AI 逼近"全知",人類會走向精神荒蕪嗎?

2026-01-25 | 來源: AI未來指北 | 轉到微信 | 有0人參與評論 | 字體: 放大縮小 | 收藏 | 打印

1944年，阿根廷作家豪爾赫·路易斯·博爾赫斯曾在《巴別圖書館》中，為人類構築了一個由無限六角形回廊組成的“全書圖書館”。

起初，它是神諭的代名詞。人們沉浸在“萬物皆已寫就”的狂喜中，窮極一生去追尋那本能解釋宇宙真相、甚至是個體命運的“辯護狀”。

然而，當狂歡落幕，真相顯露：在近乎無限的、由亂碼組成的廢紙堆裡，尋找一行有意義的敘述，概率微弱到近乎虛無。

信息的極度冗余，非但沒有點亮智慧，反而以噪聲淹沒了意義。

博爾赫斯筆下的旅行者穿梭於周而復始的卷冊間，看透了那令人絕望的循環。他預言人類終將滅絕，而圖書館永存——“青燈孤照，無限不動，藏有珍本，默默無聞。”

八十余年後的今天，這個隱喻跨越時空，精准地擊中了生成式AI時代的神經。

我們正站在知識飽和的奇點：當算法可以在瞬間窮盡文字的所有組合，我們是在挖掘通往真理的沃土，還是在加速步入一片精神的荒原？當一切皆可生成，是否意味著一切皆無意義？人類智慧的護城河在何方？我們應該如何與AI共存，並利用它創造出真正有價值的內容？那些記錄著人類“不完美靈魂”的文學與藝術，是否會成為我們最後的精神庇護所？

圖：AI生成的巴別圖書館

帶著這些關於創造、教育與存在的追問，在高山書院十周年的現場，我們與香港科技大學首席副校長、英國皇家工程院院士、中國工程院外籍院士郭毅可深聊了近兩個小時。他不僅是人工智能與計算機科學學者，從事人工智能、數據科學及其在科研與教育體系中的應用研究，而且長期持續推動AI與跨學科創新的結合。

在郭毅可看來，AI並不會簡單地“淘汰人”，而是重塑工作的結構與分工方式，很多職業將轉向更高層次的人機協作與復雜決策。

在談及人工智能的社會意義時，郭毅可進一步提出，人工智能的價值不只是提升效率，而在於可能重塑組織結構和社會結構本身。因此，他始終反對將AI僅僅視為一項工具或工程問題，而強調它對教育體系、人才培養模式以及制度設計的長期影響。他也多次指出，人工智能不應被視為計算機學科的簡單延伸，而是一門天然要求跨學科融合的新型學科。

以下是本次采訪的實錄，希望能為您帶來啟發：

Q：近年來，大模型的發展讓人聯想到博爾赫斯在小說《巴別圖書館》中描述的場景——一個涵蓋所有知識的無限圖書館。在這樣的時代背景下，如果人類獲得任何答案都只需0.1秒，那麼“提問的能力”是否會成為我們最關鍵的智力護城河？

郭毅可：如果人工智能的發展能夠將世界上所有以文字記載的事實或知識，壓縮成一個模型，並在提問時生成它認為正確的回答，這便是你所說的“0.1秒獲得知識”。

這裡我們需要先明確知識的定義。知識是一種具有共識性的認知，而“共識”本身是一個統計學概念，即大多數人同意。

大模型的“壓縮”過程，本質上就是尋找統計意義上的共識。從這個意義上講，大模型在很大程度上生成了與我們所定義的“知識”相一致的內容。

因此，需要費力記憶和構建個人知識體系的重要性似乎在下降，因為我們有了一個“副腦”。現在，關鍵問題變成了“retrieval”——如何獲取你想要的東西。而這取決於“你想要什麼”以及“你為什麼想要它”。

