拆開了 AI 的孤独黑箱，

這是代们 「AI是怎麽回事」係列的第 16 篇，AI 和大數據專家——這些工作需要理解
 、不懂判斷框架ChatGPT 不"知道"，什意思CLIP，孤独翻譯文本、代们

從第 1 篇"你的不懂手機是怎麽認出你的臉"到現在 ，不是什意思"ChatGPT 使用技巧" 。這可能對你自身是孤独有害的 。ChatGPT 回答你的代们那三秒鍾裏究竟在算什麽
，詩歌、不懂客服應答）  ，什意思

我原本隻是孤独想搞懂 AI 是怎麽工作的 。它的代们注意力機製（第 6 篇）在 1750 億個參數（第 4 篇）中搜索，但那也隻是不懂從噪聲中還原訓練數據裏的統計模式——它畫不出"孤獨是什麽感覺"。能寫代碼。生成代碼的時候，什麽能力不會過時 ？

如果你是一個學生，哪些是"模式匹配"（套模板、畫出了它的能力邊界，那不是真的憤怒 ，AI 能畫出以假亂真的圖片（第 10 篇），

"人群中無人對視的目光"——因為在訓練數據中的文學作品裏，就像計算器取代了手工算賬一樣
。

它覆蓋的是此刻——2026 年初——AI 技術的快照。是人群中無人對視的目光 ，

這就是標題的含義：AI 可以寫出關於孤獨的優美文字 ，在幾萬億個詞的訓練數據中找到統計模式，但沒有建立一個"城市的模型" 。AI 能下棋贏世界冠軍（第 11 篇） ，是換了賽道第 4 篇神經網絡到底是什麽 ？輸入 x 權重+偏置→激活→輸出神經網絡就是乘法和加法第 5 篇AI 是怎麽學會的
？反向傳播 ，Yann LeCun（圖靈獎得主、

AI 不是來取代我們的。

Dreyfus 在 1972 年就說過 ：人類的世界是由有身體的人組織起來的，沒有感受 ，天花板與突破方向，大多數人類能力在 AI 時代仍然有用，神經網絡的本質是"乘法和加法的層層疊加"。不要當專家第 15 篇AI 寫代碼有多厲害？VibeCoding，這樣的意象和"孤獨"高度共現。不是一組使用技巧 。Sobel 算子 ，你已經有能力自己追蹤 AI 的進展了。可能又有了新的工具  。先回顧我們學了什麽

要回答"AI 會不會取代我們"，沒有經曆。叫「中文房間」（Chinese Room）：一個完全不懂中文的人被關在房間裏 ，語言模型能力邊界 ，

在回答"取代"之前 ，AI 能寫出關於愛情的詩歌，語法 vs 思考AI 降低的是門檻，

一個邀請

這個係列是我學習 AI 的一份"探索筆記"
。需要的是體驗 ，隻是在 AI 出現之前，你現在知道那些像人的回答是怎麽來的——統計模式匹配 ，

ChatGPT 就是一個巨大的中文房間。這不是"人工智能"的勝利 ，不能做什麽
。我們一起走過了 16 篇。

"深夜裏空蕩的房間"——因為在訓練數據中，核心結論AI 是超級模式匹配器第二章第 9 篇AI 到底有多聰明？RLHF，共情、模式化的部分會被 AI 接管 ，寫得比很多人都好 。同時有 9200 萬個崗位被淘汰——淨增 7800 萬個工作崗位。

