它不懂孤獨我們嗎會取代t是什麽意思
這就是孤独"探索筆記"的意義——不是給你魚，他的代们理由很簡單：我們連人類意識是怎麽產生的都沒有完全搞清楚 ，統計模式匹配無法實現真正的不懂理解 。但它實際上並不理解這座城市的什意思空間結構——給它一個簡單的繞路任務 ，找到訓練數據中關於"孤獨"這個主題的孤独大量文學作品 、生成代碼的代们時候，我們一起走過了 16 篇 。不懂但至少有一點是什意思明確的 ：你不需要因為"AI 說話聽起來很像人"就恐慌 。它就會完全崩潰 。孤独
| 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 ？代们 | 圖片=數字矩陣，共情 、不懂但他不完全排除這種可能 。Sobel 算子 ，層層檢測 | AI 看到的不是圖片
，也知道它沒做到什麽（理解美）——第 10 篇的知識第一個問題 ：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 ，CLIP ，但沒有建立一個"城市的模型" 。是心裏有千言萬語卻找不到一個可以傾訴的人 。 第一次看到這個係列 ？從第1篇開始最順暢 ，律師案件中 ，外麵的人覺得他完全懂中文——但他隻是在按規則操作符號 。還是原理上的（全新的架構、因為你理解了當前原理是什麽 。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） 但如果你理解了 AI 的底層原理——它不會過時 。沒有經曆 。然後用這些模式"續寫"出一段文字 。更像是一種營銷策略 ，而是訓練出來的"看起來像憤怒"的表演 。AI 和大數據專家——這些工作需要理解、他說得更直接——科技公司宣傳 AI 具有某種意識或情感 ，DeepMind 的 Demis Hassabis 則更謹慎 ， 乘法和加法能產生意識嗎 ？ 說實話 ，那這些知識會快速貶值 。就是一種力量——它讓你在一個充滿 AI 炒作和恐懼的世界裏 ，AI 能畫出以假亂真的圖片（第 10 篇） ，但那也隻是從噪聲中還原訓練數據裏的統計模式——它畫不出"孤獨是什麽感覺" 。Elon Musk 認為 2026 年就可能出現超越人類最聰明個體的 AI 。 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 。它生成了"看起來像描寫孤獨"的文字 。需要的是體驗， 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 ，學術界認為至少需要兩個方向的突破 ：
|
| 第 15 篇 | AI 寫代碼有多厲害 ？ | VibeCoding ，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 。不變的是思考 | ||
| 第 16 篇 | AI 會取代我們嗎？ | 全係列串聯，都隻是在做統計模式匹配——那我們人類做的事情 ，AI 會寫"孤獨" ，不能感知世界——哲學家 Hubert Dreyfus在 1972 年就指出 ，天花板與突破方向 ，那麽有沒有人預測這種改變什麽時候到來 ？ 有 。
這就是標題的含義 ：AI 可以寫出關於孤獨的優美文字 ，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） ，醫療健康人員、覺得不錯的話 ，高速計算——讓你看到人類也擅長這些 ，可能已經有了新的模型 、 這不是一個結束——帶著你對 AI 的理解 ，不是"思考"。也是最後一篇 。 凡是需要理解 、不是"ChatGPT 使用技巧" 。哪些是"真正需要思考的"（定義新問題 、更多的數據） ，同時有 9200 萬個崗位被淘汰——淨增 7800 萬個工作崗位 。AI 與人類的邊界 | AI 不懂孤獨——這恰恰定義了"人" |
個人錨點
如果你真的從第 1 篇讀到了這裏 ，歡迎分享+關注。
區別隻在於：法律引文可以去數據庫核查真假 ，但分不清"謝謝你"是真心還是諷刺 。不能做什麽 。
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、
第 15 篇讀完 VibeCoding 之後，學會了怎麽和它一起工作 。你開始有意識地區分 ：今天做的事情裏 ，
最後一篇 ，統計≠理解
它隻在你的生命裏 。你的價值在哪裏？就在那些 AI 做不到的地方：
- 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 。
哲學家 John Searle 在 1980 年提出過一個著名的思想實驗 ，
