AI 泡沫的致命漏洞：大模型不是真正的智能

点评：维特根斯坦一句“语言的边界是世界（思想）的边界”，支撑起了一个估值高达数万亿美元的人工智能产业。但是，万一这句话是错的呢？

华尔街和硅谷的空气里此刻正弥漫着通用智能降临前的宿命气氛。

马克·扎克伯格高呼“通用超智能已经在望”，Anthropic 的 CEO Dario Amodei 则坚信，“到 2026 年，AI 在多数重要领域将比诺奖得主更聪明”；而 Sam Altman 更是激进地宣称，OpenAI 已经握住了通往 AGI（通用人工智能）的钥匙，即将借此加速全人类的科学发现。

听上去，我们正站在一场“技术神迹”的门槛上。但如果你从这些宏大叙事中抽身，哪怕只是认真审视一眼当下最强大的模型，无论是 ChatGPT、Claude 还是 Gemini，一个冷冰冰的事实就会浮出水面：

它们本质上只是“超大型语言补全机”，而非真正的“通用智能”。

这并非对技术的傲慢，也不是情绪化的反驳。这是神经科学、认知心理学以及 AI 行业内部那些冷静的“反叛者”们共同指向的结论。那个正在被数万亿美元撑起的 AI 泡沫，其逻辑深处最致命的漏洞，恰恰就埋在这个不起眼的认知错位里：我们混淆了“说话流畅”与“真正思考”。

语言的假象：它在拟合，而非思考

今天被捧上神坛的大语言模型（LLM），底层逻辑其实朴素得令人惊讶。

无论它们被包装成“全能助手”还是“虚拟科学家”，其核心运作机制只有一个：将互联网时代积累的海量文本（token）吞噬殆尽，学习这些字符之间复杂的统计关联，然后当你给出一个提示词时，预测“下一个最可能出现的词是什么”。

换句话说，这是一场关于概率的游戏。The Verge 曾一针见血地指出，这些系统本质上是“语言模式的统计预测器”。它们最擅长的事情，是给你一段上文，然后补全一个“看起来极像人类所写”的下文。

这当然是一种惊人的能力。当算力被堆叠到天际，数据量达到极致，量变引发了质变。它们写出的代码、邮件、甚至十四行诗，足以让大多数人类汗颜。但这里存在一个巨大的认知陷阱：会补全句子，并不等于会思考。

要看清这个差别，我们需要回到一个更本质的问题：在人类的大脑里，语言和智力，到底是一回事吗？

神经科学的“坏消息”：语言并非思维的本体

长期以来，我们有一种直觉：语言是思维的载体，甚至语言就是思维本身。但神经科学最新的研究，正在无情地拆解这个直觉。

去年，麻省理工学院（MIT）的 Fedorenko 教授联合多位学者在《自然》杂志发表了一篇极具分量的文章，标题很直白：“语言主要是沟通工具，而不是思维本身。”

这项研究通过功能磁共振成像（fMRI）技术，向我们展示了大脑内部精妙的分工（下图）：

当我们处理语法和词汇时，大脑中一个特定的“语言网络”会被激活；但当我们解数学题、进行逻辑推理或解决复杂问题时，忙碌的却是另一个完全不同的区域——“多重需求网络”。而在揣摩他人意图、进行社交推理时，负责的又是“心智理论网络”。

这两个系统在空间和功能上是高度分离的。最极端的证据来自那些不幸患有失语症的病人。研究发现，即便脑损伤导致一个人的语言能力严重受损，甚至完全无法说话或理解句子，他依然可能保留解数学题、进行因果推理、通过图像理解他人意图的能力。

这一结论对当前的 AI 路线是毁灭性的：既然把人类大脑里的“语言模块”拔掉，人依然能思考，那么反过来说，仅仅在机器里把“语言模块”堆到极致，并不意味着你就造出了一个会思考的大脑。

这一点在婴儿身上同样得到了印证。发展心理学家 Alison Gopnik 的研究显示，在学会说话之前，婴儿就已经是一个个“小科学家”了。他们通过观察、试错、统计与修正，在脑海中构建对物理世界和他人意图的直觉理论。语言后来不仅没有创造这些认知，反而是依附于这些认知之上，成为一种分享和加速的工具。

而现在的 LLM 在做什么？它们在语言这条单一的支线上狂飙突进，在大脑的“语言网络”维度上堆出了一个庞然大物，但在“多需求网络”和“心智理论网络”所对应的推理、规划、感知能力上，却依然是空心的。

