关于AI是否会取代人类,这是一个复杂的问题,涉及到技术、经济、社会和文化等多个层面。首先,AI在某些特定领域已经展现出超越人类的能力,比如数据处理、模式识别和计算速度等方面。在这些领域,AI确实可以替代人类完成某些工作,提高效率。然而,AI也有其局限性。它
摘要:这是 「AI是怎么回事」 系列的第 16 篇,也是最后一篇。我一直很好奇 AI 到底是怎么工作的,于是花了很长时间去拆这个东西——手机为什么换了发型还能认出你,ChatGPT 回答你的那三秒钟里究竟在算什么,AI 为什么能通过律师考试却会一
这是 「AI是怎么回事」 系列的第 16 篇,也是最后一篇。我一直很好奇 AI 到底是怎么工作的,于是花了很长时间去拆这个东西——手机为什么换了发型还能认出你,ChatGPT 回答你的那三秒钟里究竟在算什么,AI 为什么能通过律师考试却会一本正经地撒谎。这个系列就是我的探索笔记,发现了很多有意思的东西,想分享给你。觉得不错的话,欢迎分享+关注。
第一次看到这个系列?从第1篇开始最顺畅,直接读这篇也没问题。
从第 1 篇"你的手机是怎么认出你的脸"到现在,我们一起走过了 16 篇。
拆开了 AI 的黑箱,画出了它的能力边界,学会了怎么和它一起工作。
最后一篇,我想聊一个更大的问题——这个问题你可能从第 1 篇就开始想了:
AI 会取代我们吗?
要回答这个问题,我们先来做一个实验。
AI 会写"孤独",但它不懂"孤独"
我让 ChatGPT 写一段关于孤独的文字。它给了我这样一段:
孤独是深夜里空荡的房间,是人群中无人对视的目光,是心里有千言万语却找不到一个可以倾诉的人。它不是独处,而是渴望连接却无法触及的距离。
写得很好。甚至可以说,写得比很多人都好。
但它懂孤独吗?
让我用我们在这个系列里学过的知识来拆解这件事。
还记得第 6 篇讲的吗?ChatGPT 的本质是一个语言模型——它做的事情是"预测下一个最可能的词"。当我输入"写一段关于孤独的文字",它的注意力机制(第 6 篇)在 1750 亿个参数(第 4 篇)中搜索,找到训练数据中关于"孤独"这个主题的大量文学作品、散文、诗歌、心理学文本中的统计模式,然后用这些模式"续写"出一段文字。
"深夜里空荡的房间"——因为在训练数据中,"孤独"和"深夜""空荡"经常出现在相似的上下文里。
"人群中无人对视的目光"——因为在训练数据中的文学作品里,这样的意象和"孤独"高度共现。
每一个词都是"在关于孤独的文本中,这个位置最可能出现什么词"的结果。
这和第 7 篇里讲的律师假判例是完全一样的机制。 律师案件中,ChatGPT 生成了"看起来像法律引文"的文字;在这里,它生成了"看起来像描写孤独"的文字。
区别只在于:法律引文可以去数据库核查真假,而关于孤独的文字没有"对错"之分——所以我们更容易被打动,更容易觉得"它懂了"。
但它没有懂。
它从未在深夜里独自醒来,盯着天花板,感到一种说不清的空洞。 它没有身体,没有感受,没有经历。它有的只是几千亿个通过训练调整好的数字——这些数字让它能生成统计上最可能的文字序列。
哲学家 John Searle 在 1980 年提出过一个著名的思想实验,叫「中文房间」(Chinese Room):一个完全不懂中文的人被关在房间里,靠一本规则手册回复中文信息。外面的人觉得他完全懂中文——但他只是在按规则操作符号。
ChatGPT 就是一个巨大的中文房间。它的"规则手册"是 1750 亿个通过训练自动学出来的参数。规则更复杂了,但本质没变:操作符号,不理解意义。
这就是标题的含义:AI 可以写出关于孤独的优美文字,但它不懂"孤独"是什么意思。
在回答"取代"之前,先回顾我们学了什么
要回答"AI 会不会取代我们",我们需要先搞清楚 AI 到底是什么、能做什么、不能做什么。
好消息是——你已经知道了。
让我用一张图把整个系列的知识串起来。
如果你真的从第 1 篇读到了这里,你现在手里有一套完整的装备:
一个定义:AI 是超级模式匹配器
一套原理:数字化→神经网络→训练→Transformer→统计预测
一个框架:AI 认知三角(模式明确+数据充足+可验证= AI 强项)
一个工具:三问判断法(模式匹配?数据够?能验证?)
一套方法:Prompt 原理+协作原则+验证优先
带着这套装备,我们来正面回答那个大问题。
AI 会取代我们吗?——用原理回答
这个问题其实可以拆成三个更具体的问题。
第一个问题:AI 会取代哪些工作?
还记得第 11 篇的模式匹配谱系吗?
← 纯模式匹配(AI 强区)——— 需要因果理解(AI 弱区)→
世界经济论坛的《2025 年未来就业报告》调查了全球 1000 多家领先企业,预测 2025 年到 2030 年间,全球将新增 1.7 亿个岗位,同时有 9200 万个岗位被淘汰——净增 7800 万个工作岗位。
被淘汰最多的是什么岗位?文员和行政人员——这些工作的核心是处理标准化的信息,正好落在模式匹配谱系的左侧。
增长最快的是什么?STEM 专业人员、医疗健康人员、AI 和大数据专家——这些工作需要理解、判断和创造,落在谱系的右侧。