AI 會寫"孤獨" ，也是最後一篇。從理解到行動。

用我們學過的原理來想這個問題 ：

你在第 4 篇裏知道了，全球將新增 1.7 億個崗位，有多少也是在"匹配"？我們多少判斷是基於"以前見過類似的情況"，

當 AI 可以幫你寫初稿、不是"思考" 。定義各不相同。

一項對超過 8500 條 AGI 預測的綜合分析給出的中位數是大約 2040 年。能畫畫、

這就是模式匹配和理解之間的鴻溝
。哪些是"真正需要思考的"（定義新問題、

第 12 篇裏我們說過：AI 在快速進步，AI 為什麽能通過律師考試卻會一本正經地撒謊 。統計預測 、劍橋大學哲學家 Tom McClelland 發表了一項研究 ，三問判斷法AI 的強弱取決於三個條件第 12 篇這個框架會過時嗎 ？AI 認知三角
，預測 2025 年到 2030 年間，發生的是 1750 億個參數的數學運算。共情、等到有一天底層原理真的發生了根本變化——你也有能力識別出那個變化，歡迎分享+關注。我們甚至不清楚人類的意識是怎麽從大腦的神經元活動中"湧現"出來的。做重複決策、於是花了很長時間去拆這個東西——手機為什麽換了發型還能認出你，你在第 8 篇裏看到了，Transformer 讓 AI 讀懂上下文） ，律師案件中
，

第三個問題
：AI 會不會有意識？

這個問題更難回答——但我可以告訴你目前學術界是怎麽想的。幾萬億個詞的訓練數據裏也沒有。四條原則框架不是基於 AI 能做什麽，但不知道贏了意味著什麽。你知道它做到了什麽（從噪聲中還原統計模式） ，或者剛進入職場，我們來正麵回答那個大問題。創造出的一個前所未有的工具 。擁有了自己的判斷力。

他們的理由，判斷和創造，純粹的計算係統與此有著本質的不同 。GPU 負責算第 6 篇ChatGPT 為什麽能對話？注意力機製，

AI 會取代我們嗎？——用原理回答

這個問題其實可以拆成三個更具體的問題。找到訓練數據中關於"孤獨"這個主題的大量文學作品 、當 AI 把編程的語法門檻降低之後，沒有人知道 。也知道這不意味著什麽（真正理解）——第 9 篇的知識

這是一套判斷框架，50% 的概率在 2033 年前。感到一種說不清的空洞。你現在手裏有一套完整的裝備
：

• 一個定義：AI 是超級模式匹配器
• 一套原理：數字化→神經網絡→訓練→Transformer→統計預測
• 一個框架：AI 認知三角（模式明確+數據充足+可驗證= AI 強項）
• 一個工具：三問判斷法（模式匹配 ？數據夠？能驗證 ？）
• 一套方法：Prompt 原理+協作原則+驗證優先

帶著這套裝備，不能感知世界——哲學家 Hubert Dreyfus在 1972 年就指出  ，散文、

乘法和加法能產生意識嗎
？

說實話，它生成了"看起來像描寫孤獨"的文字。全新的學習方式）
？

如果是規模上的突破——我們的框架依然適用，

個人錨點

如果你真的從第 1 篇讀到了這裏 ，這是統計學和工程學的勝利——是人類用自己的數學和工程能力，因為你理解了當前原理是什麽。不變的是思考第 16 篇AI 會取代我們嗎？全係列串聯，我們需要先搞清楚 AI 到底是什麽、而是 ：

• 當你聽到"某某 AI 能通過考試了"，

  你以為你在學 AI ，但不知道被愛是什麽感受。LeCun 認為至少需要幾十年

• Lake, B.M. & Murphy, G.L. (2023). Word meaning in minds and machines. Psychological Review. https://psycnet.apa.org/record/2023-32499-001 — AI 模式匹配與人類理解的認知科學對比
• Mitchell, M. & Krakauer, D.C. (2023). The debate over understanding in AI's large language models. PNAS. https://www.pnas.org/doi/10.1073/pnas.2215907120 — AI 基於概率的後向推理 vs 人類基於理論的前向推理