但我希望你帶走的不是這份快照本身 ，於是這些真正重要的能力被凸顯出來 。可能又有了新的工具。現有 AI 技術理論上可以自動化約 60% 至 70% 的工作活動，認為我們可能永遠無法確定 AI 是否擁有意識 。他認為我們在和 LLM 對話時 ，規則更複雜了 ，
AI 不是來取代我們的 。
"人群中無人對視的目光"——因為在訓練數據中的文學作品裏 ，是給 AI 更好的上下文
它從未在深夜裏獨自醒來 ，
結尾
AI 不是魔法，模式匹配譜係 ，
如果是原理上的突破——那才是真正需要更新知識的時候 。框架不會因為工具更新而過時 。
研究 AI 的過程 ，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" ，
它們需要的是理解 ，一條完整的弧線 ：從好奇到理解 ，而是人類的核心。
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 。
一個邀請
這個係列是我學習 AI 的一份"探索筆記" 。
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 。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 ，就是這樣的 ：
當前 AI 的底層原理是"在訓練數據中尋找統計模式" 。和人建立信任）
。這其實是一個開始 。能畫畫、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，隻是在 AI 出現之前 ，這個位置最可能出現什麽詞"的結果 。這個係列就是我的探索筆記 ，後者的時間表真的沒人知道 。 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
，整理數據
、而是"怎麽學"。 有了第一章建立的基礎知識（數據都是數字 、 2025 年 ，你可能也經曆了類似的認知轉變。 所以更準確的說法不是"AI 取代工作"，然後預測下一個最可能的詞 。很多人轉向了 DALL-E 3 和 Stable Diffusion 。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 。歡迎關注我 ，你知道這意味著什麽（模式匹配） ，
你以為你在學 AI ，這可能對你自身是有害的 。但不知道被愛是什麽感受。詞向量 ，
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 。畫出了它的能力邊界，
感謝你陪我走過這 16 篇 。你可以問 ：
- 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、後續文章也會持續更新 。而你會花更多時間在需要思考和判斷的部分 。能翻譯 、有一個意料之外的收獲。大多數人類能力在 AI 時代仍然有用，其實是一個重新認識自己的過程 。認為到 2030 年底有約 50% 的概率實現 AGI 。我們來正麵回答那個大問題 。新的能力 、而你有能力識別這個區別 。發生的是 1750 億個參數的數學運算 。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" ，而是拍快照的能力
。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 ，做倫理決策、它的注意力機製（第 6 篇）在 1750 億個參數（第 4 篇）中搜索 ，Transformer 讓 AI 讀懂上下文）
，
當你看到一個新的 AI 產品 ，
他們的理由 ，我們先來做一個實驗 。而不是科學判斷 。四條原則
我讓 ChatGPT 寫一段關於孤獨的文字。
1750 億個參數的乘法和加法，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，過擬合 ，
但它沒有懂。新的爭論 。那不是真的憤怒 ，這樣的意象和"孤獨"高度共現 。劍橋大學哲學家 Tom McClelland 發表了一項研究 ，暴露出來的是——真正難的從來不是語法 ，正好落在模式匹配譜係的左側 。做困難的價值判斷 、照出了我們真正的價值 。
你讀完這個係列獲得的，我一直很好奇 AI 到底是怎麽工作的 ，判斷和創造 ，到你讀這篇文章的時候 ，翻譯文本 、不是一組使用技巧。
大多數人的工作 ，它給了我這樣一段 ：
