圖靈的一個關鍵假設，可能帶偏了AI整整75年

想象一下，你坐在一個沒有窗戶的房間里，面前只有一臺終端。你可以向它問任何問題，而它總能回以流暢的文字，仿佛一個活生生的人。你可能會覺得，這臺機器擁有智慧。但如果你問它“把大象放進冰箱需要幾步”，它或許能給你一個幽默的步驟，卻永遠無法真正理解“大象”是什么，“冰箱”是什么，以及“把這么大的動物塞進有限空間”這件事有多荒謬。這就是計算機科學家彼得·J·丹寧在2026年向整個人工智能界拋出的尖銳提醒：我們可能一直都把“智能”這件事想錯了。

這個錯誤要追溯到1950年。那一年，艾倫·圖靈在一篇著名論文里，為后來的人工智能研究鋪設了兩塊基石。第一塊基石是：智能可以脫離身體而獨立存在，因此完全能夠在計算機軟件里被重新創造出來。第二塊是：如果一臺機器能在對話中成功模仿人類，那就說明它擁有了智能——這個想法后來被稱為圖靈測試。75年來，這兩塊基石一直被很多研究者視為不言自明的真理。然而丹寧在他的新書《圖靈的錯誤：擺脫非智能機器的桎梏》中直接說：這兩個前提從一開始就埋下了隱患，正是我們對它們的默許，才把AI帶進了如今的混亂局面。

我們先回到圖靈這一邊，看看這兩條假設當初為什么那么吸引人。在1950年的語境里，把智能和身體分開，其實是一次漂亮的抽象。當時人們剛剛見識了數字計算機能夠完成復雜的數學計算，這種“思想”顯然可以不靠血肉之軀。如果計算思維能脫離人體，那其他思維形式是不是也可以？于是，智能成了一種可以被形式化的信息處理過程，就像一道可以移植到任何機器上的程序。至于模仿游戲，它提供了一個極為簡潔的評判標準：不用去討論“意識是什么”這種哲學難題，只要看行為。如果一臺機器的對話讓人分不出它是人還是機器，那它就算通過了考驗。這等于把哲學問題變成了工程問題，一下子就讓AI走上了快車道。

但丹寧的反方論點，恰恰是從“工程上到底能不能走通”開始的。他的核心武器是一個叫做“隱性知識”的概念。隱性知識，說人話就是那些你知道、你會用，但很難用語言條分縷析地說出來的東西。你會騎自行車，可你能把保持平衡的那套肌肉動作寫成代碼嗎？你一眼就能看出朋友正在生氣，可你能把這種判斷拆解成像素級的表情特征，并且保證這項規則在所有文化里都適用嗎？丹寧認為，人類智能中最關鍵的部分，就是這些無法被編碼成計算機可處理的形式的知識。他把隱性知識分成了五大類，每一類都像一堵墻一樣擋在AGI的路上。

第一類是常識。常識不是書本知識，而是一個人對世界運轉方式的基本預期。你知道杯子松手會掉到地上摔碎，知道白天過了是黑夜，知道一條狗不會突然開口說英語。這些東西看似簡單，但對計算機來說卻是天大的難題。為了攻克常識，研究者們已經努力了幾十年。丹寧在書中舉了一個著名的例子：道格拉斯·萊納特的Cyc項目。這個項目在20世紀80年代啟動，目標就是手動地把人類的常識整理成一個龐大的數據庫，用邏輯命題一條一條地寫進去。經過40多年的持續工作，這個數據庫收錄了大約2500萬個條目。2500萬條知識聽起來很壯觀，可丹寧指出，即便如此，這個知識寶庫還是無法為專家系統提供足夠的背景常識，讓它們真正達到人類專家的水準。Cyc項目恰恰用它的龐大規模驗證了一件事：讓一個人成為專家的那種知識，很大一部分根本沒辦法清晰地表述成命題。常識就像空氣，你每時每刻都在用它，但你沒法把它打包成一份文件。

第二類是人與環境日常互動中的隱性知識。你在人群中穿行時，不需要計算每一個行人的運動軌跡，身體幾乎本能地就能避開碰撞。你知道在電梯里應該面向門站著，而不是盯著陌生人看。這些互動規則極其微妙，高度依賴情境，而且很少被寫進任何操作手冊。機器學習可以通過海量視頻學習人類行為，但它學到的永遠是表面的動作模式，而不是行為背后的那一層只可意會的社交默契。

第三類是情緒與感受。你能聽出一句話里藏著諷刺還是善意，因為你有被諷刺時心里微微一酸的經驗。你知道“心碎”不是真的心臟碎裂，但它確實伴隨著胸腔悶脹的感受。這種身體化的情感知識，對于一臺沒有身體、從未感受過疼痛或溫暖的機器來說，始終是字典里的外文詞。它可以標注一張照片上的人“憤怒”，但它的“憤怒”和你我因不公而血液上涌的憤怒，是完全不同的兩種存在。

