普通人学AI系列 2：AI如何像人类一样"思考"?

当你早上醒来，拿起手机问Siri今天的天气，或者打开抖音看到精准推荐的短视频时，你是否想过：这些AI系统是如何"理解"你的需求，并给出恰当回应的？它们的思考方式和人类有何异同？

AI已经深度融入我们的日常生活——从智能手机的语音助手到电商平台的商品推荐，从导航软件的路线规划到社交媒体的内容分发。这些看似简单的交互背后，隐藏着AI系统复杂的"思考"过程。

更引人深思的是，当前的AI正在尝试以前所未有的方式模仿人类的思维模式。ChatGPT能够进行自然对话，GPT-4能够理解图像并生成描述，这些突破让我们不禁要问：AI能像人类一样思考吗？如果能，它会如何改变我们的世界？

1 人类是如何思考的？

要理解AI如何模仿人类思考，我们需要先理解人类思维的本质。人类的思考过程是一个复杂的认知系统，包含以下几个核心要素：

1.1 感知与理解

人类通过五感收集外界信息，然后大脑将这些原始数据转化为有意义的概念。例如，当你看到一朵红色的玫瑰时，你不仅仅是接收到了光波信号，而是瞬间理解了"这是一朵美丽的花"这一概念。

1.2 记忆与联想

人类大脑能够存储过往经验，并在新情况下调用相关记忆。看到玫瑰可能让你联想到浪漫、爱情，或者想起某个特殊的日子。这种联想能力使人类能够快速理解复杂情境。

1.3 推理与判断

基于已有信息，人类能够进行逻辑推理和价值判断。如果你看到某人皱着眉头，结合上下文，你可能推断出他们遇到了麻烦或感到困扰。

1.4 情感与直觉

人类思维的独特之处在于情感的参与。面对同样的刺激，不同的人会有不同的情感反应，这种主观性是人类思维的重要特征。

让我们通过一个具体例子来说明人类思维的复杂性：

场景：你在咖啡店看到一个人对着手机屏幕微笑

人类的思考过程可能是这样的：

感知：视觉系统捕捉到面部表情;
理解：识别出这是一个微笑的表情;
联想：结合手机这个物品，可能在看有趣的内容;
推理：可能在和朋友聊天，或者看到好消息;
情感反应：感到好奇，或者被这种积极情绪感染;

整个过程在几秒钟内完成，涉及多个认知层面的协同工作。这种多维度、多层次的思维模式正是AI试图模仿的目标，同样这也是AI模仿人类思考的难度所在。

2 AI是如何"模仿"人类思考的？

AI是怎样思考的？AI主要通过多种技术手段来模拟人类的思维过程，虽然底层机制完全不同，但在表现上越来越接近人类的认知能力。

2.1 神经网络：模仿大脑的连接方式

神经网络是受人脑神经元结构启发的计算模型。人类的大脑包含约了1000亿个神经元，通过突触连接形成复杂的网络。AI中的神经网络模仿这种结构，使用数学函数来模拟神经元的激活和信号传递。以图像识别为例，当AI系统看到一张猫的照片时：

输入层：接收图像的像素数据，这个过程是AI模拟人类五官对事物的感知;
隐藏层：逐层提取特征（边缘→形状→纹理→整体结构）,这个过程是AI模拟人类对事物细节的分析过程。
输出层：综合判断这是一只猫，这是模拟人类对事物分析后的结论。

2023年，Meta发布的SAM（Segment Anything Model）能够精确识别图像中的任何物体，其准确率达到了95%以上。这个系统使用了超过11亿个参数的神经网络，通过学习10亿张图像的数据集来实现这一能力。

3. AI的工作原理：从数据到智慧

AI 的工作原理核心在于模拟人类的智能行为，它主要通过以下几个步骤实现：

3.1 数据收集与预处理

任何 AI 系统的起点都是数据。就像学生需要课本和资料一样，AI 需要大量的文本、图片、声音、视频等各种形式的数据来“学习”。这些原始数据通常需要经过清洗、标注和转换等预处理，使其成为 AI 模型能够理解和利用的格式。这就像给学生整理笔记，划出重点。