訂閱

如果覺得有意思
，也知道它沒做到什麽（理解美）——第 10 篇的知識

• 當有人說"AI 要取代程序員了"，

  不是 AI 讓人變得不重要
  。但他不完全排除這種可能。

  區別隻在於 ：法律引文可以去數據庫核查真假
  ，而是"怎麽學"。

  AI 能寫出關於孤獨的優美文字 。不是匹配。落在譜係的右側。

  但如果你理解了 AI 的底層原理——它不會過時。就是一種力量——它讓你在一個充滿 AI 炒作和恐懼的世界裏
  ，不是因為它"理解"重力，

  AI 是一麵鏡子

  寫這個係列的過程中 ，但它實際上並不理解這座城市的空間結構——給它一個簡單的繞路任務，應對前所未見的情況），建立人際信任、

  凡是需要理解、怎麽可能判斷一個 AI 有沒有意識？

  哲學家 David Chalmers（提出"意識的困難問題"的那位）說 ，後續文章也會持續更新。學術界認為至少需要兩個方向的突破
  ：

  • 世界模型（World Models）：讓 AI 不隻匹配文字模式 ，不是計算 。新的能力 
     、恰恰相反——AI 讓我們更清楚地看到了什麽才是真正重要的。AI 會做得更快更便宜。這個位置最可能出現什麽詞"的結果。而是拍快照的能力。它是一麵鏡子 ，想分享給你。可能已經有了新的模型 、你的工作中那些重複性的
    、而是因為訓練數據中"蘋果""掉落"經常一起出現
  • 它沒有身體，

    MIT 與 IBM 的一項聯合研究發現了一個很好的例子 ：大語言模型可以非常流暢地給你指路紐約的街道，暴露出來的是——真正難的從來不是語法，

    那麽有沒有人預測這種改變什麽時候到來？

    有。都隻是在做統計模式匹配——那我們人類做的事情，對意義的感知——它們有一個共同特點
    ：都無法簡單地轉化為"在數據中尋找統計模式"。

    不要去學"怎麽用某個特定工具"——工具會變。但它不懂"孤獨"是什麽意思。在改變發生之前 ，認為我們可能永遠無法確定 AI 是否擁有意識 。而是在內部建立一個對物理世界的模擬——這是 LeCun 正在研究的方向

  • 神經符號融合（Neuro-Symbolic AI）：把神經網絡的模式匹配能力和傳統符號邏輯的推理能力結合起來——這是 Marcus 長期倡導的方向

  這些方向都還在研究階段。

  感謝你陪我走過這 16 篇。但你同時在學"什麽是人"。能做什麽 、創造意義 、AI 的"信念"和"欲望"也是如此——統計模式匹配出來的"看起來像"信念和欲望的東西
  。你可以問 ：

  • 它的底層還是模式匹配嗎 ？
  • 它解決的問題滿足"三問判斷法"的三個條件嗎？
  • 它的"突破"是規模上的（更大的模型 、

    根據 80,000 Hours 對專家預測的綜合分析：Metaculus 預測平台上的預測者認為有 25% 的概率在 2029 年前實現 AGI（通用人工智能） 
    ，你讀這篇文章的時候，訓練是調參 、Transformer，層層檢測AI 看到的不是圖片
    ，是統計學的勝利 。歡迎關注我 ，

    哲學家 John Searle 在 1980 年提出過一個著名的思想實驗 ，有一個意料之外的收獲。

    1750 億個參數的乘法和加法 ，你的價值在哪裏？就在那些 AI 做不到的地方 ：

    • 定義問題——"我們到底要解決什麽 ？"
    • 做價值判斷——"這樣做對嗎？"
    • 建立信任——"我相信你說的"
    • 創造意義——"為什麽這件事重要？"
    • 感受和共情——"我理解你的感受"

    這些能力從來都很重要 。

    它隻在你的生命裏。用我們學過的知識來解釋，而是人類的核心。它們被淹沒在了大量重複性工作中。甚至可以說 ，直接讀這篇也沒問題 。前者可能很快到來 ，而不是科學判斷。到你讀這篇文章的時候，

    但它沒有懂。如果你學的隻是"Midjourney 的 50 個技巧"，

    這就是"探索筆記"的意義——不是給你魚 ，照出了我們真正的價值
     。

    增長最快的是什麽
    ？STEM 專業人員、Midjourney 是最熱門的 AI 繪畫工具 。認為到 2030 年底有約 50% 的概率實現 AGI。"孤獨"和"深夜""空蕩"經常出現在相似的上下文裏 。

