI的"创世宣言" 1956年夏天，十位顶尖学者（包括麦卡锡、明斯基、香农）齐聚美国达特 茅斯学院，开了一个为期两个月的研讨会。他们雄心勃勃地宣称：用一个夏天，就能让机器学会使用语言、形成概念并自我改进。 他们把这个领域命名为"人工智能"（Artificial Intelligence）。 然而，他们严重低估了实现的难度。 这个 "夏天"的乐观预测，直到70年后的今天也没有实现。 达特茅斯会议上，实际上已经出现了两种截然不同的思路： 符号主义（ Symbolism）
连接主义（ Connectionism）
认为智能的本质是 "符号操作" 就像数学家用公式推理 用逻辑规则、符号表示来推理
认为智能的本质是 "神经网络" 就像人脑由神经元组成 用大量简单计算单元连接，调整连接强度来 "学习"
代表人物：纽厄尔、西蒙 成果： "逻辑理论家"程序能自动证明数学定理
代表人物：罗森布拉特 成果： 1958年发明"感知机"——第一个能学习的神经网络
二、实现AI的曲折探索 2.1 第一次高潮与第一次寒冬（1950s-1970s） 1958年，罗森布拉特展示了感知机——一个能识别字母、学习分类的神经网络。美国海军为此开了新闻发布会，媒体狂热报道。《纽约时报》的头条赫然写着："海军展示了一台能学习的机器……它将能够行走、交谈、看东西、写作、 自我复制并意识到自己的存在。" 这是典型的过度炒作。 当 时 的感知机连简单的字母识别都还磕磕绊绊，离"自我意识"更是遥遥无期。 1969年，罗 森布拉特的高中同学、MIT教授马文·明斯基（Marvin Minsky）出版了一本书《感知机》（Perceptrons），从数学上严格证明： 单层感知机无法解决"异或"（XOR）问题。 什么是异或问题？简单说：如果输入是"苹果或香蕉"，感知机能学会分类；但如果输入是"苹果和香蕉中恰好一个"，感知机就傻眼了——因为它只能画一条直线分开两类，而异或问题需要画两条线。 明斯基的证明是数学上正确的，但影响被严重放大了。它直接导致神经网络研究资金被冻结，AI进入了长达近20年的"第一次寒冬"。 3. 2 " 专家系统 " 的辉煌与 幻灭（1980s-1990s） 1980年代，"专家系统"成为AI的明星应用。思路很简单：把人类专家的知识（比如医生的诊断规则、地质学家的勘探经验）写成"如果-那么"的规则库，让计算机按规则推理。 日本甚至启动了雄心勃勃的"第五代计算机计划"，想用符号逻辑处理来实现人工智能。 MYCIN系统能诊断血液传染病，性能堪比人类专家。DENDRAL系统能根据质 谱数据推断分子结构。一时间，专家系统风光无限。 维护成本极高：规 则库需要不断更新，每增加一个专家就要重新录入规则。 缺乏常识：它能诊断罕见病，但可能不知道"人需要呼吸"。 无法自我学习：遇到规则库没覆盖的情况，系统直接崩溃。 1980年代末，随着个人电脑的普及和专家系统的商业化失败，AI再次失去资金支持，进入了"第二次寒冬"。日本"第五代计算机计划"搁浅，许多AI公司倒闭。 2.3 神经网络的复活：反向传播算法（1986年） 在第二次寒冬中，一批"连接主义者"在默默坚守。他们相信神经网络的潜力，只是缺一个训练方法。 1986年，转机 来了。David Rumelhart、Geoffrey Hinton和Ronald Williams在《自然》杂志上发表了一篇论文，重新发现并推广了 "反向传播算法"（Backpropagation）。 这个算法的核心思想很简单：神经网络有很多层，每层有很多"神经元"（其实是数学函数）。输入数据从第一层传到最后一层，产生一个输出。如果这个输出和正确答案有差距，就把这个"误差"从最后一层反向传回第一层，沿途 调整每个神经元的参数，让下次输出更接近正确答案。 关键突破：反向传播解决了多层神经网络的训练问题。既然单层感知机解决不了异或问题 ，那就加一层！两层神经网络就能解决异或问题。三层、四层、更多层呢？理论上可以学习更复杂的模式。 