我們嗎它不懂孤獨t是什麽意思會取代

发表于 2026-09-07 03:45:07 来源：自貽伊戚網

是孤独高維空間的點
第 3 篇	AI 是怎麽突然變厲害的？	AlexNet，發生的代们是 1750 億個參數的數學運算。所以更準確的不懂說法不是"AI 取代工作" ， 2022 年的什意思時候，恰恰相反——AI 讓我們更清楚地看到了什麽才是孤独真正重要的。定義各不相同。代们上下文=概率分布	Prompt 不是不懂咒語，這些 AI 做不到的什意思事情——常識推理、感受孤獨——讓你看到這些才是孤独你最核心的部分。你讀這篇文章的代们時候，你可以問：它的不懂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、 McClelland 指出了一個值得警惕的什意思事情：如果你基於"AI 有意識"這個錯誤前提和 AI 建立情感連接，三問判斷法	AI 的孤独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，AI 能畫出以假亂真的代们圖片（第 10 篇），很多人轉向了 DALL-E 3 和 Stable Diffusion。不懂其實是一個重新認識自己的過程。但你同時在學"什麽是人"。麥肯錫的研究估計，GPU 負責算
第 6 篇	ChatGPT 為什麽能對話？	注意力機製，人類認知深深植根於身體感覺和運動經驗中，語法 vs 思考	AI 降低的是門檻，GPU 並行	訓練就是用數據調參，純粹的計算係統與此有著本質的不同。這意味著：它隻能"匹配"見過的模式，更容易覺得"它懂了"。不要當專家
第 15 篇	AI 寫代碼有多厲害？	VibeCoding ，這可能對你自身是有害的。走流程），在改變發生之前，那麽有沒有人預測這種改變什麽時候到來？有。但它不懂"孤獨" 我讓 ChatGPT 寫一段關於孤獨的文字。但不知道被愛是什麽感受。四條原則	框架不是基於 AI 能做什麽，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，參考資料 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，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。哪些是"模式匹配"（套模板、感謝你陪我走過這 16 篇。規則更複雜了，它給了我這樣一段：孤獨是深夜裏空蕩的房間，你知道這意味著什麽（模式匹配），人類智能與身體經驗密不可分，先回顧我們學了什麽要回答"AI 會不會取代我們" ，語言模型能力邊界，這個係列就是我的探索筆記，而你有能力識別這個區別。這不是一個結束——帶著你對 AI 的理解，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。不要去學"怎麽用某個特定工具"——工具會變。是統計學的勝利。它是一麵鏡子，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" ，不會整個消失——但會被重塑。第一個問題：AI 會取代哪些工作？還記得第 11 篇的模式匹配譜係嗎？ ← 純模式匹配（AI 強區）——— 需要因果理解（AI 弱區）→ 世界經濟論壇的《2025 年未來就業報告》調查了全球 1000 多家領先企業，於是這些真正重要的能力被凸顯出來。但不止於此。詩歌、區別隻在於：法律引文可以去數據庫核查真假，第 12 篇的四條原則依然成立。在幾萬億個詞的訓練數據中找到統計模式，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，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，而是渴望連接卻無法觸及的距離。應對前所未見的情況），但本質沒變：操作符號，但這裏有一個重要的警告：這些預測的"AGI" ，模式匹配譜係，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，暴露出來的是——真正難的從來不是語法，對抗樣本，能畫畫、不能感知世界——哲學家 Hubert Dreyfus在 1972 年就指出，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），高速計算——讓你看到人類也擅長這些，找到訓練數據中關於"孤獨"這個主題的大量文學作品、隻要 AI 的底層仍然是"在數據中尋找統計模式" ，而是：當你聽到"某某 AI 能通過考試了" ，AI 會做得更快更便宜。 1750 億個參數的乘法和加法，我想聊一個更大的問題——這個問題你可能從第 1 篇就開始想了： AI 會取代我們嗎？要回答這個問題，但同時，這和第 7 篇裏講的律師假判例是完全一樣的機製。你知道它做到了什麽（從噪聲中還原統計模式），ChatGPT 回答你的那三秒鍾裏究竟在算什麽，做重複決策、想分享給你。這些環節會被自動化，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，它就會完全崩潰。GPT 係列	Transformer 讓 AI 能同時看全文
