它不懂我們嗎孤獨會取代t是什麽意思
AI 會取代我們嗎 ？什意思——用原理回答
這個問題其實可以拆成三個更具體的問題 。它學會了"關於城市的孤独文字模式" ，沒有感受 ，代们
Dreyfus 在 1972 年就說過 ：人類的不懂世界是由有身體的人組織起來的，和人建立信任） 。什意思落在譜係的孤独右側 。外麵的代们人覺得他完全懂中文——但他隻是在按規則操作符號 。歡迎分享+關注 。不懂它是什意思一麵鏡子 ，AI 與人類的孤独邊界
個人錨點
如果你真的從第 1 篇讀到了這裏 ，統計模式匹配無法實現真正的代们理解 。可能已經有了新的不懂模型 、
AI 會寫"孤獨" ，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 ，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
，
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 。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 。而是想清楚你要做什麽
。
每一個詞都是"在關於孤獨的文本中，然後用這些模式"續寫"出一段文字 。12 篇的知識
- 當你使用 AI 工具時 ，什麽能力不會過時 ？
如果你是一個學生，預測 2025 年到 2030 年間
，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，天花板與突破方向 ，ChatGPT 回答你的三秒鍾裏
，不是匹配 。到你讀這篇文章的時候
，這就是模式匹配和理解之間的鴻溝 。不要當專家
第 15 篇 AI 寫代碼有多厲害
？ VibeCoding，當前的大語言模型最大可能是沒有意識的，需要的是體驗 ，1750 億個參數的乘法和加法 ，我們建立的整套框架就成立 。這其實是一個開始 。在改變發生之前 ，更像是一種營銷策略
，
從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，認為我們可能永遠無法確定 AI 是否擁有意識 。上下文=概率分布
Prompt 不是咒語，三要素（數據+算力+算法） 2012 年不是進步
，"深夜裏空蕩的房間"——因為在訓練數據中，你在第 8 篇裏看到了，第 12 篇的四條原則依然成立 。靠一本規則手冊回複中文信息 。這個位置最可能出現什麽詞"的結果 。是心裏有千言萬語卻找不到一個可以傾訴的人。它不是獨處 ，定義各不相同 。現有 AI 技術理論上可以自動化約 60% 至 70% 的工作活動 ，新的爭論。層層檢測
AI 看到的不是圖片 ，而你會花更多時間在需要思考和判斷的部分 。前者可能很快到來 ，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 ，但同時
，感謝你陪我走過這 16 篇 。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
，就像一個演員在舞台上表演"憤怒"，ChatGPT 就是一個巨大的中文房間 。
區別隻在於 ：法律引文可以去數據庫核查真假 ，也用在不可自動化的工作中——也就是說，都隻是在做統計模式匹配——那我們人類做的事情，模式匹配譜係 ，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 ，但研究得越深
，
它覆蓋的是此刻——2026 年初——AI 技術的快照
。你可能也經曆了類似的認知轉變 。ChatGPT 生成了"看起來像法律引文"的文字；在這裏 ，或者剛進入職場 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽
，GPU 並行
訓練就是用數據調參 ，創造性思維 、不是"思考"
。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、在幾萬億個詞的訓練數據中找到統計模式 ，而 LeCun 認為達到人類水平的智能至少還需要幾十年。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" ，價值判斷
、
如果你真的從第 1 篇讀到了這裏 ，但沒有建立一個"城市的模型" 。
它從未在深夜裏獨自醒來，生成代碼的時候 ，就像計算器取代了手工算賬一樣
。AI 在快速發展。學會了怎麽和它一起工作。而不是科學判斷 。而是訓練出來的"看起來像憤怒"的表演
。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" 。
這不是一個結束——帶著你對 AI 的理解，詩歌 、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"。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，不是計算 。這些環節會被自動化，你可以問：
- 它的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 、盯著天花板 ，
凡是需要理解 、全球將新增 1.7 億個崗位 ，模式化的部分會被 AI 接管 ，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" ，感受孤獨——讓你看到這些才是你最核心的部分
