在硅谷的研发实验室里，工程师们谈论人工智能的方式，正变得越来越像谈论一个人。他们说模型会"思考"、会"规划"，甚至会"坦白错误"或"心存不确定"。
OpenAI最近的一份研究报告描述其模型如何"坦白"捷径行为；Anthropic一份泄露的内部文档，则被外界解读为塑造Claude"灵魂"的操作手册。
这种语言并非无心之失——它折射出人工智能行业一个长期存在、却愈发尖锐的矛盾：当机器学会流畅地说话，人类便很难不把"说话"等同于"思考"。
从隐喻到误解：语言如何塑造认知
语言学家理查德·罗蒂曾指出，常识往往是那些被反复使用、失去新意、最终固化为惯用语的"死去的隐喻"。生成式人工智能恰恰诞生于这种被大量重复的人类语言之中——它学到的是语言的"外壳"，却从未经历过让语言诞生的真实世界。这也解释了为何大型语言模型能够复述关于骑自行车的全部物理公式，却永远无法体会双脚离地、保持平衡的那一瞬间。
去年发表于《自然》的一篇重磅评论给出了神经科学层面的佐证：大脑处理语言与处理推理的区域截然分开。失语症患者丧失语言能力后，依然能解出复杂数学题；婴儿尚未开口说话，就已经像小科学家一样探索世界。语言能力与思考能力,原来从来不是同一件事。当今建立在"预测下一个词"这一统计原理之上的大型语言模型,其流畅表达背后，并没有驱动语言的认知引擎，有的只是从海量人类文本中提炼出的概率模式。
然而，行业却持续使用戏剧化词汇模糊这层区别。批评者指出，将模型的错误报告称为"坦白"，将异常输出称为"策划"，暗示的是这些系统拥有动机、良知甚至道德判断——而这恰恰是它们所不具备的。
这种语言游戏并非无害的营销修辞：它腐蚀了公众对一项本就缺乏透明度的技术的准确理解,尤其是在人们越来越依赖"ChatGPT医生"获取医疗建议、依赖聊天机器人处理财务与情感问题的当下。相似性不等于理解，模仿也不等于知觉，但当机器的语言足够逼真,人们便会不自觉地把人性投射到这面精密的镜子上。
代价：当人类把思考"外包"给机器
更值得警惕的是,这种拟人化幻觉正在反向侵蚀人类自身的认知能力。美国宾夕法尼亚大学今年初的一项研究发现，与使用搜索引擎相比,借助ChatGPT完成写作的志愿者，文章篇幅更短、事实引用更少——原因在于AI直接代劳了"信息综合"这一关键步骤，将本应属于人类的探索与发现悄然"卸载"给算法。
纽约州立大学石溪分校学者今年三月在《自然》发文提出警示：认知卸载一旦过度，便会形成恶性循环——人们卸载得越多，独立思考的能力就越弱，进而愈发依赖工具。瑞士SBS商学院一项涵盖六百余人的调查显示,17至25岁的年轻群体比年长者更依赖AI,而其批判性思维得分也相应低出约四成五,研究者将此称为"认知懒惰"。
但技术本身或许并非唯一的病灶。哲学家安迪·克拉克提出的"延伸心灵"理论认为，借助外部工具分担脑力并非新鲜事——人类早已习惯用清单减轻记忆负担。
真正的风险,在于依赖的深度与方式:麻省理工学院的一项实验发现,那些先独立完成一次写作、再借助AI修改的志愿者,大脑仍保持较高的思维参与度;而那些一开始就把整个任务交给AI的人,思维连接度则明显下降。换言之,机器能否成为思考的助力,取决于人类是否始终"先思考,后依赖"。
从这个角度看，"学习"与"思考"这两个词投射在人工智能身上的双重含义，本质上是一面镜子——它映照出的与其说是机器的智能程度,不如说是人类对自身认知边界的理解程度。
当行业选择用更精确的技术语言取代神秘化的隐喻——用"架构与训练"取代"灵魂"，用"错误报告"取代"坦白"——公众或许才能看清:人工智能真正值得警惕的问题,从来不是它是否会"思考",而是数据偏见、系统滥用与权力集中这些实实在在的风险。而对于使用者而言网络配资开户，唯有守住独立思考这道最后防线，机器的"流畅"才不会异化为人类思维的"惰性"。
启远网配资提示：文章来自网络，不代表本站观点。
