本文来源：深度研究员
你以为自己一直在追AI，
用工具、看教程、尝试各种新功能。
你是不是也想过：
“只要跟上它的节奏，就不会被落下。”
可你有没有真正问过自己——
“我到底理解它在做什么吗？”
你在生成回答，却没再追问：“为什么是这个答案？”
你在执行指令，却忽略了另一个问题：“我是在用它，还是被它用？”
昨天，在多伦多大学的一场本科新生讲座上，
AI 教父、诺奖得主 Geoffrey Hinton，对一群大学生说出：
“你以为是 AI 在进化迭代，
其实是人类还没学会思考。”
这不是一句哲学空谈，
而是一场现实警告：
如果你不重新理解“思考”，
你就无法真正理解 AI，更别说用好它。
✅ 第一节｜AI越来越强？别被假“理解”骗了
1、你以为 AI 已经会思考了，对吧？Claude的类人对话、GPT的多轮记忆、DeepSeek 的系统集成……
这一切让人误以为：AI 已经很接近人类智能了。
但在多伦多大学的讲座上，Hinton 提出一个更根本的问题：
“你真的理解过，'思考’到底是什么吗？”
所有人都在追 AI，，
可我们是不是反而忘了，先重新理解我们自己的'理解’？
Hinton并不否认 AI 的加速。他说：
“AI正在接近我几十年前的愿景。”
紧接着他补充：
“问题是，我们自己到现在都还不清楚——什么才是思维。’”
这不是他在自谦，而是他研究五十年后的判断：
人类对“智能”的想象，长期被逻辑主义所误导。
2、思考，不是推理，而是“发现别人可能搞错了”他讲了一个真实的小实验：
在他年轻时做心理学研究时，
他观察3到5岁的孩子分辨不同形状和颜色。
有一组样本中，出现了红色圆形、黄色圆形、黄色正方形。
一个聪明的五岁孩子没有选择哪个“不同”，而是指出：
“你把那个圆形涂错颜色了。”
这句话震住了他。
他不是答题，而是在理解规则后，反过来质疑规则本身。
这，是“思考”真正开始的地方。
Hinton总结说：
“我们现在的 AI，可以学会回答问题。
但它还不能发现问题，更不能指出人类可能搞错了。”
它能预测语言，却不懂语言的歧义；
它能模仿思维，却无法质疑前提。
它看起来像在思考，其实只是套用了格式。
3 、人不是逻辑动物，而是“类比动物”Hinton说：
“我们不是逻辑动物，而是类比动物。”
你不是通过一套规则思考，
而是通过一连串模糊的经验、感受、相似性进行判断。
这正是人类思维的复杂之处——
不是算法逻辑，而是一种模糊而动态的类比直觉。
我们可能在AI身上看见“人”，但它不懂“人”
他提醒学生：
“你们从中学一路走来，被教会了如何写出'正确答案’。
但在真正复杂的世界里，发现问题，比回答问题更重要。”
这句话，不只是说给台下的新生。
是说给所有还在'答题’的人类社会。”
图片
✍️ 第二节｜Hinton 50年只追一个问题
1、不是学霸人生，而是一连串“乱选”后的执念很多人以为，像 Hinton 这样的科学家，一定是少年天才、一路开挂。
其实恰好相反。
他说，自己刚进剑桥，第一次离开家，才发现：自己并不比别人聪明。
“一个月后我就退学了。”
他做过零工，申请过建筑专业。
第二天又变卦，回去读了科学。
后来像走马灯一样换专业：生理学、哲学、心理学……
听起来像是在逃避，其实他一直在找答案。
本科时他学物理还不错，但数学太复杂。
他干脆说：“我永远成不了物理学家。”
他喜欢生理学，但夏季课程讲神经系统的时候让他失望：
“他们只讲了冲动是怎么传导的，但没讲它是怎么'工作的’。”
他去哲学、心理学里找答案，一个太空，一个太浅，都没碰到'思维的核心’。
直到多年后他才明白：
“如果你真的想理解思维，
你必须理解大脑是如何工作的。
光靠哲学、心理学、逻辑，是不够的。”
2、“混乱”的路线，反而是他成为诺奖得主的根基Hinton 对在场学生说：
“我走了一条混乱的路，但回头看，每个学科都在为后来打底。”
哲学让他质疑“理性”的本质，心理学让他接触实验方法，生理学则建立了他对神经结构的直觉。后来进入人工智能领域，他才开始真正“搭建思维的机器”。
这也印证了他今天最想告诉年轻人的一句话：
“比起'你学什么’，更重要的是'你想弄明白什么’。”
3、他不是追着趋势跑，而是盯着一个问题，跑了50年他说：““我之所以做人工智能，是因为我相信——我们能在电脑里，模拟出'小型思维’。”
不是因为“AI 是风口”，