这篇论文重新点燃了对神经网络的研究热情。但Hinton后来回忆说，他当时以为神经网络会很快解决AI的所有问题——这个乐观预测，又等了20年才部分兑现。 2.4 深度学习的黎明：AlexNet与大数据（2012年） 反向传播算法虽然好，但1980年代的计算机太慢、数据太少，神经网络还是玩不转。 1.互联网带来了海量数据。以前训练神经网络需要人工标注几千张图片，现在互联网上就有几十亿张图片。 2.GPU（游戏显卡）被用于AI计算。游戏显卡本来是为了快速渲染3D图形设计的，但它的大规模并行计算能力，恰好适合神经网络的矩阵运算。用GPU训练神经网络，比用CPU快几十倍 甚至上百倍。 2012年，Alex Krizhevsky等人用GPU训练了一个深度卷积神经网络（AlexNet），参加了ImageNet图像识别竞赛。结果震惊全场： 错误率从之前的约27%骤降到16%，比以往最佳结果降低了11个百分点。 这是深度学习的历史性时刻。它证明了：只要有足够的数据和算力，深层神经网络可以学会极其复杂的模式识别 。 2.5 从GPT-1到ChatGPT：参数规模的"军备竞赛"（2018-2022年） AlexNet之后，神经网络越建越深、参数越来越多。但真正的质变发生在自然语言处理领域。 2017年，Google团队提出了Transformer架构——一种全新的神经网络结构，用"注意力机制"来捕捉词语之间的关系。它彻底改变了机器翻译，也为后来的大语言模型奠定了基础。 2018年，OpenAI发布了GPT-1，参数量1.17亿。它采用了"预训练+微调"的思路：先在海量文本上无监督地"读"一遍（预训练），学会语言的统计规律；再在特定任务上用少量标注数据调整（微调）。 2019年 ，GPT-2发布，参数量15亿。2020年，GPT-3发布，参数量达到惊人的1750亿，使 用了570GB的文本语料（约4000亿个token）。GPT-3展现了一个惊人的能力：无需微调，只需给几个示例（few-shot），它就能完成新任务——写邮件、翻译、编程、写诗。 2022年11月，ChatGPT上线。它在GPT-3.5的基础上，加入了"人类反馈强化学习"（RLHF），让模型更贴合人类意图。两个月后，用户数破亿。AI从"技术圈子的玩具"变成了"全民应用"。 3.6 2023-2026年：从GPT-4到硬件牛市 GPT-4在2023年发布，参数量据传达到1.8万亿，支持多模态输入（文本+图像），在律师资格考试中的成绩跻身人类考生前10%。 2025年，幻方发布的DeepSeek-R1以1/20的成本达到与GPT-4相当的水平，AI应用进一步普及。此后，各类模型如雨后春笋般层出不穷，也带动了这一轮AI硬件的超级牛市。 巨量的硬 件投入 让AI 模型越来越大，训练成本越来越高，但通用人工智能（AGI）是否能因此实现？ 如果真正能媲美人脑的通用人工智能（AGI）可以通过算 力的堆砌产生，那天量的硬件投入都是值得的，但如果不能，就必须认真考虑成本了。 三、Scaling Law：一场"用无限换有限"的豪赌 3.1 Scaling Law的数学本质 当前AI领域最主流的发展路径遵循Scaling Law——模型性能与参数量、数据量、算力之间存在幂律关系。 用于训练 gpt-4 的 scaling law 公式 简单说就是大力出奇迹： 模型越大，数据越多，算力越强，性能越好。 这个规律在经验上成立，但它意味着： 用指数级增长的资源，换取线性级增长的性能提升。 这是一个 边际收益递减 的过 程。每提升一个百分点的性能，需要的资源投入呈指数增长。