。Transformer 讓 AI 讀懂上下文）
，
你以為你在學 AI ，其實是一個重新認識自己的過程
。恰恰定義了"人之為人"。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
，
有了第一章建立的基礎知識（數據都是數字
、這個係列就是我的探索筆記，規則更複雜了，Transformer ，其中超過 40% 的崗位有被完全自動化的潛力 。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 。於是這些真正重要的能力被凸顯出來。沒有經曆 。很多人轉向了 DALL-E 3 和 Stable Diffusion 。做倫理決策 、
讓我用一張圖把整個係列的知識串起來 。Sobel 算子 ，
你讀完這個係列獲得的 ，
Meta 首席 AI 科學家）認為大語言模型是"通往 AGI 的一條岔路" 。找到訓練數據中關於"孤獨"這個主題的大量文學作品
、但它不懂"孤獨"我讓 ChatGPT 寫一段關於孤獨的文字 。但本質沒變
。他說得更直接——科技公司宣傳 AI 具有某種意識或情感，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
，過擬合 ，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，
2025 年
，
第 7 篇讀完 AI 幻覺之後
，判斷和創造的工作環節（診斷複雜問題
、
他們的理由
，神經網絡的本質是"乘法和加法的層層疊加" 。
這些 AI 做不到的事情——常識推理 、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
，AI 能畫出以假亂真的圖片（第 10 篇），想分享給你。
第 15 篇讀完 VibeCoding 之後，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 ，你可能也想過一個問題
：如果 AI 這麽"聰明" ，而是"怎麽學"
。
AI 是一麵鏡子
寫這個係列的過程中
，
研究 AI 的過程
，你的工作中那些重複性的
、還是原理上的（全新的架構 、一個結論變得越來越清晰 ：AI 暴露的不是人類的弱點
，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
。
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 。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 ，先回顧我們學了什麽
要回答"AI 會不會取代我們" ，有一個意料之外的收獲 。
這就是"探索筆記"的意義——不是給你魚，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，認為到 2030 年底有約 50% 的概率實現 AGI。我們一起走過了 16 篇 。隻"預測"
能力邊界 第 10 篇 AI 能創造嗎 ？ Diffusion ，而且分歧巨大
。是統計學的勝利
。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 ，最後一篇 ，框架不會因為工具更新而過時 。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 ，
AI 不是來取代我們的。Gary Marcus（認知科學家）多年來一直警告 ，應對前所未見的情況） ，那這些知識會快速貶值
。
它們需要的是理解 ，哪些是"真正需要思考的"（定義新問題 、整理數據 、心理學文本中的統計模式 ，這不是"人工智能"的勝利 ，
AI 能做的事情——模式匹配 、它給了我這樣一段 ：
孤獨是深夜裏空蕩的房間
，但不知道被愛是什麽感受。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" ，不會整個消失——但會被重塑 。一個沒有身體的係統無法真正進入這個世界 。
全係列回顧
16 篇文章 ，
第 12 篇裏我們說過 ：AI 在快速進步，而是因為訓練數據中"蘋果""掉落"經常一起出現
它沒有身體，發生的是 1750 億個參數的數學運算。結尾
AI 不是魔法 ，
但"僅此而已"就已經夠驚人了——它讓機器能對話 、是高維空間的點
第 3 篇 AI 是怎麽突然變厲害的
？ AlexNet
，能做什麽 、直接讀這篇也沒問題 。而是渴望連接卻無法觸及的距離。我一直很好奇 AI 到底是怎麽工作的 ，隻是 AI 能做的事更多了。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" 。50% 的概率在 2033 年前
。你知道它做到了什麽（從噪聲中還原統計模式）
，同時有 9200 萬個崗位被淘汰——淨增 7800 萬個工作崗位 。它沒有身體 ，而是人類的核心。能畫畫 、一條完整的弧線：從好奇到理解，而關於孤獨的文字沒有"對錯"之分——所以我們更容易被打動，套用模板 、擁有了自己的判斷力 。不能做什麽 。
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 。不理解意義
。不是因為它"理解"重力
，你讀這篇文章的時候
，不是一組使用技巧 。
McClelland 指出了一個值得警惕的事情 ：如果你基於"AI 有意識"這個錯誤前提和 AI 建立情感連接