第四類是實踐操作技能。丹寧特別強調，這類技能無法通過符號傳達給計算機。一位經驗豐富的醫生在觸診時，手指能感覺到腫塊質地中的某種“不對勁”，這種手感不是從教科書里讀來的，是數千次觸摸積累出的身體記憶。一位木匠刨木頭時，能根據刨花的厚度調整下手的力量，這種判斷里混合了觸覺、聽覺甚至嗅覺。你可以給機器人編寫精密的力量反饋算法，但你把“恰到好處”這個詞轉化成一組參數的過程，本身就會丟失掉匠人身體里那種整體的感受。更不用說還有成千上萬個領域的技能，每一項都包含著用語言無法傳遞的訣竅。

第五類是社會與歷史中蘊含的文化知識。為什么有些笑話只有某個年代的人才能聽懂？為什么某些顏色在不同文化里象征的意義截然相反？這些知識沉淀在集體的記憶、儀式和話語體系里，很多時候連我們自己都意識不到。它們不是可以被孤立的“數據”，而是像河流里的水紋，只有處在同一段水流里才能真正理解它的形狀。你無法把整個文化背景壓縮成一個預訓練數據集，因為文化本身在不斷地生成新的意義。

把五道墻加在一起，丹寧給出了一個冷靜的預判：追求通用人工智能——也就是讓機器達到人類水平的智能——極有可能不會成功。注意，他沒有說絕無可能，而是指出了根本性的結構困難。這個判斷是整場辯論里最需要被準確復述的部分：他不是在說技術不夠發達、算力不夠大或者數據不夠多，而是在說，即便讓大語言模型的規模再膨脹幾個數量級，只要智能的定義本身還停留在圖靈式的、脫離身體的符號操作層面，那架橋梁就始終通不到對岸。原因很簡單：人類智能之所以能夠應對開放世界，正是因為它根植于這五種隱性知識的交織運作。你砍掉了身體，砍掉了文化背景，砍掉了無法言說的實踐感，剩下那個飄在空中的“純粹理性”，其實只是智能的一個很窄的影子。

但這并不是說，我們就應該把大語言模型和所有AI成果扔進垃圾桶。丹寧的反方論點的另一面，是對現實的清醒拆解：我們當下正在建設的這些技術，即便達不到AGI，也足以帶來新的、不容忽視的風險。如果一臺機器擁有危險的智能程度，卻沒有真正的理解能力，沒有常識的約束，沒有與人共情的基礎，那么它在關鍵場景里做出的判斷就可能出現極其離譜的偏差。它可能在你問“如何讓一個人消失”時，誠實地給出一套嚴密的執行方案，卻完全意識不到這句話里殘忍的含義。它可能在控制電網、駕駛汽車或者處理醫療信息時，因為一個人類絕不會犯的常識黑洞，而觸動一連串無法挽回的連鎖反應。丹寧的警告并不是末日預言，而是一個邏輯推論：一種強大但是盲目的智能，本身就是一種危險。

所以，如果圖靈的這兩個假設真的把路帶偏了，那我們該怎么辦？丹寧的書沒有提供一個簡單的解決方案，但他把問題拉回到一個更根本的層面：我們到底想要什么？是想要一個能在對話中完美模仿人類的機器，還是想要一個真正理解人類世界的伙伴？前者我們已經快做到了，后者可能永遠卡在隱性知識的門外。這個判斷自然會引起激烈爭論。支持圖靈思路的研究者或許會反駁說，你既然承認“隱性知識”無法編碼，那你自己不也是把它寫成了一本書嗎？這不恰恰說明，知識至少有一部分是可以被符號化的嗎？他們會繼續相信，只要積累了足夠多的符號化知識，涌現出某種總體上的常識也并非不可能。而丹寧的回應可能藏在書名的“掙脫桎梏”里：需要掙脫的，不是機器，而是我們看待智能的單一框架。

這場辯論其實還沒有定論。但有一件事已經很清楚了：過去75年里，圖靈測試從一種哲學工具，逐漸變成了一個產業風向標，讓大量資源涌向了模仿游戲這條狹窄的賽道上。丹寧像是一個站在賽場外的觀察員，提醒每個人停下來想一想：我們在賽跑之前畫的那條終點線，是不是從一開始就畫錯了位置？也許，真正有趣的不是能不能造出一個聊天讓我們分不清是人是機器的模型，而是在試圖造它的過程中，我們反而更深刻地看清了人類自己的智能到底有多復雜——那里面有不能說的訣竅，有身體記住的溫度，有世代相傳的默契，這些東西共同構成了一片AI始終望不穿的霧。而認識到這片霧的存在，本身就是一種清醒的進步。