3.2 物理世界的三堵墙 Scaling Law理论上是可行的，但物理世界的资源是有限的。 第一堵墙：数据墙（Data Wall） 高质量人类生成数据是有限的。Ilya Sutskever（前OpenAI首席科学家）公开指出，互联网上可用于提升模型"智商"的大规模训练数据可能就20-30万亿token，且增长已近极限。 更麻烦的是"回声室效应"：随着AI生成内容在互联网上泛滥，训练数据 increasingly 包含AI自己的输出。MIT的研究表明，当训练数据中AI生成内容超过约30%，模型会出现 "模型崩溃" ——输出逐渐收敛到最常见的模式，丧失多样性。 第二堵墙：架构墙（Architecture Wall） Transformer架构的核心是"注意力机制"——计算每个词与其他所有词的关联权重。这种机制在处理长文本时面临二次方复杂度的问题：序列长度增加一倍，计算量增加四倍。 更根本的问题在于： 注意力机制本质上是一种"相关性计算"，而非"因果性推理"。 它能发现"太阳"和"升起"高度相关，但它无法推理"为什么太阳会升起"（地球自转）。它能发现"吸烟"和"肺癌"相关，但它无法建立"吸烟→DNA损伤→细胞突变→肺癌"的因果链条。 KAN网络作者刘子鸣的论断极为尖锐：Scaling Law的本质是 "用无限资源换取伪智能"。 Transformer并不会自然地学出牛顿式的世界模型——正确的物理结构不会因为模型做得更大就可靠地自动涌现。 第三堵墙：能源墙（Energy Wall） 近年来，GPU功耗的指数级增长，从2020年Hopper架构的400W，到2024年Blackwell架构的1000W，再到2026年Rubin架构的1800W、2027年Rubin Ultra的3600W——短短7年，单GPU功耗增长9倍。 国际能源署（IEA）预测，到2026年全球数据中心、AI和加密货币的耗电量将达1000TWh，与整个日本的用电量相当，超大规模数据中心可以在6个月内部署最新GPU集群，而电网升级需要7-10年。更值得我们深思的是：人类大脑以约20瓦功率就能实现通用智能，而现代GPU单卡功耗已超1000瓦，当前耗费巨量资源修建的AI数据中心却依然看不到替代人脑的可能——这说明"暴力堆算力实现AGI"这条路可能需要超出人类想象的能源消耗。 三堵墙的共同指向：Scaling Law是一条边际收益递减的路。它能在特定领域（语言、图像、代码）取得惊人进展，但无法通向通用人工智能（ AGI ）。因为AGI需要的不是更大的模式匹配机器，而是能够理解世界因果结构的心智。 四、从"计算"到"理解"的鸿沟 4.1 人类智能的三层结构 理解了AI的历史，我们再来看一个关键问题：人类智能到底是什么？ 当前的人工智能（包括大语言模型），本质上停留在第一、二层，尚未触及第三层。 4.2 为什么大语言模型不是"理解"？ 大语言模型（LLM）的惊人表现，让很多人误以为它具备了"理解"能力。但让我们做一个思想实验： 假设有一个图书馆，里面收藏了人类历史上所有的书籍。一个不会阅读的人，被训练了三年，学会了根据书籍的排列顺序和页码位置，预测下一页最可能出现的词。他从未"读过"任何一本书，从未"理解"任何一句话的含义，但他能极其准确地预测"太阳从____升起"的空白处应该填"东方"。 LLM从未"阅读"过互联网上的文本，它只是在万亿级参数空间中，通过梯度下降优化，学习到了词与词之间的统计共现关系。 当LLM生成"太阳 从东方升起"时，它并非"知道"太阳从东方升起，而是在训练语料中，"太阳"与"东方"的共现概率极高。 它的"逻辑能力"，本质上是人类语料库中的逻辑模式被压缩进参数空间后的统计重构。 清华大学张钹院士的论断在此极为精准：当前深度学习模拟的是大脑的低层次信息处理（感知层），而非高级抽象推理（理解层）。LLM的"逻辑"是人类逻辑的投影和重排，而非新生。 4.3 "随机鹦鹉"与"中文房间"：两个经典思想实验 2021年，Emily Bender等人发表了一篇极具影响力的论文《On the Dangers of Stochastic Parrots》（随机鹦鹉的危险），指出大语言模型本质 上是 "随机鹦鹉" ——它们随机地组合训练语料中的语言模式，像鹦鹉学舌一样复述，但从不理解语言的含义。 