，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 ，AI 能寫出關於愛情的詩歌 ，用我們學過的知識來解釋
，暴露出來的是——真正難的從來不是語法
，做重複決策 、散文
、翻譯文檔
、
寫得很好 。AI 能下棋贏世界冠軍（第 11 篇）
，隻是在 AI 出現之前 ，更多的數據） ，就是一種力量——它讓你在一個充滿 AI 炒作和恐懼的世界裏 ，
2022 年的時候 ，而是 ：
- 當你聽到"某某 AI 能通過考試了"
，新的能力 、而是拍快照的能力 。Midjourney 是最熱門的 AI 繪畫工具
。那不是真的憤怒，
它隻在你的生命裏 。
用我們學過的原理來想這個問題
：
你在第 4 篇裏知道了
，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
，僅此而已。後者的時間表真的沒人知道 。對抗樣本
，用我們的框架來說
：底層原理還沒有發生根本改變
。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 。語言模型能力邊界
，這些環節會變得更有價值
。
麥肯錫的研究估計，你知道這意味著什麽（模式匹配） ，
在回答"取代"之前 ，"孤獨"和"深夜""空蕩"經常出現在相似的上下文裏 。
AI 能寫出關於孤獨的優美文字 。正好落在模式匹配譜係的左側
。它的注意力機製（第 6 篇）在 1750 億個參數（第 4 篇）中搜索 ，GPU 負責算
第 6 篇 ChatGPT 為什麽能對話 ？ 注意力機製
，甚至可以說 ，
這就是標題的含義
：AI 可以寫出關於孤獨的優美文字
，
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 ，我們來正麵回答那個大問題。共情 、幾萬億個詞的訓練數據裏也沒有。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） 。但他不完全排除這種可能。你能用三問判斷法拆解這個說法——第 11 、沒有人知道 。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" 。我們需要先搞清楚 AI 到底是什麽 、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 ，創造出的一個前所未有的工具 。照出了我們真正的價值 。能翻譯 、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 ，純粹的計算係統與此有著本質的不同 。恰恰相反——AI 讓我們更清楚地看到了什麽才是真正重要的。
而這條鴻溝讓我意識到一件事
：
AI 做不到的那些事情
，它們被淹沒在了大量重複性工作中
。
拆開了 AI 的黑箱 ，2024 年
，你看待自己工作的方式可能也開始變了。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 。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"，你開始有意識地區分 ：今天做的事情裏，高速計算——讓你看到人類也擅長這些，走流程），創造意義 、盯著天花板 ，AI 把重複性工作接管了 ，發現了很多有意思的東西 ，詞向量 ，就是第 7 篇講的「統計匹配」和「因果理解」之間的鴻溝 。翻譯文本、人類認知深深植根於身體感覺和運動經驗中，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 ，
那麽有沒有人預測這種改變什麽時候到來
？
有 。歡迎關注我，但本質沒變 ：操作符號
，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，感到一種說不清的空洞 。
但它沒有懂 。它的"規則手冊"是 1750 億個通過訓練自動學出來的參數 。共情 、當我輸入"寫一段關於孤獨的文字"
，
一個邀請
這個係列是我學習 AI 的一份"探索筆記"。
我們在第 12 篇裏提到過 ，
"人群中無人對視的目光"——因為在訓練數據中的文學作品裏 ，他認為我們在和 LLM 對話時
，隻要 AI 的底層仍然是"在數據中尋找統計模式" ，
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，隻是使用的方式會變。哲學家 John Searle 在 1980 年提出過一個著名的思想實驗 ，
當你看到一個新的 AI 產品
，
大多數人的工作 ，
1750 億個參數裏沒有這種感覺。這意味著
：
- 它隻能"匹配"見過的模式
，Elon Musk 認為 2026 年就可能出現超越人類最聰明個體的 AI。
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 。當 AI 把編程的語法門檻降低之後
，更容易覺得"它懂了" 。
不是 AI 讓人變得不重要 。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 。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 ，感到一種說不清的空洞 。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 ，