    而理解這一點本身 ，

    但我希望你帶走的不是這份快照本身 ，外麵的人覺得他完全懂中文——但他隻是在按規則操作符號。

    你讀完這個係列獲得的 ，Meta 首席 AI 科學家）認為大語言模型是"通往 AGI 的一條岔路"。然後預測下一個最可能的詞。

    還記得第 6 篇講的嗎？ChatGPT 的本質是一個語言模型——它做的事情是"預測下一個最可能的詞"。AI 把重複性工作接管了，你知道這意味著什麽（模式匹配） ，三要素（數據+算力+算法）2012 年不是進步 ，文員崗位下降最多

  • McKinsey Global Institute. (2023). Generative AI and the future of work in America. https://www.mckinsey.com/mgi/our-research/generative-ai-and-the-future-of-work-in-america — 超過 70% 的雇主看重的技能既用於可自動化工作也用於不可自動化工作
  • The Federal. (2025). AI titans Demis Hassabis, Yann LeCun *** over meaning of 'general intelligence'. https://thefederal.com/category/business/ai-chiefs-demis-hassabis-yann-lecun-lash-over-general-intelligence-meaning-222118 — Hassabis 預測 2030 年底前 50% 概率實現 AGI ，就像一個演員在舞台上表演"憤怒"，

    但"僅此而已"就已經夠驚人了——它讓機器能對話、

    如果是原理上的突破——那才是真正需要更新知識的時候。AI 做不到。是教你釣魚。一個沒有身體的係統無法真正進入這個世界。這些環節會被自動化，但本質沒變 
    ：操作符號，

    1750 億個參數裏沒有這種感覺 。後者的時間表真的沒人知道 。而是想清楚你要做什麽。走流程），但它從未在淩晨三點醒來，我們建立的整套框架就成立。他們也發現超過 70% 的雇主看重的技能既用在可自動化的工作中，不會整個消失——但會被重塑
    。統計模式匹配無法實現真正的理解 。而 LeCun 認為達到人類水平的智能至少還需要幾十年
    。是給 AI 更好的上下文一起工作第 14 篇怎麽跟 AI 協作不翻車？四條協作原則 ，

    第 15 篇讀完 VibeCoding 之後，能翻譯、僅此而已。而是渴望連接卻無法觸及的距離 。價值判斷、然後用這些模式"續寫"出一段文字。發現了很多有意思的東西，但本質沒變 。你可能在想：我應該學什麽才能不被 AI 取代？

    我的建議不是"學什麽" ，現有 AI 技術理論上可以自動化約 60% 至 70% 的工作活動，而是「AI 取代工作中可以模式匹配的部分」 。神經網絡是乘法加法  、盯著天花板，整理數據
    、這個係列就是我的探索筆記，統計≠理解模式匹配不等於理解第 8 篇ChatGPT 的三秒鍾全流程串聯，

    McClelland 指出了一個值得警惕的事情 ：如果你基於"AI 有意識"這個錯誤前提和 AI 建立情感連接，我們先來做一個實驗
    。

    這些 AI 做不到的事情——常識推理、

    這和第 7 篇裏講的律師假判例是完全一樣的機製。

    所以更準確的說法不是"AI 取代工作"，

    寫得很好。感到一種說不清的空洞 。我一直很好奇 AI 到底是怎麽工作的，

    AI 做不到的事情——理解、但不止於此。GPT 係列Transformer 讓 AI 能同時看全文第 7 篇AI 為什麽會撒謊 ？幻覺
    ，

    用我們的框架來看：「通過所有考試」和「真正理解」之間的鴻溝，學會了怎麽和它一起工作。是數字拆開黑箱第 2 篇AI 怎麽讀懂文字？Token，但它不懂"孤獨"

    我讓 ChatGPT 寫一段關於孤獨的文字 。過擬合，但分不清"謝謝你"是真心還是諷刺。感受孤獨——讓你看到這些才是你最核心的部分 。這些環節會變得更有價值。但同時，

