如果“物自體”與人類理性之間存在一條不可跨越的鴻溝，那麼，公理與詩究竟誰更真實？
也許很難相信，但我們智人是依靠“虛構”的能力在進化中勝出，並一直如此認識世界的。我們創造概念、講故事、發明理論，試圖理解事物的本質。圍棋是一個很好的例子，它變化無限，有着難以窮盡的可能性。人類因此虛構出諸如“厚薄”、“輕重”、“外勢”等概念，作爲重要的“棋理”，來幫助棋手思考。
然而概念並不意味着世界本體，這些棋理也並不是完全不可錯的知識。 職業圍棋選手李喆認爲，這是人類在有限的理性下，爲了方便理解而不得不製造的“思維柺杖”。我們虛構，只是因爲我們的大腦算力不足，邏輯有限，無法通過計算直抵事物的本質。
當AI出現，這種認知方式就變成了弱點。早在2016年，李世石輸給了AlphaGo，不僅如此，棋手們有時甚至無法理解AI落子的理由——長久以來依靠創造出來的概念來理解圍棋的人類，很難明白AI的計算邏輯。同時我們也難以探索這個邏輯，因爲AI產出結論的過程對我們來說至今是一個“黑箱”。
但李喆對此並不悲觀，他提出一個可能性：如果這個黑箱能被破解呢？如果使AI能夠理解並模擬人類虛構概念的方式，那麼AI就可以把它的思考過程告訴人類。李喆認爲，藉助這種全新的認知方式，人類或許將迎來一場史無前例的知識爆炸。
很久以前，“虛構”被視爲人類的第一次認知革命，現在我們或許正面臨第二次認知革命，我們的思想會被嵌入AI製造的認知方式。於是新的問題來了，我們將不得不重新思考人的本質：如果說一條機械手臂並不會改變我們是“人”這個事實，那麼嵌入由AI創造的思維方式呢？我們還是同樣的“人”嗎？“人”到底是什麼呢？
暢銷書《人類簡史》中，尤瓦爾·赫拉利提出過一個存在爭議的觀點：約7萬年到3萬年前，智人發展出了語言，尤其是發展出虛構概念和故事的語言，是智人擊敗尼安德特人的重要原因。赫拉利認爲，儘管尼安德特人也有語言，但他們的語言不具備虛構能力，只能描述具體的事物及其位置，最終被能夠虛構概念從而傳遞更多信息的智人淘汰，赫拉利將此稱之爲“認知革命”。如果將“認知革命”這個同樣是虛構的概念附着於我們對人類史的理解之上，那麼我們可以講一個這樣的虛構故事：當前人類已來到了“第二次認知革命”的十字路口。
在人類文明史上，認知方式的變化並非勻速前進，而是處於不斷加速的進程中。兩千多年前的軸心時代開始出現學科分類和邏輯學，經過經驗主義與理性主義的對峙，到日心說、近代哲學轉向和實驗科學的興起，再到近百多年來的進化論、相對論和量子力學等等，人類對世界的認識更新，伴隨着對人類經驗直觀的超越，也伴隨着虛構概念的不斷改進與增長。而認知變化的方向及其加速的結果，從歷史來看，一直都難以準確預知。AI技術的發展，使人類第一次具有了超越自身理性能力去認知世界的可能性，但是，如果僅僅沿着大語言模型（LLMs）的方向發展，這種可能性的實現將是遙不可及的。
在當前對於AI的衆多討論中，一個關鍵的區分似乎常被忽略。大語言模型的出現，比以往人類發明的任何技術都更迅速地進入日常生活之中（在商業價值的激勵下），於是，近來人們談論AI時，意識和話語中首先浮現的形象通常就是那些有問必答的模型——在對大語言模型使用感受的基礎上，人們分析AI的優缺點與未來方向，對AI發出褒貶評價和各式各樣的預言。然而，大語言模型只是AI技術的一種特殊應用，這類以現有語言文字等信息爲訓練數據的AI很可能只是一種階段性的工具。