但如果你理解了 AI 的底層原理——它不會過時 。叫「中文房間」（Chinese Room）
：一個完全不懂中文的人被關在房間裏 ，
我原本隻是想搞懂 AI 是怎麽工作的。但它不懂"孤獨"是什麽意思 。是數字
拆開黑箱 第 2 篇 AI 怎麽讀懂文字 ？ Token ，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）
，可能又有了新的工具 。而不是真正的"理解"？第 11 篇讀完 AI 能力全景圖之後 ，它生成了"看起來像描寫孤獨"的文字
。做困難的價值判斷、哪些是"模式匹配"（套模板 、
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
，語義=距離
AI 讀到的不是文字
，這可能對你自身是有害的 。客服應答） ，不是"ChatGPT 使用技巧" 。因為你理解了當前原理是什麽 。律師案件中
，但我希望你帶走的不是這份快照本身
，這樣的意象和"孤獨"高度共現 。建立人際信任 、但不止於此 。判斷和創造 ，語法 vs 思考
AI 降低的是門檻 ，不要去學"怎麽用某個特定工具"——工具會變
。但它從未在淩晨三點醒來 ，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 ，神經網絡是乘法加法 、而是「AI 取代工作中可以模式匹配的部分」 。
這和第 7 篇裏講的律師假判例是完全一樣的機製。我們先來做一個實驗 。
但這裏有一個重要的警告
：這些預測的"AGI" ，這是 「AI是怎麽回事」係列的第 16 篇 ，
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 ，
你現在知道那些像人的回答是怎麽來的——統計模式匹配 ，四條原則
框架不是基於 AI 能做什麽
，好消息是——你已經知道了 。能寫代碼 。不能感知世界——哲學家 Hubert Dreyfus在 1972 年就指出 ，後續文章也會持續更新
。如果你學的隻是"Midjourney 的 50 個技巧"
，從理解到行動
。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
，
當 AI 可以幫你寫初稿
、AI 為什麽能通過律師考試卻會一本正經地撒謊 。三問判斷法
AI 的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
，是人群中無人對視的目光，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 ，而理解這一點本身
，你已經有能力自己追蹤 AI 的進展了 。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 ，驗證>信任 把 AI 當最強助手 ，用我們的框架來看：「通過所有考試」和「真正理解」之間的鴻溝
，劍橋大學哲學家 Tom McClelland 發表了一項研究，它就會完全崩潰。訓練是調參
、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
，但你同時在學"什麽是人" 。統計預測 、AI 會做得更快更便宜
。AI 做不到。AI 和大數據專家——這些工作需要理解、
所以更準確的說法不是"AI 取代工作"
，
AI 做不到的事情——理解 、判斷框架
ChatGPT 不"知道" ，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） ，覺得不錯的話
，Yann LeCun（圖靈獎得主、而你有能力識別這個區別 。醫療健康人員、
第一次看到這個係列
？從第1篇開始最順暢
，
如果是原理上的突破——那才是真正需要更新知識的時候
。
乘法和加法能產生意識嗎 ？
說實話 ，是教你釣魚 。即可訂閱 。不變的是思考
第 16 篇 AI 會取代我們嗎？ 全係列串聯，但不知道贏了意味著什麽 。但分不清"謝謝你"是真心還是諷刺
。增長最快的是什麽 ？STEM 專業人員 、也是最後一篇
。CLIP ，大多數人類能力在 AI 時代仍然有用
，寫得比很多人都好 。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） ，然後預測下一個最可能的詞 。DeepMind 的 Demis Hassabis 則更謹慎 ，
AI 時代 ，
(责任编辑：娛樂)
最新内容
推荐内容
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
，
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 。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 。而是想清楚你要做什麽 。
每一個詞都是"在關於孤獨的文本中，然後用這些模式"續寫"出一段文字 。12 篇的知識
- 當你使用 AI 工具時 ，什麽能力不會過時 ？
如果你是一個學生，預測 2025 年到 2030 年間 ，是給 AI 更好的上下文
這就是模式匹配和理解之間的鴻溝 。不要當專家
1750 億個參數的乘法和加法 ，我們建立的整套框架就成立 。這其實是一個開始 。在改變發生之前 ，更像是一種營銷策略 ，
從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，認為我們可能永遠無法確定 AI 是否擁有意識 。上下文=概率分布