更不是因为“这个专业有前景”，
这些话，在今天这个所有人都在选“热门专业”、追“未来方向”的时代里， 反而显得格格不入。
但你如果回头看——
今天的热门方向，几乎全都是那些当年被嘲讽“冷门”的人，长期沉进去、默默打磨几十年打下的基础。
讲座临近尾声，他讲了一句很轻的话：
“我当过木匠，做过实验失败，也曾放弃学术。
但我一直没放弃“人类是怎么思考的”这个问题。”
他提醒学生：路径可以混乱，但动机要清晰。
你可以换专业，可以失败，可以走弯路，但你要问自己：
“有没有一个问题，是你愿意花五十年去追的？”
图片
✍️ 第三节｜AI 很会预测，但不懂“理解”
1、“理解”不是预测下一句话，而是知道你在说什么现在的 AI 模型表现得越来越“聪明”。
它能写新闻、画图、生成策略文案，
甚至能在医学考试、法律分析、逻辑测试中超越人类平均分数。
但在 Hinton 看来，这并不意味着它“理解了”世界。
“AI 所做的，不过是预测下一个词——
它不理解你在说什么，只是在拟合你会说什么。”
他说，它会接话，也能模仿人类的语气、节奏、态度，
让你觉得它好像真的在“懂你”。
但当你问它：“你为什么这么回答？”
它却根本答不上来。
你以为它是逻辑清晰的“答题者”，结果它连自己为什么答这题都不知道。
2、预测 ≠ 理解，模仿 ≠ 思维Hinton强调，预测是一种表层行为，
但“理解”必须包含一个更复杂的结构：
它必须能整合上下文、指向现实、具备解释力。
他说：“它会写诗，却不懂孤独；能编对白，却从未爱过谁。”
这不是浪漫主义的批评，而是技术路线上的提醒：
“我们造出了看懂世界表面的系统，却还没造出能解释世界的系统。”
人类的理解力，是从“解释差异”开始的。
什么意思？
真正的理解，是从能解释'例外’开始的。
他举了一个简单例子：
为什么我们能理解“他伤心地笑了”这种矛盾短语？
为什么我们能通过语气、上下文、过去的经验，来判断这是一种“讽刺”或“防御性”笑？
因为我们的大脑是不断在构建一个“世界模型”：
包含模糊的经验片段包含情绪的重量、语境的厚度包含你对自己过去判断的修正能力Hinton说，这种东西，是当前的 AI 暂时没有的。
“AI 没见过世界，也从未经历误解、失败、修正——
它只是在生成'像理解的回答’。”
3、理解的本质，是“元认知”而不是“精度”Hinton特别强调：
我们要追求的 AI，
不是更精准的模仿者，
而是能反思、能质疑前提、能与人类一起重新定义问题的系统。
这类智能目前还很原始，也不是主流方向。
因为它慢、难、看起来“不炫技”。
但 Hinton反复提醒：
“我们要构建的，是能共存的智能，不是能夺权的智能。”
现在大多数人谈 AGI：
“AI 是否能像人一样完成工作？”
但 Hinton的提问方式是：
“你是否真的理解'人是怎么完成工作的’？”
这不是一个哲学问题，而是一个工程入口问题。
如果你连“人类理解”是如何形成的都不知道，
那你训练出的模型，很可能只是一个幻象——
它会说话，却不知道自己在说什么；
它看起来理性，其实连规则从哪儿来的都没搞明白。
“不是 AI 不聪明，而是我们太急着定义'聪明’了。”
图片
✍️ 第四节｜不是专业贬值，是你太快放弃了“困惑权”
1、焦虑背后，是“人类价值”的错位你焦虑的，不只是“大学专业选得对不对”，
而是越来越不确定：“人类的价值，还剩下什么？”
当 AI 能改稿、配图、自动列提纲，
连学校开设的新专业，也清一色投向了数据、算法和自动化。
你开始怀疑：
“我会的东西，真的还有价值吗？”
教育部增设的新专业，几乎全部跟人工智能相关。
官方的信号已经很明确了：
未来的人才，最好既能读懂机器，也能被机器读懂。
与此同时，
在多伦多大学的讲座上，Hinton 表达出了一句更具穿透力的话：
“如果你没有一个真正感兴趣的问题，选什么专业都没意义。”
这不是在唱高调，
而是在提醒我们：
真正被 AI 拿走的，不是“技能”，而是“主动思考的机会”。
他不是一开始就知道自己要做 AI，也不是一路顺风
——只是没那么快放弃那个让他困惑几十年的问题。
2、文科的“无用”，恰恰是它的价值所在今天很多人指责“文科没用”，是因为它不直接“产出”：
它不造芯片、不跑模型、不写算法。
但它能提问、能命名、能反问本身——这些，AI 还远远做不到。