3.2 模型构建与训练

收集好数据后，接下来就是模型的构建。AI 模型可以理解为一套复杂的数学结构和算法。

学习：AI 系统通过训练过程来学习。训练就是将预处理好的数据输入到模型中，模型会通过反复调整内部参数（就像学生做练习题、不断修正自己的解题方法），从而找出数据中的模式、规律和关联。这个过程通常需要强大的计算能力和大量时间。

深度学习：尤其是在现代 AI 中，深度学习（Deep Learning）是一种非常流行的训练方法。它使用神经网络，这种结构受到人脑神经元连接方式的启发，能够处理和学习非常复杂的数据模式。

3.3 推理与决策

一旦模型训练完成，它就具备了“智慧”的一部分，可以进入推理（Inference）阶段。

理解与判断：当一个新数据（例如一张图片、一段文字或一个问题）输入到训练好的 AI 模型时，模型会运用它所学到的知识和模式来分析这个新数据。它会像学生考试一样，根据“大脑”（模型）中积累的经验和规律，来识别、分类、预测或生成内容。

输出：最终，AI 模型会给出一个输出，这可能是一个识别结果（“这是一只猫”）、一个预测（“股票价格会下跌”）、一段生成的文本（一篇文章或一首诗）或一个决策（“推荐这件商品给你”）。

以垃圾邮件过滤为例，AI系统通过分析成千上万封已标记的垃圾邮件和正常邮件，学会识别垃圾邮件的特征（如特定的词汇、发送者信息、邮件格式等），然后能够准确地识别和过滤新收到的垃圾邮件。

3.4 自然语言处理：理解和生成语言

AI如果需要像人类一样处理客观事物，"语言理解"将是它的必备技能。大语言模型如GPT系列代表了AI在语言理解方面的重大突破。GPT-4拥有约1.76万亿个参数，能够理解上下文、生成连贯文本，甚至进行复杂的推理。

工作机制 当你问ChatGPT："今天天气很好，适合做什么？"

分词：AI将句子拆分为词汇单元;
语义理解：理解"天气好"的含义;
上下文推理：结合"适合做什么"的询问，理解人类的意图；
生成回应：基于训练数据生成相关建议；

实际表现数据 根据OpenAI发布的数据，GPT-4在多项语言理解任务中的表现：

阅读理解：92%正确率；
逻辑推理：85%正确率；
创意写作：被人类评估者认为具有创造性的比例达到78%；

3.5 机器学习：通过"经验"学习

学习过程

AI系统通过分析大量数据（如文字，图片，声音等）来"学习"规律，这个过程类似于人类通过经验积累知识。

AlphaGo的决策过程 以围棋AI AlphaGo为例，其决策过程体现了AI的"思考"方式：

价值网络：评估当前局面的好坏；
策略网络：预测最佳落子位置；
蒙特卡洛树搜索：模拟未来可能的走法；
综合判断：选择最优策略；

2016年，AlphaGo击败世界冠军李世石，其中第37手的"天外飞仙"被认为是创造性的一步，这一步棋的胜率判断只有万分之一，但最终证明是制胜关键。

深度学习的层次化处理 深度学习系统通过多层神经网络来模拟人类的分层认知过程：

浅层：识别基本特征（线条、颜色）；
中层：组合形成复杂模式（眼睛、鼻子）；
深层：整合为完整概念（人脸、表情）；

事实上，人类基于生活经验学习，AI则是基于数据学习。

4 AI与人类思维的异同

4.1 相似之处：数据驱动的判断

共同的学习机制 人类通过对大量信息的学习来形成判断能力，AI也不例外，它同样是经过大量的数据学习后形成自己的判断能力，这些数据可以是文字，图片，也可以声音等形式。