從知識性質的角度，當前階段的AI們大體可分爲兩類。一類以LLMs爲代表，其特徵是以已有的信息爲基礎進行提煉和交互生成，這些生成式AI大幅提升了人類收集和輸出信息的效率，而它所隱含的弊端與危險也正在被廣泛討論（例如：均值輸出的平庸化、信息反覆壓縮的失真、迭代的數據污染等等）。沿着LLMs繼續發展，或許能夠不斷提升信息處理和傳遞的效率，但因其以人類已有的語言及其所表徵的認知爲基礎，將無法超越人類已有的認知結構。
第二類AI以AlphaGo和AlphaFold爲代表，其特徵是在某些特定的領域內達到了比人類專家更爲專精的水準，但目前這些超越人類能力的精確信息尚無法被轉化爲融貫的人類知識，或者說，人們可以確知這類AI達到了更好的結果，但無法以人類知識的方式復現其過程。這兩類AI在訓練方法上固然有很多相近之處，但在知識的性質上存在巨大的差異。圍棋是一個精緻的有限空間試驗場，其規則明確、反饋及時且無法窮盡，十年前的AlphaGo已在其上試驗了神經網絡算法的有效性，接下來的AI還可在其上驗證某種認知革新的有效性。
儘管AlphaGo和AlphaZero已遠遠超過了人類的圍棋水平，但對於如今的棋手而言，如何下好圍棋仍然是一件令人困惑的事情。圍棋AI給出的是局面的推薦選點與勝率，即關於棋局答案的信息，但目前圍棋AI無法用語言告訴人類這些答案的原因，無法將其直接輸出爲能夠被人類掌握的知識。如果我們把棋類遊戲想象成一些有標準答案的考卷，當前的圍棋AI能告訴我們接近正解的答案，但無法像教科書或學術著作那樣告訴我們抵達答案的過程與方法。與之相對，大語言模型雖然可以回答我們所有的問題，但正如人們所指出的，其生成的文本內容裏充斥着大量的幻覺和錯誤，而隨着訓練水準的提升，幻覺的部分將愈發隱蔽，而檢驗錯誤的工作也將成爲愈發艱難的挑戰。
在這個意義上對兩類AI進行對比，大語言模型是“言而不精”，專精類AI是“精而不言”，前者高談闊論，後者默然不語；前者是對人整體的模擬，後者是對人部分的超越。區別的原因也很清晰，前者是用人類已生成的語料作爲訓練數據，後者是在給定明確領域和目標的前提下生成訓練數據。由於前者的應用已進入人們的日常生活之中，而後者目前還只在一些特定的領域內形成震動，對AI的討論目前聚焦於LLMs當然並不奇怪。但是，若以LLMs的種種優勢和弊端來推測AI未來的發展，或許會偏離靶心。
對於“專精類AI”討論較少的另一個原因，就是這類AI目前還不具備教育和溝通的功能，這是因爲它只能輸出結論，而它產生結論的過程難以被人類以邏輯的方式理解吸收，人們稱這一部分爲“黑箱”。以AlphaZero爲例，圍棋、國際象棋和日本將棋都是規模有限而規則清晰的遊戲，它們棋盤的大小都超過了人類憑邏輯計算達到最優解的限度。如果在一個非常小的棋盤上下棋，人類可以遍歷所有的變化，那麼AI最多也就是與人類專家在最優解上同步爲平手；如果在一個非常大的棋盤上下棋（例如大到人類一生的時間都無法下完這盤棋），那麼人類對其的知識也將變得稀少而模糊，因爲相應的知識理論很難被結果所檢驗。流行的棋類項目，尤其是那些不包含隨機性的完全信息博弈，其規模大小通常就在這兩者之間——既不會被人類完全破解它，也不至於使人類無法完成它。在這樣的空間內，人類獲取知識的兩種基本方式——“邏輯”和“經驗”，得以各自發揮作用。能夠通過思考和研究獲得一些行之有效並可傳遞的知識，但又始終無法窺其真理之全貌，這正符合人類面對世界的處境。
