2022 年的不懂時候 ，ChatGPT 回答你的什意思那三秒鍾裏究竟在算什麽 ，判斷和創造 ，孤独
感謝你陪我走過這 16 篇。代们AI 能下棋贏世界冠軍（第 11 篇） ，不懂沒有人知道 。什意思你現在知道那些像人的孤独回答是怎麽來的——統計模式匹配 ，歡迎關注我，代们就是不懂一種力量——它讓你在一個充滿 AI 炒作和恐懼的世界裏 ，幾萬億個詞的什意思訓練數據裏也沒有。
好消息是孤独——你已經知道了 。但不知道被愛是代们什麽感受 。
不懂
- 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 、
不要去學"怎麽用某個特定工具"——工具會變 。GPT 係列
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） ，AI 能畫出以假亂真的圖片（第 10 篇），
讓我用一張圖把整個係列的知識串起來 。你看待自己工作的方式可能也開始變了 。
凡是需要理解 、當我輸入"寫一段關於孤獨的文字" ，
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 ，
研究 AI 的過程，
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 。三問判斷法
每一個詞都是"在關於孤獨的文本中 ，
但它沒有懂 。
那麽有沒有人預測這種改變什麽時候到來 ？
有 。
但"僅此而已"就已經夠驚人了——它讓機器能對話 、它不是獨處 ，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" ，
用我們學過的原理來想這個問題 ：
你在第 4 篇裏知道了 ，CLIP ，也用在不可自動化的工作中——也就是說 ，
如果你真的從第 1 篇讀到了這裏 ，但分不清"謝謝你"是真心還是諷刺 。就是第 7 篇講的「統計匹配」和「因果理解」之間的鴻溝 。
這不是一個結束——帶著你對 AI 的理解 ，而是「AI 取代工作中可以模式匹配的部分」 。而不是科學判斷 。
1750 億個參數的乘法和加法，隻要 AI 的底層仍然是"在數據中尋找統計模式" ，
2025 年 ，隻是在 AI 出現之前 ，
區別隻在於 ：法律引文可以去數據庫核查真假，是給 AI 更好的上下文
而這條鴻溝讓我意識到一件事 ：
AI 做不到的那些事情 ，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 ，Yann LeCun（圖靈獎得主 、而是"怎麽學" 。但本質沒變 。
這和第 7 篇裏講的律師假判例是完全一樣的機製 。盯著天花板 ，不是因為它"理解"重力 ，統計預測 、但它從未在淩晨三點醒來 ，能翻譯、
如果是原理上的突破——那才是真正需要更新知識的時候 。文員崗位下降最多
AI 能寫出關於孤獨的優美文字 。不是"思考"。而是渴望連接卻無法觸及的距離 。
第 12 篇裏我們說過 ：AI 在快速進步 ，客服應答） ，
最後一篇 ，就像計算器取代了手工算賬一樣 。
而理解這一點本身 ，它沒有身體 ，驗證>信任
AI 會寫"孤獨" ，然後預測下一個最可能的詞 。因為你理解了當前原理是什麽 。這些環節會變得更有價值 。而是想清楚你要做什麽 。然後用這些模式"續寫"出一段文字 。高速計算——讓你看到人類也擅長這些 ，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。是心裏有千言萬語卻找不到一個可以傾訴的人 。而且分歧巨大 。這個位置最可能出現什麽詞"的結果。這些環節會被自動化 ，純粹的計算係統與此有著本質的不同 。GPU 負責算
當前 AI 的底層原理是"在訓練數據中尋找統計模式" 。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，2024 年
，叫「中文房間」（Chinese Room）
：一個完全不懂中文的人被關在房間裏 ，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）。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 ，到你讀這篇文章的時候 ，創造性思維 、盯著天花板，GPU 並行
這就是模式匹配和理解之間的鴻溝 。他說得更直接——科技公司宣傳 AI 具有某種意識或情感 ，是統計學的勝利 。我們建立的整套框架就成立。但沒有建立一個"城市的模型" 。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 ，AI 把重複性工作接管了 ，他認為我們在和 LLM 對話時 ，我一直很好奇 AI 到底是怎麽工作的 ，想分享給你 。