學會提問變得至關重要，但這並非易事。一個淺顯的問題，只能得到淺顯的答案。只有當問題本身提得極具特色，獲得的答案才可能更有價值。

但比提問能力更重要的，是與機器的“交流能力”。你問機器十次，它可能給出十個不同的回答。

你需要從中判斷哪個是對的，它們之間有何異同，以及為什麼不同。最精彩的並非一次性的問題，而是在多輪對話中，不斷提升對信息和知識的精度要求。

因此，我認為與機器的交流能力，才是未來最重要的能力。

Q：與AI提問和與人類提問，方式上是否存在本質區別？如果人類越來越習慣於從AI那裡獲得加工好的結論，思維是否會因此萎縮？

郭毅可：沒有太大的本質區別。唯一的不同可能在於，與你交流的AI知識量極為豐富。和人聊天可能會無話可說，但AI總能延續對話。關鍵在於，你需要判斷AI生成內容的穩定性及其內涵。人是主觀存在，而AI是客觀存在，你如何認知它的回答，會帶來不同的感受。

至於思維是否會萎縮，這取決於使用者自身。

為什麼你會覺得去圖書館做大量功課不算“偷懶”，而用AI獲取知識就是“偷懶”呢？這只是獲取知識的途徑和能力發生了變化。恰恰相反，這對你提出了更高的要求——你必須時刻對AI給出的內容做出反應，這是一種真正的“對話”，而非被動的“被教育”。

見證歷史!最"反人類"機器人誕生

北極有企鵝?白宮發特朗普牽企鵝"走向格陵蘭"圖

美國海鮮巨頭悄然關閉90%門店加速走向衰落

所謂的“AI幻覺”，其實比人類的“幻覺”，也就是主觀臆斷，要多得多。正因為知道對方是機器，我們反而更能產生一種懷疑和批判的精神，這會讓人變得更聰明，而不是更懶。那種認為“更容易地獲取知識會導致大腦萎縮”的觀點，是非常天真的，因為它仍然套用了人與人交往的邏輯來想象人與機器的交往。

功能的轉移是必然的。比如，我們現在記不住電話號碼，但我們把記憶的能量轉移到了推理等其他能力上。我們打字快了，認識的單詞量可能更大了。我不會打算盤了，但我會編程序了。這並非萎縮，而是能力的進化和遷移。

Q：現在網絡上充斥著很多“不是……而是……”這類AI痕跡明顯的句式，您認為這是好事嗎？當AI能寫出比普通詩人更“像”詩的文字，人類文明中哪些文學作品是AI永遠無法企及的？

郭毅可：AI寫的和AI與人共創的，是兩個完全不同的概念。如果一個人懂得如何與AI協作，他們共同創作出的文章可以非常有深度。AI知識量豐富，如果使用者具備判斷力和被啟迪的能力，就能創作出非常好的文章。

我最近看到一個微信號，作者的文章就是與AI共創的，寫得非常好。例如，她可以提出一個命題，如“意識的物理性原理”，這是一個非常寬廣且難以找到人類對話者的話題。

但AI可以根據這個命題，與她展開對話，最終形成一篇非常漂亮的文章和觀點。這才是正確使用人工智能的方式。AI對人的智力、意識、行為是否有幫助，歸根結底是人的問題，不是機器的問題。

因此，我非常提倡和鼓勵學生正確地使用AI。當然，像寫歡迎詞這類格式化的內容，完全可以交給AI，它甚至會比秘書做得更好，因為它能自動搜索相關信息，寫得更全面。

Q：您能否總結一下，什麼才是“正確地使用AI”？

郭毅可：正確的使用方式，是把AI當作一個知識淵博的討論伙伴。你既要對它充滿尊重，也要充滿懷疑。你要向它提出真正有意義的問題，比如“意識的物理性本質是什麼？”或“你如何看待意識的量子性”。

AI會為你總結出相關觀點，然後你需要基於它的回答進行分析：哪些是正確的，哪些具有啟發性，哪些是完全有問題的。對於你認同的，可以接納為知識的增強；對於有問題的，可以繼續探討、否定，甚至與之爭論。