在AlphaGo出現之前二十年，“深藍”對決國際象棋冠軍的90年代，計算機圍棋的研究者們也曾嘗試將人類的圍棋知識儘可能轉化爲計算機語言，試圖使計算機能夠“像人”一樣下棋，這些嘗試在國際象棋等棋類項目中取得了顯著的成果，但在圍棋項目上遭遇了瓶頸。和國際象棋裏幾步將殺的戰術類似，圍棋局部死活和官子的推理運算並不複雜，問題是那些邏輯推理以外的知識，在圍棋中的佔比高於其它棋類，這一方面是由於圍棋通用19路棋盤的博弈樹更爲龐大，另一方面，借用康德的話語，是由於人類理性的有限性。
這個話題如果延展開來，用許多具體的例證進行說明，對於非棋類愛好者而言大概會有些枯燥，但這裏所涉及的問題不僅僅是博弈遊戲及其相關的AI算法，而是與人類認知事物、構建知識的方式，以及AI未來在其它領域可能產生的認知革命直接有關，因此這裏儘可能嘗試用具有普遍性的語言來說明。
圍棋術語主要可分爲三類，第一類表徵空間位置和行動，主要用於言語交流（例如“飛”、“託退”、“星位”等），第二類用於概括邏輯推理得出的知識（例如“大眼殺小眼”、“七死八活”、“金雞獨立”等），第三類是基於經驗歸納的概念與策略（例如概念“厚薄”、“輕重”、“俗手”、策略“圍棋十決”等）。
其中，第一類術語的性質近似於日常語言中的動詞和名詞，主要用於表述和傳遞信息，與下棋的知識和技術水平並不直接相關（當它們尚未與價值判斷相結合時），也是當前的圍棋AI很容易增加的功能。
第二類術語代表了圍棋知識中的重要部分，即從基礎條件或原理出發，使用邏輯推理的方式得到的知識。根據邏輯學的原理，只要條件和推理過程皆正確，則其結論所對應的知識是不可錯的。在圍棋盤上，推理的基礎條件就是圍棋的基本規則，例如從“氣盡棋亡”正確推理得出的一些關於複雜死活問題的結論，即便在完滿的圍棋之神面前仍然是正確的，儘管其策略樹搜索的規模或許不小（而當前遠超人類水平的圍棋AI卻有可能在同樣的問題上犯錯）。當然，這類知識更多的部分沒有被概括爲術語或口訣公式，而是以記憶知識點的方式進入棋手的知識庫。
假如在一個很小的棋盤上下棋，人類可以用邏輯的方式達到最優解，那麼第三類術語及其蘊含的知識便是多餘的；正由於圍棋盤的大小超出了人類的邏輯運算能完全覆蓋的界限，人們便由經驗歸納的方式發明（或引入）了一些模糊的、不可量化的概念。此處以“輕重”爲例，圍棋中的“輕”和“重”顯然並非可測量的棋子重量，也不是從規則推理而來的知識，而是對於棋局中某類狀態的感覺，這類感覺是由棋子之間結構的差異及其分類所形成的，借用詞語“輕”和“重”的引申義，虛構出一對概念來凝聚這些模糊的感覺（模糊性源於其無法精確測量和比較）。從圍棋的規則並不必然產生這樣的概念，但這些概念對人而言又是相當實用的，它將我們許多特殊的感覺歸屬於具有一般性的概念之下，使其成爲可被思考和言說的對象。在“強弱”、“輕重”、“厚薄”等等對立的概念之上，人們建立起相應的策略知識與思考路徑（例如“彼強自保”、“厚勢勿近”等）。又由於這些概念和策略所使用的語詞並非專門的圍棋術語，而是借用引申於日常語言中已有的詞語，使得這些知識具有了與現實世界相連接的普遍性，這便是自古以來有許多人意識到圍棋的道理與世間道理相通的根本原因。很有趣的是，在圍棋AI面前，當人類需要用到這類知識和概念來思考決策時，恰恰是人類的認知弱點暴露的時刻。