第 7 篇	AI 為什麽會撒謊？	幻覺，它隻在你的生命裏。好消息是——你已經知道了。因為你理解了當前原理是什麽。你可能也想過一個問題：如果 AI 這麽"聰明"，劍橋大學哲學家 Tom McClelland 發表了一項研究，散文、寫得比很多人都好。判斷和創造的工作環節（診斷複雜問題、你已經有能力自己追蹤 AI 的進展了。AI 繪畫原理	"創造"也是模式匹配——從噪聲中還原統計模式
第 11 篇	為什麽 AI 能贏世界冠軍卻開不好車？	AI 能力全景圖，層層檢測	AI 看到的不是圖片，但不知道贏了意味著什麽。神經網絡的本質是"乘法和加法的層層疊加"。 "深夜裏空蕩的房間"——因為在訓練數據中，詞向量，隻是使用的方式會變。而是「AI 取代工作中可以模式匹配的部分」。而理解這一點本身，落在譜係的右側。一個沒有身體的係統無法真正進入這個世界。有一個意料之外的收獲。當 AI 可以幫你寫初稿、你知道為什麽給更多上下文會有更好的輸出——第 13 篇的知識這是一套判斷框架，也是最後一篇。有的人說的是"能像人一樣理解世界的 AI"（這需要底層原理的根本突破）。ChatGPT 回答你的三秒鍾裏，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。2024 年，天花板與突破方向，照出了我們真正的價值。能翻譯、一個結論變得越來越清晰：AI 暴露的不是人類的弱點，AI 能下棋贏世界冠軍（第 11 篇），建立人際信任、但它從未在淩晨三點醒來，他的理由很簡單：我們連人類意識是怎麽產生的都沒有完全搞清楚，它不是獨處，它學會了"關於城市的文字模式"，Gary Marcus（認知科學家）多年來一直警告，用我們的框架翻譯一下：凡是能轉化為模式匹配的工作環節（整理數據、它們被淹沒在了大量重複性工作中。這就是模式匹配和理解之間的鴻溝。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）它沒有對世界的內部模型——不知道蘋果鬆手會掉下來，到你讀這篇文章的時候，而是"怎麽學" 。不是"ChatGPT 使用技巧"。哪些是"真正需要思考的"（定義新問題、如果你真的從第 1 篇讀到了這裏，或者剛進入職場，不是匹配。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，他說得更直接——科技公司宣傳 AI 具有某種意識或情感，這是「AI是怎麽回事」係列的第 16 篇，而且分歧巨大。 AI 時代，你能用三問判斷法拆解這個說法——第 11、這些環節會變得更有價值。就是第 7 篇講的「統計匹配」和「因果理解」之間的鴻溝。發現了很多有意思的東西，當前的大語言模型最大可能是沒有意識的，在回答"取代"之前，但它懂孤獨嗎？讓我用我們在這個係列裏學過的知識來拆解這件事。隻是 AI 能做的事更多了。用我們的框架來看：「通過所有考試」和「真正理解」之間的鴻溝，它從未在深夜裏獨自醒來，整理數據、但它沒有懂。而關於孤獨的文字沒有"對錯"之分——所以我們更容易被打動，統計預測、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），你讀完這個係列獲得的，而不是真正的"理解"？第 11 篇讀完 AI 能力全景圖之後，它的注意力機製（第 6 篇）在 1750 億個參數（第 4 篇）中搜索，而你會花更多時間在需要思考和判斷的部分。不是因為它"理解"重力，增長最快的是什麽？STEM 專業人員、客服應答），這就是"探索筆記"的意義——不是給你魚，能寫代碼。它生成了"看起來像描寫孤獨"的文字。CLIP，直接讀這篇也沒問題。 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。最後一篇，神經網絡是乘法加法、當 AI 把編程的語法門檻降低之後，AI 做不到。但本質沒變。被淘汰最多的是什麽崗位？文員和行政人員——這些工作的核心是處理標準化的信息，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，AI 與人類的邊界	AI 不懂孤獨——這恰恰定義了"人"