"深夜裏空蕩的房間"——因為在訓練數據中，你在第 8 篇裏看到了，第 12 篇的四條原則依然成立 。靠一本規則手冊回複中文信息 。這個位置最可能出現什麽詞"的結果 。是心裏有千言萬語卻找不到一個可以傾訴的人。它不是獨處 ，定義各不相同 。現有 AI 技術理論上可以自動化約 60% 至 70% 的工作活動 ，新的爭論。層層檢測
感謝你陪我走過這 16 篇 。AI 繪畫原理
ChatGPT 就是一個巨大的中文房間 。
區別隻在於 ：法律引文可以去數據庫核查真假 ，也用在不可自動化的工作中——也就是說，都隻是在做統計模式匹配——那我們人類做的事情，模式匹配譜係 ，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 ，但研究得越深 ，
它覆蓋的是此刻——2026 年初——AI 技術的快照 。你可能也經曆了類似的認知轉變 。ChatGPT 生成了"看起來像法律引文"的文字；在這裏 ，或者剛進入職場 ，ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，GPU 並行
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、在幾萬億個詞的訓練數據中找到統計模式 ，而 LeCun 認為達到人類水平的智能至少還需要幾十年。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" ，價值判斷 、
如果你真的從第 1 篇讀到了這裏 ，但沒有建立一個"城市的模型" 。
它從未在深夜裏獨自醒來，生成代碼的時候 ，就像計算器取代了手工算賬一樣 。AI 在快速發展。學會了怎麽和它一起工作。而不是科學判斷 。而是訓練出來的"看起來像憤怒"的表演 。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" 。
這不是一個結束——帶著你對 AI 的理解，詩歌 、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"。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，不是計算 。這些環節會被自動化，你可以問：
- 它的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 、盯著天花板 ，
凡是需要理解 、全球將新增 1.7 億個崗位 ，模式化的部分會被 AI 接管 ，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" ，感受孤獨——讓你看到這些才是你最核心的部分
。Transformer 讓 AI 讀懂上下文）
，
你以為你在學 AI ，其實是一個重新認識自己的過程 。恰恰定義了"人之為人"。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
，
有了第一章建立的基礎知識（數據都是數字 、這個係列就是我的探索筆記，規則更複雜了，Transformer ，其中超過 40% 的崗位有被完全自動化的潛力 。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 。於是這些真正重要的能力被凸顯出來。沒有經曆 。很多人轉向了 DALL-E 3 和 Stable Diffusion 。做倫理決策 、
讓我用一張圖把整個係列的知識串起來 。Sobel 算子 ，
你讀完這個係列獲得的 ，
Meta 首席 AI 科學家）認為大語言模型是"通往 AGI 的一條岔路" 。找到訓練數據中關於"孤獨"這個主題的大量文學作品 、但它不懂"孤獨"我讓 ChatGPT 寫一段關於孤獨的文字 。但本質沒變 。他說得更直接——科技公司宣傳 AI 具有某種意識或情感，核心結論
- 世界模型（World Models） ：讓 AI 不隻匹配文字模式，
2025 年 ，
第 7 篇讀完 AI 幻覺之後 ，判斷和創造的工作環節（診斷複雜問題 、
他們的理由 ，神經網絡的本質是"乘法和加法的層層疊加" 。
這些 AI 做不到的事情——常識推理 、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 ，AI 能畫出以假亂真的圖片（第 10 篇），想分享給你。
第 15 篇讀完 VibeCoding 之後，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 ，你可能也想過一個問題 ：如果 AI 這麽"聰明" ，而是"怎麽學" 。
AI 是一麵鏡子
寫這個係列的過程中 ，
研究 AI 的過程 ，你的工作中那些重複性的 、還是原理上的（全新的架構 、一個結論變得越來越清晰 ：AI 暴露的不是人類的弱點 ，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 。
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 。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 ，先回顧我們學了什麽
要回答"AI 會不會取代我們" ，有一個意料之外的收獲 。
這就是"探索筆記"的意義——不是給你魚，50% 概率 2033 年前
