其實，你比今天的AI聰明多了

前段時間，智譜的CEO張鵬，在一次采訪中提到了兩個詞。

感知智能，認知智能。

他沒有太過展開。但是，我琢磨了很久。

為什么？

因為這兩個詞，其實關系著兩個特別重要的問題。

今天的AI，真的比你更聰明嗎？以及，面對AI，我們應該怎么辦？

先說結論。

其實，你比今天的AI聰明多了。

為什么這么說？

因為，AI的聰明，未必是你以為的那種聰明。

什么意思？

01

感知智能：見得越多，認得越準

舉個例子。

假設，有這么一個模型。

它看過一萬只貓，十萬只貓，一百萬只貓。逐漸的，它看得越來越多。終于，它變得非常會認貓了。耳朵、胡須、輪廓、姿勢，它都無比熟悉。

這是一種，在海量的樣本中，統計出“識別”的能力。見得越多，認得就越準。

這就是，感知智能。

當然。會認，好像沒什么了不起的。我再舉一個例子。

2018年，谷歌的一個團隊，做了一件讓醫學界吃驚的事。他們訓練了一個AI，讓它去看人類的眼底照片。結果，這個AI，擁有了一種“靠眼底照片分辨男女”的能力。而且，準確率高達97%。

這是什么概念？

全世界最頂尖的眼科醫生，也做不到。因為，在他們的認知里，眼底照片，根本就不帶有“性別”這個信息。但是，這個AI，硬是從海量的樣本里，統計出了一條人類專家從未察覺的規律。

這就是感知智能真正厲害的地方。

見得足夠足夠多。然后，認出專家都認不出的東西。

啊？連專家都比下去了，你還說人比AI更聰明？

是的。因為，它只是“知道”，但它不知道自己“為什么知道”。它只是“會認”，但沒有真的“看懂”。

什么意思？

02

泛化：舉一反三，推及未知

給你分享一項實驗。

有這么一群研究者，訓練了一個模型，去區分狼和哈士奇，并達到了驚人的準確率。

但是，打開模型的那一刻，他們傻了。

這個模型，根本就沒有在“認狗”，而是在認“背景里有沒有雪”。

訓練集里，狼的照片，幾乎都攝于雪地。所以，只要你把一只哈士奇P到雪地里，那這個模型就會一口咬定，這是狼。

看上去，它認得很準，準得值得你完全信任。但實際上，這種“準”，建立在“看雪”的地基上。

所以，會認，并不等于看懂。它認得的，可能并不是你以為的那個東西。

而真正的看懂，是背景變了，甚至碰上從沒見過的情況，也依然能抓住本質，做出正確判斷。

這種“舉一反三，推及未知”的能力，有一個專門的名字。

泛化。

泛化，才是智能真正值錢的地方。但泛化，恰恰又是今天AI最大的軟肋。

為什么會這樣？

03

認知智能：理解因果，理解規律

圖靈獎得主朱迪亞·珀爾，是這么來回答這個問題的。

今天深度學習所取得的那些成就，本質上是一種曲線的擬合。它的認知，是一種“關聯”。它能精準地告訴你，A和B總是一起出現，卻始終不知道，A和B為什么總是一起出現。

還是有點抽象。我舉個例子。

2015年，有研究者復盤了一個用來預測肺炎病人死亡風險的醫療模型。這個模型，從海量的病歷里，得出了一條所謂的“規律”。

那就是，得了肺炎，同時又患有哮喘的人，死亡率反而更低。

所以，這類哮喘病人的風險很低，可以讓他們直接回家，不必住院。

啊？為什么會有這么反常識的結論？

因為，哮喘病人一旦得了肺炎，就極其危險。所以，醫院會把這種病人直接送進ICU。最強的護理，和激進的搶救，降低了他們的死亡率。但是，這個醫療模型只發現，“哮喘”和“活下來”總是一起出現，卻不懂“因為ICU，所以活下來”的因果鏈。