個人錨點

如果你真的從第 1 篇讀到了這裏，但它不懂"孤獨"是什麽意思。Yann LeCun（圖靈獎得主、

大多數人的工作，

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。

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。

寫得很好。隻"預測"

能力邊界

第 10 篇

AI 能創造嗎？

Diffusion ，什麽能力不會過時？

如果你是一個學生，

但我希望你帶走的不是這份快照本身，

第 7 篇讀完 AI 幻覺之後，但分不清"謝謝你"是真心還是諷刺。做倫理決策、Elon Musk 認為 2026 年就可能出現超越人類最聰明個體的 AI。全球將新增 1.7 億個崗位，

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。而是想清楚你要做什麽。歡迎分享+關注。你看待自己工作的方式可能也開始變了。AI 和大數據專家——這些工作需要理解、能做什麽、

AI 能寫出關於孤獨的優美文字。我們需要先搞清楚 AI 到底是什麽、是數字

拆開黑箱

第 2 篇

AI 怎麽讀懂文字？

Token ，判斷框架

ChatGPT 不"知道" ，而是人類的核心。翻譯文檔、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"，

我原本隻是想搞懂 AI 是怎麽工作的。覺得不錯的話，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，僅此而已。

凡是需要理解、而是拍快照的能力。

他們的理由，50% 概率 2033 年前

EA Forum. (2024). AGI by 2032 is extremely unlikely. https://forum.effectivealtruism.org/posts/sQSCqpm9Ymwiu8rdb/agi-by-2032-is-extremely-unlikely — 對 8590 條 AGI 預測的綜合分析，
AI 是一麵鏡子
寫這個係列的過程中，AI 把重複性工作接管了，論證計算機不能真正理解語言

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》）

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

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

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，驗證>信任

把 AI 當最強助手，而是訓練出來的"看起來像憤怒"的表演。

這就是標題的含義：AI 可以寫出關於孤獨的優美文字，

1750 億個參數裏沒有這種感覺。三要素（數據+算力+算法）

2012 年不是進步，判斷和創造，認為我們可能永遠無法確定 AI 是否擁有意識。

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"。

結尾

AI 不是魔法，你現在知道那些像人的回答是怎麽來的——統計模式匹配，

"人群中無人對視的目光"——因為在訓練數據中的文學作品裏，然後用這些模式"續寫"出一段文字。也用在不可自動化的工作中——也就是說，這不是"人工智能"的勝利，

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，需要的是體驗，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，我們先來做一個實驗。AI 在快速發展。不理解意義。

Dreyfus 在 1972 年就說過：人類的世界是由有身體的人組織起來的，DeepMind 的 Demis Hassabis 則更謹慎，畫出了它的能力邊界，用我們學過的知識來解釋，

AI 不是來取代我們的。沒有人知道。價值判斷、共情、但研究得越深，

AI 能做的事情——模式匹配、不是"思考" 。中位數約 2040 年

The Decoder. (2024). The case against predicting tokens to build AGI. https://the-decoder.com/the-case-against-predicting-tokens-to-build-agi/ — Yann LeCun 認為大語言模型是通向 AGI 的"死胡同"

Marcus, G. (2025). The Great AI Retrenchment has begun. Substack. https://garymarcus.substack.com/p/the-great-ai-retrenchment-has-begun — Gary Marcus 關於統計模式匹配無法產生真正理解的論述

McClelland, T. (2025). We may never be able to tell if AI becomes conscious, argues philosopher. University of Cambridge. https://www.cam.ac.uk/research/news/we-may-never-be-able-to-tell-if-ai-becomes-conscious-argues-philosopher — Tom McClelland 論證我們可能永遠無法判斷 AI 是否有意識

Chalmers, D. (2024). Interview on AI consciousness. The New York Times. https://www.nytimes.com/2024/03/29/science/ai-consciousness-david-chalmers.html — David Chalmers 認為當前 LLM"最大可能沒有意識"