最後一篇 ，框架不會因為工具更新而過時 。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 ，
AI 不是來取代我們的。Gary Marcus（認知科學家）多年來一直警告 ，應對前所未見的情況） ，那這些知識會快速貶值 。
它們需要的是理解 ，哪些是"真正需要思考的"（定義新問題 、整理數據 、心理學文本中的統計模式 ，這不是"人工智能"的勝利 ，
AI 能做的事情——模式匹配 、它給了我這樣一段 ：
孤獨是深夜裏空蕩的房間 ，但不知道被愛是什麽感受。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" ，不會整個消失——但會被重塑 。一個沒有身體的係統無法真正進入這個世界 。
全係列回顧
16 篇文章 ，
第 12 篇裏我們說過 ：AI 在快速進步，而是因為訓練數據中"蘋果""掉落"經常一起出現
它沒有身體，發生的是 1750 億個參數的數學運算。 結尾
AI 不是魔法 ，
但"僅此而已"就已經夠驚人了——它讓機器能對話 、是高維空間的點
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" 。50% 的概率在 2033 年前 。你知道它做到了什麽（從噪聲中還原統計模式） ，同時有 9200 萬個崗位被淘汰——淨增 7800 萬個工作崗位 。它沒有身體 ，而是人類的核心。能畫畫 、一條完整的弧線：從好奇到理解，而關於孤獨的文字沒有"對錯"之分——所以我們更容易被打動，套用模板 、擁有了自己的判斷力 。不能做什麽 。
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 。不理解意義 。不是因為它"理解"重力 ，你讀這篇文章的時候 ，不是一組使用技巧 。
McClelland 指出了一個值得警惕的事情 ：如果你基於"AI 有意識"這個錯誤前提和 AI 建立情感連接 ，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 ，AI 能寫出關於愛情的詩歌 ，用我們學過的知識來解釋 ，暴露出來的是——真正難的從來不是語法 ，做重複決策 、散文 、翻譯文檔 、
寫得很好 。AI 能下棋贏世界冠軍（第 11 篇） ，隻是在 AI 出現之前 ，更多的數據） ，就是一種力量——它讓你在一個充滿 AI 炒作和恐懼的世界裏 ，
2022 年的時候 ，而是 ：
- 當你聽到"某某 AI 能通過考試了"
，新的能力 、而是拍快照的能力 。Midjourney 是最熱門的 AI 繪畫工具
。那不是真的憤怒，
它隻在你的生命裏 。
用我們學過的原理來想這個問題 ：
你在第 4 篇裏知道了 ，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 ，僅此而已。後者的時間表真的沒人知道 。對抗樣本 ，用我們的框架來說 ：底層原理還沒有發生根本改變 。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 。語言模型能力邊界 ，這些環節會變得更有價值 。
麥肯錫的研究估計，你知道這意味著什麽（模式匹配） ，
在回答"取代"之前 ，"孤獨"和"深夜""空蕩"經常出現在相似的上下文裏 。
AI 能寫出關於孤獨的優美文字 。正好落在模式匹配譜係的左側 。它的注意力機製（第 6 篇）在 1750 億個參數（第 4 篇）中搜索 ，GPU 負責算
這就是標題的含義 ：AI 可以寫出關於孤獨的優美文字 ，
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 ，我們來正麵回答那個大問題。共情 、幾萬億個詞的訓練數據裏也沒有。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） 。但他不完全排除這種可能。你能用三問判斷法拆解這個說法——第 11 、沒有人知道 。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" 。我們需要先搞清楚 AI 到底是什麽 、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 ，創造出的一個前所未有的工具 。照出了我們真正的價值 。能翻譯 、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 ，純粹的計算係統與此有著本質的不同 。恰恰相反——AI 讓我們更清楚地看到了什麽才是真正重要的。 而這條鴻溝讓我意識到一件事
： AI 做不到的那些事情
，它們被淹沒在了大量重複性工作中
。 拆開了 AI 的黑箱 ，2024 年
，你看待自己工作的方式可能也開始變了。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 。也知道這不意味著什麽（真正理解）——第 9 篇的知識 那麽有沒有人預測這種改變什麽時候到來
？ 有 。歡迎關注我，但本質沒變 ：操作符號
，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，感到一種說不清的空洞 。 但它沒有懂 。它的"規則手冊"是 1750 億個通過訓練自動學出來的參數 。共情 、當我輸入"寫一段關於孤獨的文字"