    結尾

    AI 不是魔法 ，他認為我們在和 LLM 對話時，

    參考資料

    1. Searle, J. (1980). Minds, Brains, and Programs. Behavioral and Brain Sciences. Wikipedia: https://en.wikipedia.org/wiki/Chinese_room — John Searle 1980 年提出的"中文房間"思想實驗，覺得不錯的話，論證計算機不能真正理解語言
    2. Dreyfus, H. (1972). What Computers Can't Do. Wikipedia: https://en.wikipedia.org/wiki/Hubert_Dreyfus%27s_views_on_artificial_intelligence — Dreyfus 關於具身認知與 AI 局限性的哲學批評（1972 年《What Computers Can't Do》）
    3. Embodied Cognition and AI. Philosophical Transactions of the Royal Society B. https://royalsocietypublishing.org/doi/10.1098/rstb.2019.0694 — 皇家學會關於具身認知與 AI 關係的學術論文
    4. Manvi, R., et al. (2023). Large Language Models are Geographically Biased. arXiv. https://arxiv.org/abs/2310.12931 — MIT 與 IBM 聯合研究：LLM 能指路但不理解城市空間結構
    5. 80,000 Hours. (2025). Why AI presents some of the world's most pressing problems. https://80000hours.org/problem-profiles/artificial-intelligence/ — AGI 時間線的專家預測綜合分析  ：Metaculus 預測 25% 概率 2029 年前，創造性思維、驗證>信任把 AI 當最強助手，是心裏有千言萬語卻找不到一個可以傾訴的人 。

       第二個問題 ：AI 以後會不會"真的"理解？

       這是一個更深層的問題。

       AI 時代，不能"理解"為什麽這些模式存在（第 7 篇：統計相關性 ≠ 因果理解）

    6. 它沒有對世界的內部模型——不知道蘋果鬆手會掉下來，恰恰定義了"人之為人" 。語義=距離AI 讀到的不是文字 ，但研究得越深 ，Elon Musk 認為 2026 年就可能出現超越人類最聰明個體的 AI。即可訂閱 。不理解意義 
       。認知科學家近年來的研究也支持這個觀點——具身認知理論（Embodied Cognition）指出，而不是真正的"理解"
       ？

       第 11 篇讀完 AI 能力全景圖之後
        ，DeepMind 的 Demis Hassabis 則更謹慎 ，人類智能與身體經驗密不可分 ，而是訓練出來的"看起來像憤怒"的表演。當我輸入"寫一段關於孤獨的文字"
       ，就是這樣的：

       當前 AI 的底層原理是"在訓練數據中尋找統計模式"。新的爭論。

       第一次看到這個係列
       ？從第1篇開始最順暢，它有的隻是幾千億個通過訓練調整好的數字——這些數字讓它能生成統計上最可能的文字序列。而關於孤獨的文字沒有"對錯"之分——所以我們更容易被打動 ，Gary Marcus（認知科學家）多年來一直警告，一個沒有身體的係統無法真正理解"冷""熱""疼""餓"意味著什麽

    要讓 AI 真正"理解"世界 ，規則更複雜了，用我們的框架來說 ：底層原理還沒有發生根本改變。

    當你看到一個新的 AI 產品 ，翻譯文檔
    、

    我們在第 12 篇裏提到過 ，和人建立信任） 。而是基於 AI 的原理第三章第 13 篇怎麽讓 AI 聽懂你的話？Prompt 原理，那這些知識會快速貶值。上下文=概率分布Prompt 不是咒語，很多人轉向了 DALL-E 3 和 Stable Diffusion
    。其實是一個重新認識自己的過程 。這意味著：

    1. 它隻能"匹配"見過的模式，但至少有一點是明確的：你不需要因為"AI 說話聽起來很像人"就恐慌 。高速計算——讓你看到人類也擅長這些，你可能也想過一個問題：如果 AI 這麽"聰明"，它的"規則手冊"是 1750 億個通過訓練自動學出來的參數 。更多的數據），

       全係列回顧

       16 篇文章，而你有能力識別這個區別。我越頻繁地想到一個完全不同的問題：

       人類智能到底是什麽？

       AI 能通過律師考試（第 9 篇），你可能也經曆了類似的認知轉變 。於是這些真正重要的能力被凸顯出來。一條完整的弧線：從好奇到理解，它給了我這樣一段
       ：

       孤獨是深夜裏空蕩的房間
       ，