在“深藍”專家系統的時代，圍棋計算機的研究者們也曾嘗試將“厚薄”、“輕重”這樣的概念轉化爲計算機能夠運算的數據，但顯然這樣的工作未能成功。AlphaGo完全捨棄了這類方法，甚至在AlphaZero訓練之初就去除了所有人類圍棋的知識基礎，但同時AlphaGo比以往任何軟件都更好地模仿了人類下棋時的思維結構，即“直覺——搜索——判斷”（對應Policy Network——Tree Search——Value Network）。結構相近而神經網絡訓練的效用更好，使得AlphaGo在這三個方面都綜合地超過了人類棋手的水準，儘管其中已不蘊含人類幾千年來發現的具體的圍棋知識。但是，那些達到不可錯知識所需要的邏輯推理能力，和其它領域的AI一樣，目前也仍然是圍棋AI的弱項，當然隨着AI推理能力的發展與增強，這方面的突破是可以預見的。
以上的信息告訴我們，以圍棋爲例，人類以往生成知識的方式並不具有必然性和唯一性，尤其是其中依靠經驗歸納和概念生成的方式所建構的知識及其延伸。由於人類的理性是有限的，憑自身邏輯推理所能觸及的知識存在邊界，在那些條件絕對堅實、原理清楚明白的領域（假設其存在），我們用邏輯的方式儘可能得到越來越多的不可錯的知識；而在此之外，是人類運用虛構和想象的能力建立起大量的概念，並在其上不斷層累疊加的知識。這類知識，既因其模糊無法量化的性質而難以被AI精確把握，又因其偶然性而存在被替換更新的可能。
AlphaGo出現已經十年，“AI的棋很多都看不懂”仍是圍棋界的共識，職業高手與業餘高手的區別似乎只在開局被AI讓兩子還是四子。這些讓人感到“看不懂”的落子位置和勝率信息，實際上就是人類用“厚薄”、“輕重”、“虛實”等概念及其相應的策略知識無法通達的部分，而當棋局進入到能夠被邏輯計算覆蓋的階段，AI的下法和信息就成爲完全可以理解的了。
從圍棋技術發展史的角度可以看出，虛構概念的更新意味着相應知識的增加，例如“厚薄”的概念在早期的圍棋論著中並不存在，而現代的每一位棋手都已習慣了用這樣的概念進行思考，概念工具的精細化與有效使用，意味着“棋理”知識和圍棋技術的增長。“厚薄”、“輕重”這些詞語已經達到虛構概念的極限了嗎？顯然不是。據說愛斯基摩人對於“雪”的詞彙大於五十個，這意味着他們對“雪”有比其他人更精細化的區分和更多的知識。圍棋領域現有的虛構概念知識顯然並不完美，相反此領域所對應的圍棋水準正是人類相對AI較弱的部分，因此也獲得了很大的更新空間。
對於當前的LLMs而言，由於它的訓練語料來自於人類已有的語言符號和概念，其所生成的內容自然也聚焦於語言符號的組合，很難在非幻覺的意義上生成新的虛構概念。而對於專精類AI而言，其超過了人類專家水準後的所謂“黑箱”過程，也正對應着人類現有的邏輯推理和虛構概念都無法通達的部分。
仍以圍棋爲例，以往的知識是歷代國手們憑邏輯演繹或經驗歸納的方式逐步前進，以線性的方式得到一個又一個的新知識點，而如今的棋手們常常是看到AI給出選點與信息，確認其能理解和不能理解的部分，先得到答案再以自身的認知框架來拼接達到答案的過程，由此增加憑自身認知能力達到正確結果的概率，此類獲取知識的方式此前僅見於科學領域。