你以为理解文学、哲学、历史是没用的，
但 GPT 的幻觉（hallucination），本质上是它无法理解语境、权力、讽刺这些结构。
你以为 AI 写稿子比你快，
但它还分不清：
哪句话会伤人，哪张图是压迫，哪个词会引发共鸣。
这些，就是文科教育本该训练的东西， 也是“深度人类性”的一部分。
讲座中，Hinton 反复提醒学生：
“你越年轻，就越有时间允许自己失败。”
但今天的年轻人，
越来越没有犯错的空间， 没有“纯粹探索”的勇气。
不是因为他们懒，而是社会在反复训练你：
“这有用吗？”
“这能挣钱吗？”
“这能防止我失业吗？”
而 Hinton 的整个人生主张恰恰相反：
“你要先想清楚，什么问题让你着迷，其他的才有意义。”
你不是没用，而是太早被迫成为执行者。
你不是工具人，
你只是太早放弃了'当思考者’的机会。
3、不是为文科辩护，而是为“人类余地”留出一块地你可以不学哲学，
但你得能提出哲学式的问题。
你可以不写小说，
但你得能感知人类故事的复杂结构。
未来的 AI 会越来越强， 但越强，它越像一面镜子：
照见人类自己，丢掉了什么。
✍️ 第五节｜人类的优势，是会问“为什么”
1、你焦虑的是 AI，其实更该怕的是“认知自动驾驶”在讲座问答环节中，有学生问 Hinton：
“你怎么看 AI 对未来职业的影响？”
面对学生关于'未来职业’的问题，Hinton没有直接回答，
他讲了一个自己年轻时的经历：
20世纪70年代，他曾短暂离开学术，成为一名木匠。他说：
“那时候我真的以为，学术这条路走不通了。”
但后来他遇到一位真正的木匠，对方手艺比他好得多。
他突然意识到：
“也许我该回去搞研究。相比之下，做学术还容易点。”
这不是转行的插曲，而是他想提醒我们：
“人类最大的问题，从来不是技术，而是我们太容易放弃思考。”
Hinton提到，大多数人把 AI 看成是外部威胁——
怕它太聪明、太快、太卷。
但他反问学生：
“你有没有意识到，你每天的很多决定，
都是在没有真正思考的情况下做出来的？”
我们做选择，不是出于兴趣，而是出于'证明有用’：
选标题只看吸引眼球，选专业只看好不好就业，学技能也只看能不能变现。
不是 AI 在接管世界，而是我们早就把主导权交了出去。
2、诺奖，不是因为聪明，而是他没换问题Hinton并不是一开始就决定做人工智能，
也不是一路开挂的“少年天才”。
他说，自己数学一般，人生转了不少弯。
“我想弄明白，大脑是怎么工作的。”
不是他规划得比别人好，
而是他没换掉那个让他困惑几十年的问题。
这跟今天很多人的路径焦虑正好相反。
我们太习惯“规划路径”，
却很少认真问自己：
“我想弄清楚什么？”
就算没有目标，也别急着丢掉那个让你困惑的问题。
3、AI越像人类，人类却越不像自己AI 不停在进化，；
而我们人类却越来越习惯不提问。
Hinton没有贬低AI，但他表示：
“我们要做的不是把 AI 变得更像人，
而是该回头问自己：我们还像人吗？”
在讲座中，他回想起一件童年小事。
他说自己五岁时，
看到一枚硬币在车座上“逆坡滚动”，他非常困惑，以为看到了魔法。
多年后他才知道，那不是魔法，而是物理——
是座位上的纤维配合震动，制造了一个“单向推进”的摩擦。
然后他说了一句话：
“重要的，不是能不能解决问题，而是有没有那个让你停下来的困惑。”
未来，不是 AI 把我们变傻了，
而是我们太早，就学会跳过了“为什么”。
图片
✍️ 第六节｜别再说 AI 在进化，是你没开始思考
AI 会生成画面，写下对白，编出浪漫。
但它越像人，越让我们意识到：
我们，好像越来越不像人。
但 Hinton 说：
“你以为是 AI 在进化，
其实是人类还没学会思考。”
我们太习惯让模型给出答案，
却很少问一句：这真的是理解吗？
他不是在唱衰技术，
而是在提醒：
不是你会不会用 AI，
而是你用它，是在省事，还是在思考？
未来，不是靠执行命令的人留下，
而是那些能用 AI 反思世界、修正思维的人留下。
这不是一个关于 AI 的时代，
这是逼你重新成为'思考的人’的时代。
~~~
下次你用 AI，别只生成答案，
问一句：“我为什么要这么问？”
留下的，不是最快的人，
而是那些还在追问的人。
本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请点击举报。