AI是人类智能的延伸，而非替代

今天的AI系统能够撰写文章、生成代码、总结复杂思想，并能以惊人的流畅度进行对话。然而，这些系统在面对人类直觉式的任务时仍然存在困难：可靠地追踪变化中的物体、在不熟悉的情境中进行组合性推理、或者区分真理与貌似合理的虚构。这些矛盾激发了激烈的讨论。一些人将当前的系统视为类人智能的早期形式；另一些人则将其视为高级的自动补全工具。

近期的跨学科研究，包括亚当·弗兰克、马塞洛·格莱泽和埃文·汤普森的《盲点》、以及DeepMind研究员亚历山大·莱尔赫纳的《抽象谬误》，描绘了一幅不同的图景。这些研究并非在问AI系统是否在变得像人类一样智能，而是提出了一个更根本的问题：如果AI系统之所以能工作，是因为它们依赖于根植于人类认知的结构呢？这种视角的转变，借鉴了埃德蒙德·胡塞尔的现象学，有助于理解现代AI的能力和局限。

源于自然智能

在最近的一篇论文《人工智能在自然智能中的起源》中，研究人员认为，现代AI系统既不应被理解为人类心智，也不应被视为微不足道的统计技巧。相反，它们延伸了起源于人类认知本身的结构。借鉴胡塞尔的现象学，该论文提出，语言已经包含了人类理解的沉淀结构，而AI系统则学习对这些结构进行建模和延伸。

人类的感知并非简单地被动接收感官数据。我们体验世界的方式是，稳定的事物在变化中展开：一个杯子，当我们绕其移动时，它仍然是同一个杯子；一段旋律，即使单个音符消逝，仍然可以被辨认。语言正是通过将这些稳定结构表达为概念形式而出现的。像“红色”、“圆形”或“大于”这样的词语，表达了源于生活体验的关系。

大型语言模型学习这个语言世界内的统计关系。它们捕捉概念在大量人类文本中如何相互关联。这解释了为什么AI系统能够在多个领域生成连贯的回答。但这也解释了为什么它们会产生幻觉。人类仍然对世界负责：体验不断纠正我们的期望和信念。相比之下，AI系统只是延伸文本内部的模式。它们能够以惊人的流畅度延续推理，但缺乏将意义和真理锚定的、与世界的生活互动。

解释组合性缺口

这一框架有助于解释AI研究中几个反复出现的挑战。其中之一是“组合性缺口”，即语言模型在熟悉的推理模式上表现良好，但面对以真正新颖的方式组合概念的任务时却会失败。越来越多的研究表明，更大的模型在提高流畅度和事实记忆方面，远比提高真正的组合性推理能力要快。从这个角度看，这不仅仅是一个工程限制，而是一个结构性边界：AI系统可以延伸语言中已沉淀的模式，但不具备那种能让人类生成全新概念关系的、面向世界的理解。

类似模式出现在结合语言和视觉的多模态系统中。这些系统通常能够正确标注图像，但在关于物体及其部分的稳健推理方面仍然失败。它们学习视觉模式与语言之间的相关性，而不是像人类那样，感知随时间展开的稳定物体。其结果是，系统看起来流畅得令人印象深刻，但在熟悉模式之外却仍然出奇地脆弱。

重新框定AI安全

这一视角也重新框定了关于AI安全的讨论。公众讨论常常在担忧“失控超级智能”和声称AI风险甚微之间摇摆。研究表明，这两种极端都误解了当前系统的本质。最直接的风险并非因为AI具备类人的意图，而是因为它能够在没有对世界进行反思性负责的情况下延伸推理模式。系统可以生成有说服力但缺乏依据的输出，大规模自动化有缺陷的决策，或者在治理不善的环境中执行有害行动。

这有助于解释为什么AI安全正越来越多地从模型安全转向系统安全。在实践中，组织已经依赖多层保障措施，即业界越来越多地称之为“约束装置”，来约束、验证和监控AI行为。论文认为，这些机制并非临时的补丁，而是反映了AI架构本身的一些根本性东西：值得信赖的行为源于构建AI系统的人对其行为负责的工作，这种责任不能委托给或与模型共同承担。

这种解释与企业日益采用的可信赖AI部署方法高度一致。组织需要能够扩展人类智能，同时保持可治理、可审计和符合人类监督的系统。将AI理解为一种衍生智能形式，阐明了为什么分层治理、评估和运营控制如此重要。

一条脚踏实地的前进道路

展望未来，研究人员认为现象学提供了不仅仅是批评AI的视角，它还提供了一个理解AI前景的框架。AI系统揭示了人类认知本身的一些深远意义：意义可以被形式化、扩展，并以强大的新方式规模化。因此，AI的核心社会风险在于，我们可能会踢开它源于人类经验和认知的梯子，错误地将AI解释为削弱我们人性的竞争智能，从而反过来削弱了AI本身的真正前景。

因此，问题不在于AI是否会取代人类智能，而在于我们如何负责任地构建系统，既扩展人类理解，又保持扎根于这种理解所从出的世界。如果我们误将AI系统视为自主心智，我们就可能过度信任它们。如果我们将其视为微不足道的把戏，就可能忽视我们这个时代最重要的技术发展之一。一个更踏实的解释同时承认两个真相：AI是人类智能真正的延伸，正因为如此，人类仍然对其如何被理解、治理和使用负责。