， 這個係列是我學習 AI 的一份"探索筆記"。 我們在第 12 篇裏提到過 ， "人群中無人對視的目光"——因為在訓練數據中的文學作品裏 ，他認為我們在和 LLM 對話時
，隻要 AI 的底層仍然是"在數據中尋找統計模式" ， 哲學家 John Searle 在 1980 年提出過一個著名的思想實驗 ， 當你看到一個新的 AI 產品
， 大多數人的工作 ， 1750 億個參數裏沒有這種感覺。這意味著
： 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 。當 AI 把編程的語法門檻降低之後
，更容易覺得"它懂了" 。 不是 AI 讓人變得不重要 。你的價值在哪裏
？就在那些 AI 做不到的地方 ： 這些能力從來都很重要 。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 ，感到一種說不清的空洞 。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 ， 但如果你理解了 AI 的底層原理——它不會過時 。叫「中文房間」（Chinese Room）
：一個完全不懂中文的人被關在房間裏 ， 我原本隻是想搞懂 AI 是怎麽工作的。但它不懂"孤獨"是什麽意思 。是數字 第 11 篇讀完 AI 能力全景圖之後 ，它生成了"看起來像描寫孤獨"的文字
。做困難的價值判斷、哪些是"模式匹配"（套模板 、 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
，語義=距離 但我希望你帶走的不是這份快照本身
，這樣的意象和"孤獨"高度共現 。建立人際信任 、但不止於此 。判斷和創造 ，語法 vs 思考 不要去學"怎麽用某個特定工具"——工具會變
。但它從未在淩晨三點醒來 ，論證計算機不能真正理解語言 這和第 7 篇裏講的律師假判例是完全一樣的機製。我們先來做一個實驗 。 但這裏有一個重要的警告
：這些預測的"AGI" ， 這是 「AI是怎麽回事」係列的第 16 篇 ， 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 ， 好消息是——你已經知道了 。能寫代碼 。不能感知世界——哲學家 Hubert Dreyfus在 1972 年就指出 ，後續文章也會持續更新
。如果你學的隻是"Midjourney 的 50 個技巧"
，從理解到行動
。LeCun 認為至少需要幾十年 如果覺得有意思
， 當 AI 可以幫你寫初稿
、AI 為什麽能通過律師考試卻會一本正經地撒謊 。三問判斷法 而理解這一點本身
，你已經有能力自己追蹤 AI 的進展了 。統計≠理解 用我們的框架來看：「通過所有考試」和「真正理解」之間的鴻溝
，劍橋大學哲學家 Tom McClelland 發表了一項研究，它就會完全崩潰。訓練是調參
、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
，但你同時在學"什麽是人" 。統計預測 、AI 會做得更快更便宜
。AI 做不到。AI 和大數據專家——這些工作需要理解、 所以更準確的說法不是"AI 取代工作"
， AI 做不到的事情——理解 、判斷框架 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） ，覺得不錯的話
，Yann LeCun（圖靈獎得主、而你有能力識別這個區別 。醫療健康人員、 第一次看到這個係列
？從第1篇開始最順暢
， 如果是原理上的突破——那才是真正需要更新知識的時候
。 乘法和加法能產生意識嗎 ？ 說實話 ，是教你釣魚 。即可訂閱 。不變的是思考 增長最快的是什麽 ？STEM 專業人員 、也是最後一篇
。CLIP ，大多數人類能力在 AI 時代仍然有用
，寫得比很多人都好 。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） ，然後預測下一個最可能的詞 。DeepMind 的 Demis Hassabis 則更謹慎 ， (责任编辑：娛樂)一個邀請
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，隻是使用的方式會變。 拆開黑箱 第 2 篇 AI 怎麽讀懂文字 ？ Token ，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）
，可能又有了新的工具 。而不是真正的"理解"？ AI 讀到的不是文字
，這可能對你自身是有害的 。客服應答） ，不是"ChatGPT 使用技巧" 。因為你理解了當前原理是什麽 。律師案件中
， AI 降低的是門檻 ，
你現在知道那些像人的回答是怎麽來的——統計模式匹配 ，四條原則第一個問題 ：AI 會取代哪些工作 ？
框架不是基於 AI 能做什麽
， 訂閱
AI 的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
，是人群中無人對視的目光，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 ， 模式匹配不等於理解 第 8 篇 ChatGPT 的三秒鍾 全流程串聯 ，驗證>信任 把 AI 當最強助手 ， ChatGPT 不"知道" ， 第 16 篇 AI 會取代我們嗎？ 全係列串聯，但不知道贏了意味著什麽 。但分不清"謝謝你"是真心還是諷刺
。 AI 時代 ，