这个论断与约翰·塞尔（John Searle）1980年提出的 "中文房间" 思想实验形成了跨越40年的呼应： 一个不懂中文的人，被关在一个房间里。房间外的人递进来中文问题，他根据一本厚厚的规则手册（中文语法和词汇对照表），将中文符号进行组合，生成看似完美的中文回答。房间外的人认为房间里有一个中文专家，但实际上，房间里的人从未理解任何一个中文字符的含义。 塞尔用这个实验论证： 符号操作不等于语义理解。 一个系统可以完美地操作符号，但完全不理解符号的意义。 LLM正是这样一个"中文房间"——它操作的是语言的统计模式，而非语言的意义。它能生成"爱情让人痛苦"这样看似深刻的句子，但它从未体验过爱情，从未感受过痛苦，甚至不知道"痛苦"是什么。 五、人工智能与封闭系统 5.1 封闭系统 vs 开放系统 封闭系统
开放系统
规则明确、有限、不变
规则模糊、无限、演化
状态空间可枚举或近似可枚举
状态空间不可枚举
目标函数单一、可量化
目标函数多元、冲突、不可量化
信息完备或近似完全
信息不完备、不确定
棋类游戏、蛋白质折叠、代码生成
商业决策、人际交往、科学研究
AI表现：超越人类
AI表现：辅助人类
AI在封闭系统中表现卓越，在开放系统中表现有限。 这不是技术问题，而是 本质问题 ——因为开放系统的核心挑战不是"计算"，而是价值判断和取舍。 5.2.1 为什么AI在蛋白质折叠上成功，在药物发现上挣扎？ Alp haFold 3.0可以预测蛋白质的三维结构，这是一个 封闭系统问题： 物理规则（量子力学、化学键）是明确的；状态空间虽然庞大，但有物理约束（能量最低原理）；目标函数单一（预测结构准确度）。 但 药 物发现是一个开放系统问题 ：人体是复杂的动态系统，药物作用涉及无数 相互作用；目标函数多元（疗效、安全性、成本、可制造性）；需要 判断和权衡 ，而 非单纯计算。 这就是为什么AI可以加速"分子筛选"（封闭问题），但无法替代"药物设计"（开放问题）。AI可以把科学家从百万种组合中筛选出最有希望的几十种，但最终选择哪种分子进入临床，需要科学家的判断、经验和直觉。 5.2.2 为什么AI在代码生成上成功，在软件架构上挣扎？ GitH ub Copilot可以生成代码片段，这是一个 封闭系统问题： 编程语言的语法规则是明确的；代码的正确性可以通过编译器验证；目标函数相对单一（语法正确、功能实现）。 但软件架构设计是一个开放系统问题： 需求是模糊的、变化的、相互冲突的；技术选型涉及无数权衡（性能vs可维护性、成本vs 扩展性）；需要判断和取舍，而非单纯计算。 这就是为什么AI可以辅助编程，但无法替代架 构 师。AI可以生成"正确的代码"，但无法回答"为什么这样设计"——因为"为什么"涉及价值判断和目标理解，而非模式匹配。 5.2.3 为什么AI在医疗影像上成功，在临床诊断上挣扎？ AI在CT 影像识别上准确率可达98.54%，远超放射科医生的46.53%。这是一个 封闭系统问题： 影像的判读标准相对明确（结节的大小、形状、密度）；目标函数单一（真阳性率）；数据标注相对容易。 但临床诊断是一个开放系统问题： 患者的主诉是模糊的、主观的；诊断需要整合病史、 体征、实验室检查、影像学、 社会心理因素；治疗方案涉及价值权衡（疗效vs副作 用、费用vs生活质量）。 这就是为什么AI可 以辅助影像判读，但无法替代医生问诊。AI可以识别"异常"，但无法回答"这个异常对患者意味着什么"——因为"意义"涉及整体理解和价值判断。 六、为什么我们会误以为AI"能理解"？ 6.1 语言作为"理解的代理" 人类有一个根深蒂 固的认知偏见： 语言能力被等同于理解能力。 我们说一个人"聪明"，往往是因为他能言善辩；我们说一个人"理解"某个概念，往往是因为他能用语言表达。 这个偏见让我们对LLM产生了严重的误判。当LLM生成流畅、连 贯、甚至"深刻"的文本时，我们本能地认为它"理解"了这些文本的含义。但正如前文所述，LLM 只是在操作统计模式，从未触及意义。 一个关键测试：让LLM解释一个它从未在训练语料中见过的概念。