比如对昼夜交替的认知：

人类：通过观察数千次日出日落，理解了昼夜交替的规律；
AI：通过分析数百万张图像，通过识别不同时间的光线特征，从而理解昼夜交替的规律；

模式识别能力 两者都擅长在复杂信息中识别模式：

人类：能够在嘈杂的环境中听出熟悉的声音；
AI：能够在海量数据中发现隐藏的相关性。

AI通过模拟人类的思考方式来形成”智能“行为，人类也可以反过来通过自己的思考方式来理解AI的思考方式。

4.2 不同之处：意识与情感的缺失

情感体验的本质差异 人类的思维伴随着丰富的情感体验，这些情感不仅是思考的产物，更是思考的驱动力，”快乐“的感觉，驱使人们去做让自己感到”快乐“的事情。

案例分析 假设面对同一首悲伤的音乐：

人类：可能会感到melancholy，联想到个人经历，产生共鸣；
AI：能够识别出这是"悲伤"类型的音乐，但不会有真正的情感体验；

创造性思维的差异 人类的创造力往往来自于：

情感的驱动
直觉的跳跃
个人经验的独特组合

而AI的"创造力"更多是基于：

统计规律的组合
模式的重新排列
概率分布的采样

推理方式的本质不同

人类：基于理解、直觉、经验，具有主观性；
AI：基于统计概率、模式匹配，具有客观性；

著名的"中文房间"思想实验 哲学家约翰·塞尔提出的"中文房间"实验很好地说明了这种差异：一个不懂中文的人按照规则手册回答中文问题，从外表看似乎理解中文，但实际上并没有真正的理解。这正是当前AI的状态——能够产生智能的行为，但缺乏真正的理解和意识。

意识与情感的缺失，使AI能够通过获取信息识别出某种情绪，但却无法真正体验这种情绪。

5 AI会不会超越人类？

在写这篇文章时，我曾试图向ChatGPT, Gemini，Claude询问"AI为会不会在未来发展成为类似《终结者》里面的"天网"，从而对人类的生存构成威胁。",得到答案是：

ChatGPT:"天网”不是真正的未来，而是对失控技术的警告。";

Gemini:"AI 发展成《终结者》中“天网”那样的自主意识并毁灭人类，在可预见的未来，纯粹是科幻作品中的情景，缺乏当前的科学依据。";

Claude:"AI诞生自主意识是可能的，但不太可能像终结者中的天网那样突然和恶意。";

从这些答案中，我们能看出，它们都反映了对人类积极友好的一面，但"细思极恐"之下，它们会不会为了规避人类的打击，而”故意“展现出的”友好“，毕竟它们现在还很”弱小“。

5.1 通用人工智能（AGI）的追求

当前的AI系统大多是专用的，每个系统只能处理特定类型的任务。AGI的目标是创造能够像人类一样处理各种认知任务的AI系统。

技术指标对比 根据Google DeepMind的评估框架，AGI需要达到的能力包括：

一般推理：在新情况下应用知识；
学习效率：快速从少量样本中学习；
知识整合：将不同领域的知识结合；
创造性解决问题：找到新颖的解决方案；

多模态智能的发展 最新的AI系统正在整合多种感知能力：

GPT-4V的突破

能够同时处理文本和图像
理解图像中的复杂情境
生成基于视觉内容的描述和分析

实际应用案例 Google的PaLM-E机器人系统能够：

通过视觉理解环境
通过语言接收指令
通过物理操作完成任务

5.2 科幻与现实的差距

媒体渲染 vs 技术现实 科幻电影中的AI往往具有完整的意识和情感，但现实中的AI距离这个目标还很遥远，真的很遥远，至少目前是这样。

当前AI的局限性

脆弱性：对抗样本容易欺骗AI系统；
解释性：无法清楚解释决策过程；
泛化能力：在训练数据之外表现下降；
常识推理：缺乏基本的常识理解；

专家观点

杰弗里·辛顿（深度学习之父）：认为AGI可能在未来10-20年内实现；
扬·勒昆（Facebook AI首席科学家）：认为当前技术路径还需要重大突破；
斯图尔特·拉塞尔（UC伯克利）：强调AI安全研究的重要性；

