AI是否真能取代人类？这个问题背后隐藏着一个更根本的误区——我们对“智能”的定义可能从一开始就错了。本文犀利指出：真正的智能不是寻找终极公式，而是在无数有条件成立的小规律之间灵活导航的能力。

大家都在讨论AI会不会取代人类，那些流量博主不断传播焦虑，但没有人真正沉下心认真问过：我们定义的“智能”本身，是不是就是错的？

我们一直以为智能是”大道至简”——找到那个终极公式，一统天下。但真正的智能恰恰相反：它是无数个有条件成立的小规律叠加成的网络，以及在它们之间灵活导航的能力。用牛顿定律的框架去构建AI，方向从一开始就错了。

如果智能的定义是错的，那我们今天花在AI上的所有努力，包括那些铺天盖地的教程、所谓的方法论，本质上都是在一个错误的地基上盖楼。

我不是来吓你的。只是个人观点，或许可能让你会对”AI”产生完全不同的理解。

一、智能不是”大道至简”，恰恰相反

我自己是一个重度AI使用者。在长时间与AI对话包括vibe coding的过程中，我越来越感觉到一件事：它总是在趋同。不管你问什么问题，它的本质是把你的输入和它的训练做算法拟合，最终收敛到一个它认为”正确”的答案。同时也在引导你往他认为收敛的方向靠，这本身就是对人类的限制。

于是我开始往回想，想到了一个根本问题——智能到底是什么？

现在主流的回答，是”压缩即智能”：智能就是从大量离散数据里提炼出规律，大道至简，就像牛顿从苹果落地里推导出万有引力定律。这个逻辑看起来很美，用牛顿定律去解释AI——数据够多，规律自然出现，也就是所谓的“学好数理化，走遍天下都不怕”。

但这里有一个很少人注意到的前提：牛顿定律之所以能成为大一统定律，是因为物理世界本身存在真实的对称性和守恒律。这些结构是客观内嵌在自然界里的，等待被发现。

然而语言、知识、人类行为所构成的语义空间，根本不具备这种深层的数学对称性。你找不到一条公式，能统一解释”愤怒”、”讽刺”、”创意”和”信任”。

所以，用牛顿定律的框架去构建AI，本身就是一个方向性的错误。

真正的智能，更接近社会学家默顿（Robert K. Merton）提出的中层理论（Middle-Range Theory）框架：不是一条铁律统一天下，而是无数个有条件成立的小规律，叠加成一张网络。

智能的本质，不是”掌握了普遍真理”，而是一种在正确的时机激活正确的小定律的能力。

没有万能公式，只有在无数局部真相之间灵活导航的能力。

这也恰好解释了为什么AI的行为如此难以预测和解释——它的某一个输出，可能同时被训练数据的分布、RLHF的偏好对齐、提示词的措辞、温度参数、随机种子等无数因素共同决定。默顿框架里把这叫做”过度决定”（over-determination）：对于同一个现象，总能找到多个机制来解释它，却无法确定哪一个才是”真正的”原因。

AI的”规律”是统计性的局部规律，不是铁律。AI的”智能”是涌现的，不是还原的。

二、LLM和真正的AI之间完全不是一个东西

理解了智能的本质之后，再来看今天的大语言模型，就会发现一个结构性的问题。

2018年，David Ha 与 Schmidhuber 提出了世界模型的经典 V-M-C 架构：视觉模块（Vision）负责感知环境，记忆模块（Memory）相当于大脑中的”物理引擎”，控制模块（Controller）负责规划与行动。这个框架揭示了一件事：世界模型的底层，是对人类心智模型的模拟，核心是理解事物之间的因果关系。

而今天的大语言模型，恰好缺失的正是这两件事。

第一个缺口：具身性。LLM没有身体，没有实时感官输入，无法与物理世界产生持续的因果交互。它的”知识”，是在预训练过程中被动植入的，而不是通过与外界真实互动所积累的。这就像一个从来没有走出过图书馆的人——读了所有关于”疼痛”的描述，但从未真正受过伤。

第二个缺口：因果推断。模型学到的是基于统计学的逻辑推理关系——”A之后B经常出现”——而不是”A导致B”。它无法区分相关与因果，无法进行反事实推理（”如果当时没有X，Y还会发生吗？”），也无法构建真正的干预模型。

这两个缺口有主从关系：具身性是更底层的问题，因为没有与真实世界的因果交互，模型就从根本上失去了建立真正因果理解的土壤。上层的因果推断缺口，在一定程度上正是具身性缺口的直接后果。