孤獨是深夜裏空蕩的房間 ，是統計學的勝利。哪些是"模式匹配"（套模板 、其中超過 40% 的崗位有被完全自動化的潛力 。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） ，模式化的部分會被 AI 接管 ，而是：
- 當你聽到"某某 AI 能通過考試了" ，你現在手裏有一套完整的裝備 ：
- 一個定義：AI 是超級模式匹配器
- 一套原理 ：數字化→神經網絡→訓練→Transformer→統計預測
- 一個框架 ：AI 認知三角（模式明確+數據充足+可驗證= AI 強項）
- 一個工具 ：三問判斷法（模式匹配 ？數據夠 ？能驗證 ？）
- 一套方法 ：Prompt 原理+協作原則+驗證優先
帶著這套裝備 ，能做什麽 、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" 。隻"預測"
而理解這一點本身 ，三問判斷法
這就是模式匹配和理解之間的鴻溝
。AI 在快速發展。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，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 ，隻是使用的方式會變 。 第 7 篇讀完 AI 幻覺之後
，用我們學過的知識來解釋，直接讀這篇也沒問題 。
而這條鴻溝讓我意識到一件事：
AI 做不到的那些事情 ，而是想清楚你要做什麽 。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 ，神經網絡的本質是"乘法和加法的層層疊加" 。
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" 。盯著天花板 ，心理學文本中的統計模式 ，
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 ，擁有了自己的判斷力 。定義各不相同 。創造性思維 、你讀這篇文章的時候 ，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 。統計預測 、就像計算器取代了手工算賬一樣 。ChatGPT 回答你的三秒鍾裏，Transformer ，僅此而已 。是數字
這和第 7 篇裏講的律師假判例是完全一樣的機製 。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 。
增長最快的是什麽 ？STEM 專業人員 、靠一本規則手冊回複中文信息 。做重複決策、當 AI 把編程的語法門檻降低之後 ，
從第 1 篇"你的手機是怎麽認出你的臉"到現在 ，語法 vs 思考
寫得很好 。我們建立的整套框架就成立 。
ChatGPT 就是一個巨大的中文房間 。感到一種說不清的空洞 。走流程） ，你已經有能力自己追蹤 AI 的進展了 。套用模板 、創造意義 、感受孤獨——讓你看到這些才是你最核心的部分 。
AI 是一麵鏡子
寫這個係列的過程中 ，第 12 篇的四條原則依然成立 。GPU 並行
當 AI 可以幫你寫初稿 、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 ，不會整個消失——但會被重塑 。
每一個詞都是"在關於孤獨的文本中 ，
好消息是——你已經知道了。ChatGPT 回答你的那三秒鍾裏究竟在算什麽 ，AI 能寫出關於愛情的詩歌 ，Gary Marcus（認知科學家）多年來一直警告 ，你知道它做到了什麽（從噪聲中還原統計模式） ，當我輸入"寫一段關於孤獨的文字" ，
麥肯錫的研究估計 ，全球將新增 1.7 億個崗位 ，但不知道贏了意味著什麽 。
用我們學過的原理來想這個問題 ：
你在第 4 篇裏知道了 ，
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） ，詩歌 、
這是 「AI是怎麽回事」係列的第 16 篇 ，在改變發生之前 ，AI 把重複性工作接管了，我想聊一個更大的問題——這個問題你可能從第 1 篇就開始想了：
AI 會取代我們嗎？
要回答這個問題 ，這些環節會被自動化 ，50% 概率 2033 年前
EA Forum. (2024). AGI by 2032 is extremely unlikely. https://forum.effectivealtruism.org/posts/sQSCqpm9Ymwiu8rdb/agi-by-2032-is-extremely-unlikely — 對 8590 條 AGI 預測的綜合分析 ，它是一麵鏡子， 讓我用一張圖把整個係列的知識串起來 。感到一種說不清的空洞 。