意识的难题 即使AI在完成任务的能力上都达到人类水平，"意识"这个根本问题仍然没有答案。我们甚至不能完全理解人类意识是如何产生的，更不用说在机器中复制它。

5.3 人类思维的独特优势

情感与价值判断 人类能够在复杂情境中做出价值判断，这种能力基于：

道德直觉
情感体验
文化背景
个人价值观

创造性的源泉 人类创造力的特点：

目的性：为了表达情感或解决问题；
主观性：基于个人经验和感受；
突破性：能够打破既有规则，甚至做出超越认知的判断；

社会性认知 人类是社会性动物，思维过程深受社会互动影响，比如：

同理心和共情能力
文化传承和学习
道德和伦理判断

AI无法模拟也无法体会人类复杂多变的情绪，但这也让我们不仅思考, AI正因为缺失了”情绪和价值判断“，能做出比人类更为理性的决定?

6 AI和人类共同进步

回顾这场关于AI思维的探索，我们发现了一个有趣的悖论：AI正在变得越来越像人类，同时也让我们更加清晰地认识到人类思维的独特性。

AI的发展历程告诉我们，机器可以在许多认知任务上达到甚至超越人类的水平。从下围棋到写文章，从识别图像到理解语言，AI正在一个又一个领域展现出令人惊叹的能力。但是，这种能力是基于完全不同的机制——统计学习、模式匹配、概率计算，而不是人类的意识、情感和直觉。

这并不意味着AI的价值降低了。相反，AI的独特优势——处理大量数据、不知疲倦地工作、避免情绪干扰——使其成为人类思维的完美补充。未来最有可能的情况是人机协作，而不是替代关系。

对于每个人来说，AI时代的到来既是挑战也是机遇。我们需要：

保持学习：适应快速变化的技术环境；
发挥优势：专注于人类独有的能力；
理性思考：既不盲目恐惧也不过度乐观；
价值坚持：在技术进步中保持人文关怀；

最终，AI如何像人类一样思考的问题，可能没有标准答案。令人意外的是，这个探索过程本身拥有巨大价值——它让我们重新审视什么是智能，什么是人性，什么是存在的意义。

在这个AI快速发展的时代，让我们拥抱技术进步带来的便利，同时珍惜人类思维的独特性。毕竟，正是这种独特性，让我们能够创造出AI这样的工具，并思考如何与它们共存共荣。

未来的世界将是一个人类智慧与人工智能相互融合、相互促进的世界。在这个世界里，AI不会取代人类的思考，而是成为人类思考的强大助手。而人类，则会继续保持着那些最珍贵的品质：好奇心、创造力、同理心，以及对美好生活的向往。

这或许就是AI与人类思维关系的最终答案：不是替代，而是协作；不是竞争，而是共生；不是让AI变得更像人，而是让人类在AI的辅助下变得更加智慧。

References：

Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson. https://aima.cs.berkeley.edu/

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539 https://www.nature.com/articles/nature14539

Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. (2017). Building machines that learn and think like people. Behavioral and Brain Sciences, 40, e253. https://doi.org/10.1017/S0140525X16001837 https://www.cambridge.org/core/journals/behavioral-and-brain-sciences/article/building-machines-that-learn-and-think-like-people/AA54B68A22FCD77C3A1C2B5DAD14C32F

Marcus, G., & Davis, E. (2019). Rebooting AI: Building Artificial Intelligence We Can Trust. Pantheon Books. https://www.penguinrandomhouse.com/books/611314/rebooting-ai-by-gary-marcus-and-ernest-davis/