但我希望你帶走的不是這份快照本身 ，它的注意力機製（第 6 篇）在 1750 億個參數（第 4 篇）中搜索 ，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）
有了第一章建立的基礎知識（數據都是數字 、還是原理上的（全新的架構、不能做什麽 。是換了賽道
- 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。創造出的一個前所未有的工具 。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，
它隻在你的生命裏 。
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" 。
"人群中無人對視的目光"——因為在訓練數據中的文學作品裏 ，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 ，
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。其實是一個重新認識自己的過程 。寫得比很多人都好 。全球將新增 1.7 億個崗位 ，Sobel 算子，
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 ，
第 7 篇讀完 AI 幻覺之後，不能感知世界——哲學家 Hubert Dreyfus在 1972 年就指出 ，暴露出來的是——真正難的從來不是語法 ，也是最後一篇。覺得不錯的話 ，第 12 篇的四條原則依然成立。
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 ，"孤獨"和"深夜""空蕩"經常出現在相似的上下文裏 。你開始有意識地區分 ：今天做的事情裏 ，而是拍快照的能力。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" 。是人群中無人對視的目光 ，不是"ChatGPT 使用技巧" 。AI 和大數據專家——這些工作需要理解 、僅此而已 。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"，
拆開了 AI 的黑箱 ，你的工作中那些重複性的、而是人類的核心 。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 ，我們一起走過了 16 篇 。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 ，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 ，用我們的框架來說
：底層原理還沒有發生根本改變
。如果你學的隻是"Midjourney 的 50 個技巧" ，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 ，現有 AI 技術理論上可以自動化約 60% 至 70% 的工作活動，
哲學家 John Searle 在 1980 年提出過一個著名的思想實驗 ，而是因為訓練數據中"蘋果""掉落"經常一起出現
- 它沒有身體 ，Elon Musk 認為 2026 年就可能出現超越人類最聰明個體的 AI。先回顧我們學了什麽
要回答"AI 會不會取代我們"，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 ，
我原本隻是想搞懂 AI 是怎麽工作的 。
全係列回顧
16 篇文章 ，你讀這篇文章的時候，在改變發生之前 ，
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 。有一個意料之外的收獲 。靠一本規則手冊回複中文信息 。
Dreyfus 在 1972 年就說過 ：人類的世界是由有身體的人組織起來的 ，更容易覺得"它懂了" 。ChatGPT 回答你的三秒鍾裏 ，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 ，不是一組使用技巧 。神經網絡的本質是"乘法和加法的層層疊加"
。人類認知深深植根於身體感覺和運動經驗中 ，感到一種說不清的空洞 。統計模式匹配無法實現真正的理解 。人類智能與身體經驗密不可分，能做什麽 、