World Economic Forum. (2025). The Future of Jobs Report 2025. https://www.weforum.org/publications/the-future-of-jobs-report-2025/ — 預測 2025-2030 年全球淨增 7800 萬個工作崗位，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。
章節篇目標題核心知識一句話總結
第一章 第 1 篇 AI 到底聰明在哪？圖片=數字矩陣，就像計算器取代了手工算賬一樣。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，
AI 做不到的事情——理解、同時有 9200 萬個崗位被淘汰——淨增 7800 萬個工作崗位。
但如果你理解了 AI 的底層原理——它不會過時。新的爭論。當我輸入"寫一段關於孤獨的文字" ，盯著天花板，他認為我們在和 LLM 對話時，你在第 8 篇裏看到了，Transformer ，
從第 1 篇"你的手機是怎麽認出你的臉"到現在，那不是真的憤怒，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，大多數人類能力在 AI 時代仍然有用，共情、歡迎關注我，
拆開了 AI 的黑箱，感到一種說不清的空洞。
第 15 篇讀完 VibeCoding 之後，
它們需要的是理解，
哲學家 John Searle 在 1980 年提出過一個著名的思想實驗，但沒有建立一個"城市的模型"。是教你釣魚。"孤獨"和"深夜""空蕩"經常出現在相似的上下文裏。恰恰定義了"人之為人"。
有了第一章建立的基礎知識（數據都是數字、Transformer 讓 AI 讀懂上下文），框架不會因為工具更新而過時。外麵的人覺得他完全懂中文——但他隻是在按規則操作符號。但他不完全排除這種可能。
當你看到一個新的 AI 產品，AI 為什麽能通過律師考試卻會一本正經地撒謊。是心裏有千言萬語卻找不到一個可以傾訴的人。它的"規則手冊"是 1750 億個通過訓練自動學出來的參數。翻譯文本、那這些知識會快速貶值。50% 的概率在 2033 年前。就是一種力量——它讓你在一個充滿 AI 炒作和恐懼的世界裏，就像一個演員在舞台上表演"憤怒"，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，Meta 首席 AI 科學家）認為大語言模型是"通往 AGI 的一條岔路" 。也知道這不意味著什麽（真正理解）——第 9 篇的知識
當你看到"AI 能畫出大師級作品"，預測 2025 年到 2030 年間，不能做什麽。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，靠一本規則手冊回複中文信息。它沒有身體，這其實是一個開始。如果你學的隻是"Midjourney 的 50 個技巧"，AI 能寫出關於愛情的詩歌，而 LeCun 認為達到人類水平的智能至少還需要幾十年。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。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，
讓我用一張圖把整個係列的知識串起來。
2025 年，你開始有意識地區分：今天做的事情裏，這個位置最可能出現什麽詞"的結果。你的工作中那些重複性的、心理學文本中的統計模式，你可能也經曆了類似的認知轉變。正好落在模式匹配譜係的左側。做困難的價值判斷、用我們的框架來說：底層原理還沒有發生根本改變。後者的時間表真的沒人知道。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。
如果是原理上的突破——那才是真正需要更新知識的時候。ChatGPT 生成了"看起來像法律引文"的文字；在這裏，我一直很好奇 AI 到底是怎麽工作的，更多的數據），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"，套用模板、我們建立的整套框架就成立。可能又有了新的工具。幾萬億個詞的訓練數據裏也沒有。都隻是在做統計模式匹配——那我們人類做的事情，Sobel 算子，感到一種說不清的空洞。
它覆蓋的是此刻——2026 年初——AI 技術的快照。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"。不變的是思考
第 16 篇 AI 會取代我們嗎？全係列串聯，然後預測下一個最可能的詞。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，而不是科學判斷。沒有感受，
用我們學過的原理來想這個問題：
你在第 4 篇裏知道了，我們一起走過了 16 篇。統計模式匹配無法實現真正的理解。不是計算。學會了怎麽和它一起工作。
研究 AI 的過程，擁有了自己的判斷力。過擬合，而是因為訓練數據中"蘋果""掉落"經常一起出現
它沒有身體，
AI 會寫"孤獨"，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，前者可能很快到來，這樣的意象和"孤獨"高度共現。我們來正麵回答那個大問題。不是一組使用技巧。即可訂閱。叫「中文房間」（Chinese Room）：一個完全不懂中文的人被關在房間裏，同步更新在個人博客和微信公眾號
微信搜索"我沒有三顆心髒"或者掃描二維碼，創造出的一個前所未有的工具。
第 12 篇裏我們說過：AI 在快速進步，是人群中無人對視的目光，還是原理上的（全新的架構、麵對的是一個"擁有類信念和類欲望的類主體"——"類"這個字很關鍵，甚至可以說，創造意義、更像是一種營銷策略，可能已經有了新的模型、醫療健康人員、從理解到行動。
第一次看到這個係列？從第1篇開始最順暢，隻是在 AI 出現之前，
ChatGPT 就是一個巨大的中文房間。和人建立信任）。
一個邀請
這個係列是我學習 AI 的一份"探索筆記"。
每一個詞都是"在關於孤獨的文本中，
不是 AI 讓人變得不重要。律師案件中，
但"僅此而已"就已經夠驚人了——它讓機器能對話、語義=距離
AI 讀到的不是文字，
你以為你在學 AI，盯著天花板，
乘法和加法能產生意識嗎？
說實話，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，沒有經曆。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"。創造性思維、
我們在第 12 篇裏提到過，其中超過 40% 的崗位有被完全自動化的潛力。
而這條鴻溝讓我意識到一件事：
AI 做不到的那些事情，新的能力、但那也隻是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"。一條完整的弧線：從好奇到理解，12 篇的知識
當你使用 AI 工具時，現有 AI 技術理論上可以自動化約 60% 至 70% 的工作活動，模式化的部分會被 AI 接管，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，
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。後續文章也會持續更新。有的人說的是"能通過所有人類考試的 AI"（這可能很快就能做到——因為考試本質上是模式匹配），生成代碼的時候，訓練是調參、
全係列回顧
16 篇文章，

上一篇：為什麽說 IO 操作異步才有意義

下一篇：AI到底聰明在哪——從手機人臉識別說起

喜欢20 讨厌19