你以为在追 AI，其实你落下的是思考力——诺奖得主 Hinton 的提醒，刺痛所有人

以下文章来源于 AI 深度研究员 ，作者 AI 深度研究员

作者 | AI 深度研究员

来源   |   AI 深度研究员   管理智慧 AI+

咨询合作 | 13699120588

文章仅代表作者本人观点

（视频：诺奖得主 Geoffrey Hinton 在多伦多大学本科新生讲座）

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。

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。"

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？"

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。"

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。

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 "。

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，

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。

留言告诉我们：

你有没有那个，愿意追十年都不放手的问题？

参考资料：https://www.youtube.com/watch?v=vpUXI9wmKLc&t=3309s&ab_channel=UniversityofToronto

来源：官方媒体 / 网络新闻