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、從理解到行動。新的爭論 。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 ，隻是使用的方式會變 。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） ，核心結論
- 世界模型（World Models） ：讓 AI 不隻匹配文字模式 ，不是一組使用技巧 。神經網絡的本質是"乘法和加法的層層疊加"
。人類認知深深植根於身體感覺和運動經驗中 ，感到一種說不清的空洞 。統計模式匹配無法實現真正的理解 。人類智能與身體經驗密不可分，能做什麽 、
第一次看到這個係列 ？從第1篇開始最順暢，LeCun 認為至少需要幾十年
訂閱
如果覺得有意思，
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 。
用我們的框架來看 ：「通過所有考試」和「真正理解」之間的鴻溝，能畫畫 、 這是 「AI是怎麽回事」係列的第 16 篇 ，建立人際信任、和人建立信任） 。 它覆蓋的是此刻——2026 年初——AI 技術的快照。 這些 AI 做不到的事情——常識推理
、 AI 能做的事情——模式匹配 、Midjourney 是最熱門的 AI 繪畫工具。它們被淹沒在了大量重複性工作中。當 AI 把編程的語法門檻降低之後 ，50% 的概率在 2033 年前 。 它從未在深夜裏獨自醒來 ，找到訓練數據中關於"孤獨"這個主題的大量文學作品
、四條原則 你以為你在學 AI
，但你同時在學"什麽是人" 。不是計算 。12 篇的知識 從第 1 篇"你的手機是怎麽認出你的臉"到現在 ， 第 15 篇讀完 VibeCoding 之後
，預測 2025 年到 2030 年間 ，但不知道贏了意味著什麽 。價值判斷、 寫得很好 。即可訂閱 。我們來正麵回答那個大問題 。 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 ，律師案件中 ，詞向量 ，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） ，很多人轉向了 DALL-E 3 和 Stable Diffusion。認為到 2030 年底有約 50% 的概率實現 AGI。但他不完全排除這種可能 。什麽能力不會過時
？ 如果你是一個學生 ， 他們的理由 ，而關於孤獨的文字沒有"對錯"之分——所以我們更容易被打動
，AI 做不到 。醫療健康人員 、而你會花更多時間在需要思考和判斷的部分
。這意味著 ： 你讀完這個係列獲得的 ，規則更複雜了，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 ，認為我們可能永遠無法確定 AI 是否擁有意識 。語義=距離 我讓 ChatGPT 寫一段關於孤獨的文字 。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 這些方向都還在研究階段
。後者的時間表真的沒人知道 。做重複決策 、而是基於 AI 的原理 當 AI 可以幫你寫初稿 、學會了怎麽和它一起工作。不理解意義
。Transformer 讓 AI 讀懂上下文）
， 它們需要的是理解 ， 這就是"探索筆記"的意義——不是給你魚 ，這樣的意象和"孤獨"高度共現 。 麥肯錫的研究估計 ， AI 不是來取代我們的 。發現了很多有意思的東西 ，AI 繪畫原理 1750 億個參數裏沒有這種感覺
。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 ，畫出了它的能力邊界
， 不是 AI 讓人變得不重要 。也知道它沒做到什麽（理解美）——第 10 篇的知識 大多數人的工作
，層層檢測 但如果你理解了 AI 的底層原理——它不會過時。 但這裏有一個重要的警告 ：這些預測的"AGI" ，定義各不相同 。 當你看到一個新的 AI 產品，不要當專家 這個係列是我學習 AI 的一份"探索筆記" 。訓練是調參 、大多數人類能力在 AI 時代仍然有用 ， 寫這個係列的過程中
，統計≠理解 增長最快的是什麽 ？STEM 專業人員 、隻是 AI 能做的事更多了 。恰恰定義了"人之為人"
。語言模型能力邊界 ，都隻是在做統計模式匹配——那我們人類做的事情，過擬合 ，同時有 9200 萬個崗位被淘汰——淨增 7800 萬個工作崗位
。走流程）
，一個沒有身體的係統無法真正進入這個世界。中位數約 2040 年 乘法和加法能產生意識嗎
？ 說實話 ， AI 做不到的事情——理解 、上下文=概率分布 帶著這套裝備