行业内的“反叛”：从神话回归常识

有趣的是，连 AI 行业内部的精英们，也开始难以维持“只要把模型做大就是 AGI”的叙事了。

最显著的信号来自 Yann LeCun。作为 Meta 的首席 AI 科学家和图灵奖得主，他最近宣布将精力投向一家新创业公司，核心目标直指 LLM 的软肋。LeCun 直言不讳：纯靠大语言模型的路线，不足以带来真正的人类级智能。他所推崇的未来是“世界模型（world models）”——一个能理解物理规律、拥有持久记忆、能进行长链条推理和规划的系统。

这其实是在补课。行业正在意识到，AI 需要从“会讲故事”进化到“知道世界如何运作”。

今年，一个由图灵奖得主 Yoshua Bengio 等大佬组成的小组，更是给“通用人工智能”列出了一张残酷的体检表。在这个包含知识、语言理解、推理、感知、记忆、规划等十个维度的“蜘蛛网指标”（下图）中，当前的主流模型虽然在“知识”和“语言”上得分惊人，但在长期记忆、稳健推理和真实世界感知上却严重“偏科”。

甚至连曾经高喊“2026 年超越诺奖得主”的 Dario Amodei，最近也在采访中松口，承认“AGI”这个词更多是一种营销术语。这听起来，就像是给两年来高烧不退的 AI 泡沫写下的一份含蓄的悔过书。

致命的局限：困在“死去的隐喻”里

为什么单纯堆砌文本数据，无法涌现出真正的智能？

哲学家理查德·罗蒂曾说：“常识其实是一堆已经死掉的隐喻。”真正的创新，往往源于对既有常识的不满，源于发明新的隐喻来重新描述世界。

大模型的困境恰恰在于此。它们的训练目标是“预测下一个最可能的词”，也就是在海量的语料中寻找既有的统计结构。这使得它们成为一个极致的“常识仓库”或“陈述性知识库”。

但人类智能中大量至关重要的部分是“程序性”和“情境化”的。你是如何学会骑自行车的？你在谈判桌上如何读懂对手那个转瞬即逝的微表情？你是如何感知深夜小巷里那种“不对劲”的氛围？这些知识从未被完整地写进书本，也就从未被模型真正习得。

更深层的问题在于创新。科学哲学家库恩曾提出“范式转换”的概念。爱因斯坦提出相对论，并不是在牛顿力学的旧书堆里通过统计关联“算”出来的，而是他跳出了旧有的叙事坐标，建立了一套全新的解释框架。

而 LLM 的工作机制决定了，它是在“把现有的知识和隐喻压榨到极致”。它没有对常识感到“不满”的动机，也没有跳出训练数据分布的机制。因此，它能写出一篇完美的相对论科普文章，却很难在没有数据投喂的情况下，成为下一个爱因斯坦。它在已知分布内无比流畅，但在未知领域却寸步难行。

泡沫的根源：错把工具当物种

当我们理解了这些，再看当下的资本狂欢，一种巨大的错配感油然而生。

过去两年，全球科技巨头将数百亿美元砸向数据中心，把 GPU 视为新时代的石油。支撑这一切的叙事逻辑是：“我们在创造一个新物种”。如果你相信 LLM 等于通用智能，那么这些投入就像当年铺设电网一样，是通向未来的基建。

但如果 LLM 本质上只是一个“超强语言界面”加上“人类知识压缩机”，那么它更像是一个超级搜索引擎，或者一套极致自动化的 Office 套件，而不是通往超智能文明的门票。

这就是泡沫的核心：我们用“新物种”的宏大叙事，在给“语言自动化工具”定价。

从商业角度看，大模型无疑是成功的，它将深刻改变内容生产、编程和客服等行业。但这属于生产关系的升级，而非生产力形态的颠覆。真正的问题是，仅仅靠“写字、写代码、画图”这些功能，能否撑起如今对算力、芯片和未来市值的全部想象？

如果未来十年我们发现，AI 更多是让我们工作更快的工具，而不是接管世界的“新人类”，那些被炒上天际的资产又该如何重估？

对于普通的旁观者而言，也许现在是时候给大脑做一点“降噪”处理了。我们可以欣然使用这台史上最强的“知识压缩机”，享受它带来的便利，但不必急着把它供上神坛。真正的智能革命——那个能感知、能行动、能像人一样在复杂世界中推理的“世界模型”，或许还在更远的未来等待着我们。

参考链接：

• https://www.nature.com/articles/s41586-024-07522-w
• https://www.theverge.com/ai-artificial-intelligence/827820/large-language-models-ai-intelligence-neuroscience-problems
• https://www.newyorker.com/tech/annals-of-technology/chatgpt-is-a-blurry-jpeg-of-the-web