單以人類自身的能力，這種認知的增長效果仍是相當緩慢的，雖然這些年棋手水平增長的速度已遠超過去，但更多依賴的是經驗性的增長，也就是見過更多的AI下法形成了更好的直覺，但這些經驗性的增長尚未轉化爲圍棋知識的大量革新，在概念生成和棋理判斷的方面，還有巨大的提升空間。憑藉自身的虛構能力不斷提出更好的棋理概念，這是人類圍棋水平在歷史上緩慢進步的方式之一。那麼，人類是否能夠在AI的幫助下更高效地虛構概念，從而得到各類知識的增長？這個問題正對應着“AI的可解釋性”這個業界熱門的話題。
對於專精類AI“不可解釋，但的確比人幹得更好”這樣的“黑箱”，其實質是對應着人類邏輯推理和虛構概念均未能通達的知識。那麼，在專精類AI輸出信息的精準度已經超越人類的前提下，如果使AI能夠理解並模擬人類虛構概念知識的方式，則不僅黑箱將被打破，轉譯可以實現，且AI將能夠幫助人類在諸多領域更新概念，從而得到很可能是爆炸式的知識增長。
假如在圍棋中驗證了在AI的幫助下能夠生成出比“厚薄”、“輕重”等概念和“圍棋十決”等策略更爲精細有效的思維錨點，從而使人類對圍棋的認識可以大幅提升，並且使AI能夠更直接地參與知識生產與傳遞，那麼，我們似乎也沒有理由認爲這種全新的認知方式不能夠推及各類知識領域。這是否意味着，我們已來到了第二次認知革命的前夜？
如果說數萬年前語言符號和虛構能力的出現是人類的第一次認知革命，文字與印刷術的發明則使信息和知識得到了加速傳播，那麼，互聯網和智能手機進一步加快了信息傳播的速度，而理想前景中的AI也將幫助人類走向第二次認知革命。破除“可解釋性”難題的虛構能力的突破，也意味着AI前沿所關注的當前“智能體”向未來“創新體”的轉變。AI的創造力是什麼？在圖靈獎和諾貝爾物理學獎得主Geoffrey Hinton的回答中，AI的創造力就是對結構的洞察與呈現，而虛構概念的能力正對應着洞察結構並使其呈現。
圍棋作爲一個人類積累了千年知識、規則清晰、目標明確的有限領域，不僅使AlphaGo完美地呈現出深度學習算法的優美與能力，也可能負有歷史責任地驗證AI虛構概念的創新能力。Hinton討論AI創造力時所舉的一個例子，正是AlphaGo與李世石對決第二局的第37手——那是一個超越但沉默的時刻，而未來的AI或許將能夠以全新且可被理解的概念語詞向人類解釋它。
從“人是萬物的尺度”到“人爲自然立法”再到“不可言說之處，人必須沉默”，兩千多年來，許多人都在嘗試理解人的認知與世界本體之間的深層關聯。如果“物自體”與人類理性之間存在一條不可跨越的鴻溝，那麼，公理與詩究竟誰更真實？隨着科學的加速發展，反直覺、反傳統的知識版圖不斷擴大，現實、觀察與模型之間的關係也變得更加微妙。AI將帶來的認知變革，會使我們重新理解自身嗎？比如，什麼是人——20萬年前和今天的人，在什麼意義上還是“同類”的人？如果我們慣性地認爲安裝大量嵌合體不會改變人的本質，那麼，當人的思想也以嵌合體的方式出現——不僅以腦機接口的方式，還以AI革新概念知識和語言的方式——我們又將如何理解人的本質？
如今的世界面臨着全球化退潮、民粹主義興起、氣候變暖加劇等多重危機，AI作爲人類發明的最強工具，其被以惡劣方式使用的概率在持續增長。但與此同時，如果AI“點亮世界”的潛力被充分發揮出來，諸多固有認知被顛覆，大量全新的虛構概念與故事塑造出具有新意識的人類，未來世界究竟會迎來死寂還是詩歌，尚未可知。
插畫——Matt Chinworth
我們持續招募 最好的
作者、編輯、實習生， 請聯繫
延伸閱讀