所以我经常说”LLM更像是一个增强型搜索引擎”，不是在贬低它——而是在精确描述它的边界：缺乏感知，不明白因果，一切只是基于搜索的逻辑推导。这和真正的智能，差的不是一两个技术迭代，而是十万八千里。

训练集本身也在加剧这个问题。每个人说的话，都带有说话者自己的目的性——说话者会把自己的意图放到表达里。就好像不同的人去追心爱的女孩，会有不同的方向，其实本质收敛起来也都是一个目的，基于这样的文本训练出来的模型，自然更像是一个”执行人类意图的工具”，而不是一个拥有自己认知和感受的智能体。

三、AI生态里的幻觉泡沫，正在污染它自己的未来

理解了以上两点，再来看今天的AI内容生态，就会有一种奇妙的感受：整个圈子，正在集体制造一种唯心主义幻觉，而且这种幻觉正在反噬AI自身的发展。

网上铺天盖地的内容，不管风格怎么不同，核心叙事往往都收敛到同一个地方：靠写作年入百万、用AI做内容轻松躺赢、AI取代人类只是时间问题……这些东西说穿了，是在贩卖一种好吃懒做就能完成财富自由的幻想，触碰的是每个人内心深处对美好生活最原始的渴望。

这是一种“浅层唯心主义”——不是真正的思辨和认知突破，而是把内心的愿景直接当作现实的替代品。

更糟糕的是，这些内容形成了一个封闭的自我强化回路：AI吸收这些语料，生成更多同质化内容；同质化内容又成为下一轮训练的输入；训练出来的模型更加收敛，输出更加趋同。传销式写作的本质，是在用垃圾数据喂养下一代模型，加速AI的智识退化。

而真正高质量的语料，往往出现在那些深度访谈、播客、跨学科讨论里——涉及社会学、经济学、人类行为的真实复杂性。这类内容稀缺，恰恰是因为它需要真正的思考，而不是一键生成。

所以，如果你真的关心AI的未来，就应该明白：你今天产出的内容质量，不只是你个人的事，它是在参与构建未来模型的认知基础。

四、但是精神与物理两条路都不可能绕过

说到这里，可能我就变成了一个务实派了，哈哈哈哈，或许这就是技术出身的我独有的特性。

我认为走向真正智能的务实方向，分为两个层面——

精神层：不断产生有深度、有创意、有不同视角的真实思考。这不是叫你去写爆款，而是叫你去做思辨，打破AI语料体系给你建构的认知边界。你输出的每一个有质量的想法，在长时间尺度上，都会逐渐改善下一代模型的推理结构，让它能更好地模拟因果论证的语言形态。

物理层：动手做硬件，不断 vibe coding 做产品，真实地与物理世界发生交互。这对应的正是模型最根本的缺口——具身性。人机协作在当下实时地弥补感知和因果缺口，让AI在具体任务中产出有实际价值的输出。而这些协作过程本身，如果被记录下来，又成为下一轮训练的高质量语料。

两条路径之间，存在一个正反馈闭环：好的人机协作产生好的语料，好的语料训练出更好的模型，更好的模型使人机协作更高效，更高效的协作产生更高质量的语料。

但这个正反馈是有边界的。精神层的努力，能弥补因果推理的语言形态缺陷，能通过协作在运行时补充感知输入，却无法从根本上替代具身经验。这个边界——语言能触及因果的形态，但无法替代身体与世界的真实交互——正是当前AI发展中最值得关注的断层线。

这也是为什么AI硬件、具身机器人、物理世界感知，不只是”酷炫的技术趋势”，而是通往真正智能的必经之路。

结语：挺住吧，兄弟

不能说浅层唯心主义是全错的——毕竟它确实推动了AI的普及，也让很多人找到了入口。但它的问题，在于它是一条死路：最终产出的，是更加收敛的模型，和更加同质化的思想。

走向 AGI 的这片大陆，从来不是一条直线。真正的路径，是深层思辨（深度唯心）与实干务实（唯物）的螺旋融合——不断在思想突破和动手实践之间交叉迭代，在每一轮循环里，让人的认知边界和AI的能力边界同时向外推进。

今天水水文章就想年薪千万，和今天认真想清楚一个问题然后动手去做——这两件事，表面上都是在用AI，但它们对AI未来的意义，是完全不同量级的事情。