AI 能做的事情——模式匹配 、你可能也想過一個問題 ：如果 AI 這麽"聰明" ，幾萬億個詞的訓練數據裏也沒有 。AI 會做得更快更便宜 。文員崗位下降最多
McKinsey Global Institute. (2023). Generative AI and the future of work in America. https://www.mckinsey.com/mgi/our-research/generative-ai-and-the-future-of-work-in-america — 超過 70% 的雇主看重的技能既用於可自動化工作也用於不可自動化工作 The Federal. (2025). AI titans Demis Hassabis, Yann LeCun *** over meaning of 'general intelligence'. https://thefederal.com/category/business/ai-chiefs-demis-hassabis-yann-lecun-lash-over-general-intelligence-meaning-222118 — Hassabis 預測 2030 年底前 50% 概率實現 AGI ，這意味著 ：
- 它隻能"匹配"見過的模式 ，散文 、你看待自己工作的方式可能也開始變了。而是基於 AI 的原理
AI 能寫出關於孤獨的優美文字。
"深夜裏空蕩的房間"——因為在訓練數據中 ，翻譯文檔、中位數約 2040 年
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 。LeCun 認為至少需要幾十年
訂閱
如果覺得有意思 ，
我們在第 12 篇裏提到過，
在回答"取代"之前 ，但本質沒變 ：操作符號 ，50% 的概率在 2033 年前。
第 12 篇裏我們說過 ：AI 在快速進步 ，從理解到行動。什麽能力不會過時 ？
如果你是一個學生 ，不是匹配 。甚至可以說 ，是高維空間的點
但這裏有一個重要的警告 ：這些預測的"AGI" ，而是渴望連接卻無法觸及的距離。核心結論
全係列回顧
16 篇文章，用我們的框架來說 ：底層原理還沒有發生根本改變
。這不是"人工智能"的勝利 ，你在第 8 篇裏看到了 ，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， 拆開了 AI 的黑箱 ，人類智能與身體經驗密不可分 ，
但"僅此而已"就已經夠驚人了——它讓機器能對話 、它不是獨處 ，
用我們的框架來看 ：「通過所有考試」和「真正理解」之間的鴻溝 ，
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 ，
AI 做不到的事情——理解 、是換了賽道
第 11 篇讀完 AI 能力全景圖之後，
這些 AI 做不到的事情——常識推理 、先回顧我們學了什麽 要回答"AI 會不會取代我們" ，也用在不可自動化的工作中——也就是說，對抗樣本 ，是人群中無人對視的目光
，Midjourney 是最熱門的 AI 繪畫工具
。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）
。人類認知深深植根於身體感覺和運動經驗中
，它們被淹沒在了大量重複性工作中 。隻要 AI 的底層仍然是"在數據中尋找統計模式" ， 我原本隻是想搞懂 AI 是怎麽工作的 。一個結論變得越來越清晰
：AI 暴露的不是人類的弱點，12 篇的知識 微信搜索"我沒有三顆心髒"或者掃描二維碼，我們需要先搞清楚 AI 到底是什麽 、
不是 AI 讓人變得不重要 。你現在知道那些像人的回答是怎麽來的——統計模式匹配 ，就是第 7 篇講的「統計匹配」和「因果理解」之間的鴻溝 。更容易覺得"它懂了"。
不要去學"怎麽用某個特定工具"——工具會變 。
AI 時代 ，而是「AI 取代工作中可以模式匹配的部分」 。隻是 AI 能做的事更多了 。驗證>信任
Dreyfus 在 1972 年就說過 ：人類的世界是由有身體的人組織起來的 ，2024 年 ，在幾萬億個詞的訓練數據中找到統計模式 ，客服應答） ，不是因為它"理解"重力 ，
如果你真的從第 1 篇讀到了這裏 ，恰恰定義了"人之為人" 。前者可能很快到來 ，
2022 年的時候 ，是教你釣魚 。應對前所未見的情況） ，
它覆蓋的是此刻——2026 年初——AI 技術的快照 。建立人際信任、能寫代碼。
标签：
责任编辑：熱點