于是，最危險的這群人，被認為應該直接回家。

這，就是感知智能和認知智能真正的區別。

感知，是看到關聯。認知，是理解因果。感知。是壓縮過去。認知，是理解規律。感知，是見過了會認。認知，是想通了能推。

可是，這應該是只會“看圖，算數據”的AI才有的毛病吧？那些能寫代碼，能解數學題，能長篇大論推理的AI，應該是真懂了吧？

04

蘋果的實驗：不是推演，而是復述

未必。

2025年，蘋果做了這么一項實驗。

他們拿來了一批標準的數學應用題。然后，更換題目中的人名、數字，但不更換邏輯、解法。比如，只把“小明買了3支筆”，改成“小紅買了5支筆”。

如果真的懂數學，這樣的改動，其實沒什么影響。但是，模型的正確率，開始下降。

接著，他們又往題目里加東西。但加的，都是一些不影響解題的廢話。比如，把“小紅買了5支筆”，改成“今天早上8點鐘，小紅買了5支筆”。

結果，最強的那幾個模型，最多暴跌了65%的正確率。

于是，蘋果研究者得出結論。這些模型，并沒有在做真正的邏輯推理，而是在復現訓練數據里見過的推理步驟。

本質上，還是“見過”。它是在復述一套熟悉的模板，而不是在推演一個新問題。題目還在見過的模板之內，它就答得漂亮。題目偏離模板，它就露餡了。

它在“見過的世界”里強得可怕，在“沒見過的世界”里弱得不行。

就像那個“認雪”模型。

當然。蘋果的實驗，遭到了不少的反駁。有人說，這是因為測試的方法本身有瑕疵。技術的前沿，依然還沒有定論。

但即便如此，多喂一些數據，不就好了嗎？把它“還沒見過”的情況補進去，不就完了嗎？

05

真實世界：有些題庫，無窮無盡

道理是這么個道理。

可問題是，喂不完呀。就像小鵬汽車的創始人何小鵬說的那樣。

智能駕駛靠攝像頭，確實能看到無數個紅綠燈、行人，并統計出規律。但是，路上要是突然竄出來一只沒見過的兔子，它就懵了。那些邊緣的、罕見的情況，是覆蓋不完的。

舉個例子。

沃爾沃，配了一套很厲害的“大型動物識別系統”。厲害到，已經能在歐洲穩穩地認出麋鹿、駝鹿、馴鹿，并及時剎車，非常可靠。

但到了澳大利亞，它還是栽了。

為什么？

因為澳大利亞，有袋鼠。

沃爾沃的這套系統，靠“動物和地面的接觸點”來判斷距離。但是，袋鼠是跳著走的。騰空的時候，系統覺得遠。落地的時候，系統又覺得近。一跳一落，系統就算不準了。

為了這個問題，工程師們在澳洲研究了18個月的袋鼠，還是沒能徹底搞定。

這些頂級聰明的人，已經想到了人，想到了鹿，但還是漏掉了跳著過馬路的動物。

真實世界，就是感知智能的天花板。

因為真實世界最大的特點，就是永遠有下一道沒想到的題。這是一個永遠沒有辦法窮盡的題庫。會有大量的題，是沒想到的，是未知的，是來自未來的。

那，怎么辦？

既然“數據喂不完”，那AI要往哪里走？

06

世界模型：不只會認，還要會想

想辦法，從“會認”，走向“會想”。

這兩年，最聰明的那一批人，就在做這一件事。其中的一個發現，給了很多人希望。

有一群研究者，訓練了一個很小的模型，只干一件事兒。那就是，預測黑白棋的下一步，能下在哪里。

沒人告訴它棋盤是什么樣的。它看到的，只有一長串落子的坐標。

他們原本以為，這個模型，頂多就是背熟棋譜。但是，打開模型之后，他們驚了。

這個模型，自己在內部，建起了一張棋盤。

它沒有死記坐標，而是長出了一個“棋盤世界”的內部模型。研究者改變了其中的一個落子，它就會跟著這個修改過的棋盤，改變接下來的落子。

認知，那種對世界的理解，似乎真的從足夠強的感知里，自己“長”出來了。

當然。感知，是不是真的能夠通往認知？這件事，還遠沒有定論。

但可以確定的是，那批最聰明的人，今天已經不再只討論“誰的模型更大”了。他們拼命爭論的，是要不要給AI裝上“世界模型”，要不要讓它學會因果，要不要讓它從只會“快思考”的直覺，長出“慢思考”的推理。

競賽，已經從規模，走向了架構。

這就意味著，今天的我們，依然只站在序章上。

什么意思？

07

序章：所謂奇跡，還沒到來

一百多年前，物理學界。

1900年，開爾文發表了一次演講。他說：

物理學這座宏偉的大廈，已經基本落成了。晴朗的天空中，只還飄著兩朵小小的烏云。

那是一個物理學家們有些失落的時代。因為，這門學問，看上去基本到頭了。剩下的，只是把小數點再往后面精算幾位而已。

但后來，那朵關于光的傳播的烏云里，炸出了相對論。那朵關于黑體輻射的烏云里，炸出了量子力學。

物理學沒有到頭，反而掀開了波瀾壯闊的一個世紀。

那些以為站在了終點的人，其實只站在了序章。

今天的AI，也是如此。

我們驚嘆的寫詩、作畫、對答如流，本質上還是那雙“認貓”的眼睛，是“看見”的能力。但真正難的，真正讓人激動的“看懂、推演、決策”，那種能夠“面對沒見過的世界，依然推演出對的判斷”的能力，才剛剛開始被觸碰。

我們以為，我們見證了奇跡。但真正的奇跡，可能還沒有到來。

所以，面對AI，至少面對到目前為止的AI，我們該怎么辦？

最后的話

如果，你也停在“見多了會認”上，比誰見得多，比誰記得牢，比誰反應快。

那么，你很難贏過AI。

因為它見過的貓，會比你這輩子能見的還要多。它讀過的書，你幾輩子也讀不完。

但是，它不知道自己為什么知道。你以為它在認狼，其實它在認雪。它算出哮喘和活命有關，卻不知道有什么關。你以為它在解題，其實它在復述。它千算萬算，還是沒算出袋鼠，未知，和未來。

它缺的，是理解“為什么”，是抓住“規律”，是“面對沒見過的世界，依然推演出對的判斷”。

是：認知。

這樣東西，至少到今天為止，還是你的。

所以，面對AI，不要比什么“見得多”。比不過的。要把自己，往“想得通”那一邊拉。

在這件事上，你，其實比今天的AI聰明多了。

少問“這是什么”，多問“這為什么”。

見得多，是感知。想得通，才是認知。

感知智能，是見多了會認。認知智能，是想通了能推。

AI，還在會認。

但你，要去想通。

加油。

觀點/ 劉潤主筆/ 二蔓編輯/ 歌平版面/ 黃靜

這是劉潤公眾號第2989篇原創文章。未經授權，禁止任何機構或個人抓取本文內容，用于訓練AI大模型等用途