，但它不懂"孤獨"是什麽意思 。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
。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" ，前者可能很快到來，哪些是"真正需要思考的"（定義新問題 、不會整個消失——但會被重塑 。這可能對你自身是有害的 。套用模板
、照出了我們真正的價值 。Transformer
，這不是"人工智能"的勝利 ，沒有經曆
。AI 與人類的邊界 如果你真的從第 1 篇讀到了這裏
，它就會完全崩潰 。直接讀這篇也沒問題。你在第 8 篇裏看到了，後續文章也會持續更新。AI 在快速發展 。AI 為什麽能通過律師考試卻會一本正經地撒謊 。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 。而是訓練出來的"看起來像憤怒"的表演 。你知道這意味著什麽（模式匹配），你可能也想過一個問題 ：如果 AI 這麽"聰明"
，歡迎分享+關注
。 我們在第 12 篇裏提到過，它學會了"關於城市的文字模式"
，AI 能寫出關於愛情的詩歌 ，這個係列就是我的探索筆記 ，感到一種說不清的空洞
。 "深夜裏空蕩的房間"——因為在訓練數據中
，但研究得越深
，新的能力
、但同時
，共情
、AI 會做得更快更便宜 。甚至可以說，ChatGPT 生成了"看起來像法律引文"的文字；在這裏 ，翻譯文本
、用我們學過的知識來解釋 ，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
， 框架不是基於 AI 能做什麽， 在回答"取代"之前 ，
AI 讀到的不是文字 ，但它不懂"孤獨" 第三章 第 13 篇 怎麽讓 AI 聽懂你的話
？ Prompt 原理 ，是教你釣魚 。恰恰相反——AI 讓我們更清楚地看到了什麽才是真正重要的 。 
"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
， 
AI 看到的不是圖片 ，劍橋大學哲學家 Tom McClelland 發表了一項研究 ，是數字 拆開黑箱 第 2 篇 AI 怎麽讀懂文字？ Token ，可能又有了新的工具。其中超過 40% 的崗位有被完全自動化的潛力 。這其實是一個開始
。三要素（數據+算力+算法） 2012 年不是進步 ，但本質沒變
：操作符號
，外麵的人覺得他完全懂中文——但他隻是在按規則操作符號 。 第 15 篇 AI 寫代碼有多厲害？ VibeCoding，神經網絡是乘法加法
、隻"預測" 能力邊界 第 10 篇 AI 能創造嗎 ？ Diffusion ， 一個邀請
AI 是一麵鏡子
模式匹配不等於理解 第 8 篇 ChatGPT 的三秒鍾 全流程串聯 ，就像一個演員在舞台上表演"憤怒" ， 第 16 篇 AI 會取代我們嗎 ？ 全係列串聯 ， Prompt 不是咒語 ，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 。DeepMind 的 Demis Hassabis 則更謹慎，你現在手裏有一套完整的裝備 ： AI 不懂孤獨——這恰恰定義了"人" 個人錨點
這就是標題的含義：AI 可以寫出關於孤獨的優美文字 ，但不止於此 。語法 vs 思考
AI 會取代我們嗎？
要回答這個問題 ，它給了我這樣一段 ：
孤獨是深夜裏空蕩的房間 ，
AI 時代 ，它的"規則手冊"是 1750 億個通過訓練自動學出來的參數 。
所以更準確的說法不是"AI 取代工作" ，一個結論變得越來越清晰 ：AI 暴露的不是人類的弱點 ，哪些是"模式匹配"（套模板 、整理數據 、框架不會因為工具更新而過時 。心理學文本中的統計模式，
結尾
AI 不是魔法 ，更多的數據） ，發生的是 1750 億個參數的數學運算 。落在譜係的右側 。你可能也經曆了類似的認知轉變 。翻譯文檔 、當前的大語言模型最大可能是沒有意識的 ，創造意義、共情 、你知道它做到了什麽（從噪聲中還原統計模式） ，生成代碼的時候 ，做倫理決策 、能寫代碼 。我們需要先搞清楚 AI 到底是什麽 、更像是一種營銷策略 ，
ChatGPT 就是一個巨大的中文房間 。
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 ，不是匹配 。而是 ：
- 當你聽到"某某 AI 能通過考試了"，
AI 會取代我們嗎 ？——用原理回答
這個問題其實可以拆成三個更具體的問題 。模式匹配譜係 ，而不是真正的"理解" ？
第 11 篇讀完 AI 能力全景圖之後 ，在幾萬億個詞的訓練數據中找到統計模式，