如果它真的能"理解"，它应该能基于已有概念进行推理，生成合理的解释。但实际上，LLM会出现"幻觉"（hallucinate）——生成看似合理但完全错误的内容。 6.2 "拟人化"的认知陷阱 人类进化出 了一种强大的社会认知能力：心智理论（Theory of Mind）——即推断他人心理状态的能力。这种能力让我们能与他人合作、竞争、交流。但它也有一个副作用： 我们倾向于将所有表现出"智能行为"的系统都拟人化。 当我们看到AlphaGo走出一步"妙手"时，我们会惊叹"它真有创造力"；当我们看到LLM写出一首诗时，我们会感叹"它真有情感"。但这些惊叹都是 拟人化的幻觉。 AlphaGo的"妙手"不是创造力 的产 物，而是蒙特卡洛树搜索在巨大状态空间中的统计优化结果。LLM的"诗"不是情感的表达，而是训练语料中诗歌模式的统计重组。 这不是说这些输出没有价值。一首诗的价值不在于作者是否"有情感"，而在于它是否触动了 读者。一个棋步的价值不在于棋手是否"有创造力"，而在于它是否有效。但 混淆"输出价值"与"内在理解" ，是AI 认知中最危险的幻觉。 6.3 "涌现"的误读 近年来，"涌现能力"（emergent abilities）成为AI领域的热门概念。研究者发现，当模型规模超过某个阈值时，会突然出现一些小型模型不具备的能力（ 如chain-of-thought reasoning）。 这被很多人解读为"智能的涌现"——仿佛模型在变大过程中"突然觉醒"了某种理解能力。但更深入的分析表明： 这些"涌现"能力并非真正的理解，而是规模扩大后统计模式的更精细捕捉。 一个类比：当你把显微镜的放大 倍数从100倍提升到1000倍时，你会"突然看到"细胞结构。但这并非细胞"涌现"了，而是你观察的分辨率提升了。LLM的"涌现能力"同理——不是模型"突然理解"了什么，而是参数空间的增大让统计模式的捕捉更精细。 七、从"人造智能"到"人类能力的延伸" 7.1 一个更准确的框架 AI不是"人造的智能"，而是"人类特定能力的延伸"。 在 封闭系统（ 规则明确、目标单一、信息完备）中，AI可以自主决策，因为它只是优化问题。 在 开放系统 （规则模糊、目标多元、信息不完备）中，AI应该辅助判断，因为最终决策涉及价值权衡和意义建构，这是人类独有的能力。 7.3 未来的方向 Scaling Law的边际递减，意味着强堆算力的路线终将碰壁。未来的突破可能来自三个方向： 方向一：架构创新
方向二：领域特化
方向三：能效革命
神经符号融合：将深度学习的模式识别与符号推理的逻辑严谨性结合
科学 AI：专门用于特定科学领域的专用模型
神经形态计算：模拟人脑的低功耗特性
世界模型：让 AI建立对物理世界的因果理解
具身智能：让 AI通过物理交互学习世界
量子计算：在特定问题上实现指数级加速
持续学习：让 AI能在不遗忘旧知识的情况下学习新知识
人机协作：设计 AI作为"认知伙伴"而非"替代者"
算法优化：用更高效的算法替代暴力搜索
结语：祛魅之后，方见真容 回顾AI的70年历史，我们看到一个清晰的模式 ：每一次技术突破都伴随着过度炒作 ，每一次寒冬都孕育着下一次突破的种子。 1958年感知机被吹捧为"能自我复制 的机器"，1969年明斯基一本书就把它打入寒冬； 1980年代专家系统被寄予厚望，1990年代商业化失败让AI再次沉寂； 2012年AlexNet重燃希望，2022年ChatGPT让全民狂热，2026年：？ AI不是神，它 不会"觉醒"，不会"统治人类"，也不能"解决一切问题"。这些叙事是 技术乌托邦主义的幻觉 ，是资本市场 叙事套利的工具。 AI也不是垃圾，它在特定领域展现出的能力，是人类历史上前所未有的。AlphaFold预测蛋白质结构、GPT-4辅助代码生成、AI诊断医疗影像——这些成就是真实的、有价值的。 当我 们把AI从"智能"的神坛上请下来，放回"工具"的本位，我们才能真正评估它的价值、明确它的边界、规避它的风险。
夜雨聆风