目前AI的難點在於它還不太會“爭論”，因為它沒有自己的觀點和價值觀。但隨著技術發展，我相信AI會逐漸具備爭論的特性。

Q：沿著目前主流的Transformer技術路徑，AI能進化出自己的觀點甚至情感嗎？很多人認為它只是“數據的壓縮”，無法擁有真正意義上的情感。

郭毅可：當然可以。當AI的推理能力越來越強，它就開始建立自己的觀點了。通過強化學習，我們告訴它哪些推理結果是值得欣賞的，它就會慢慢形成一種觀點。這觀點起初是你教給它的，但如果機器開始“自己教自己”呢？它就會慢慢形成自己的觀點。

至於情感，為什麼AI不能有情感？情感是被感知的。當你覺得和它說話舒服了，情感不就出來了嗎？羅永浩和“豆包”吵架，就證明了AI可以進行情感對話。

我們不應該先入為主地認定“機器沒有情感”，而應該思考如何讓機器做得更好，讓它的情感能被我們感知到。這在技術上並非難事，本質上就是將語言的語義，通過學習，映射到語音的頻率上。

我們人類總喜歡把自己放在第一位。假設有造物主，他造了我們，我們現在也在造機器。憑什麼我們有的東西，機器就不能有呢？

Q：那麼，對於像新聞這類對客觀事實記錄要求很高的職業，AI的出現是否意味著職業意義的消亡？

郭毅可：新聞記者的素質要求會越來越高，而不會消亡。因為有了AI這個工具，你的知識面會更廣，能問出更精彩的問題，報道也會有更深刻的視角。你的能力被增強了。但如果你堅持用今天的方式工作，那就會被淘汰。這就像你原來是開馬車的，現在有了汽車、飛機。你如果只堅持開馬車，那自然會失業。但如果你能轉化自己的技能，去開汽車、開飛機，那你的能力就提升了。這是一個技能變化的問題。

Q：您對AI技術的發展一直持非常積極和樂觀的態度。您認為它是否存在負面影響？我們是否需要防范它對人類產生“敵意”？

郭毅可：悲觀有用嗎？沒有用。它一定會繼續進化。所以我們不需要悲觀，而是要去“進化你自己”。這不是樂觀或悲觀的問題，而是清醒地認識現實。

人類自身之間也存在敵意。AI的敵意，本質也來源於人類。如果我們都充滿敵意，那教出來的AI有敵意也很正常。但反過來想，如果人類意識到，我們之間的敵意可能會被一個第三方（AI）利用，最終導致我們共同的毀滅，那麼我們或許會因此學會消除彼此的敵意，這未嘗不是一件好事。

作為科學家，我認為技術上沒有“很難”的事，只有我們自己不夠聰明，或者不願去做。只要想得到，並且願意去做，就沒有什麼做不到的。

Q：在您看來，下一步AI最值得期待的進化是什麼？您對AI發展有很樂觀的態度，是否認為 AI行業過熱或存在泡沫？

郭毅可：我期待它能像一個聰明的人一樣，越來越聰明。我們變得更聰明，然後再帶著它一起迭代。

至於預判它的迭代速度，這取決於你的目的。如果你想賺錢，那又是另一種預判方法。訓練大模型是極少數公司的事情，而且每次訓練都應該有明確的目的，比如降低推理成本、讓模型更緊致、或知識更豐富。過去那種為了“打分”而訓練模型的模式，是巨大的資源浪費，現在不會這樣了。大部分人是在應用模型，在模型基礎上創造價值，比如提升模型的質檢能力、推理能力或自我進化能力。研究、制造和應用會慢慢分開，像“百模大戰”這種愚蠢的事情不會再發生了。

任何事情都從泡沫開始，既然是泡沫，就說明它有意義。但泡沫破裂是正常的。我認為泡沫可能不是一下全破。戳破一類泡沫是很容易的，比如DeepSeek一出來，你看就沒有人再做那種純粹堆參數的大模型了。技術的道路一旦准確，接下來就是效率的迭代，就像摩爾定律一樣。