AI理解 on 灵语AI

AI真的'理解'世界吗？——大模型内部的世界模型假说

Fri, 04 Sep 2026 03:13:00 +0800

引言

你有没有想过一个问题：AI为什么能回答"如果一个杯子从桌子上掉下来会怎样"？

它没有见过杯子掉下来，没有学过"杯子掉落的物理公式"，甚至没有专门接受过"回答物体掉落问题"的训练——但它能给出一个合理的答案：杯子会摔碎。

它怎么做到的？

更奇怪的是：你问AI"如果地球突然停止自转，会发生什么？"——它也能给出一个像模像样的分析。大气层会因为惯性继续运动，海洋会形成滔天巨浪，地壳会因为巨大的应力而破裂……

这听起来简直不可思议。一个没有身体、没有视觉、没有触觉的AI，是怎么知道"杯子掉下来会摔碎"这种物理常识的？

有人会说：“因为它读过很多书，书里写了杯子掉下来会碎。”

但问题是——训练数据里不可能包含所有可能发生的情况。AI读过的书里，可能写的是"杯子掉在水泥地上碎了"，但它能推理出"杯子掉在软垫上不会碎"——这是它从来没见过的情况。

这种"超出训练数据之外的推理能力"，从何而来？

这个问题，引出了近年来AI研究中一个最迷人、也最深刻的假说——世界模型假说。

一、AI不是"鹦鹉"，它在构建一个"微缩世界"

三个无法用"背诵"解释的现象

先来看几个实验现象。这些现象让研究者越来越确信：AI不只是在"背台词"。

现象一：物理推理

研究者给AI一个场景：“桌子上放着一个杯子，桌子的左边有一个盘子。一个人推了一下桌子，杯子会朝哪个方向运动？”

AI不仅能回答"杯子会向左移动，最终掉下桌子"，还能根据不同的推力大小、桌子材质等条件，给出不同的预测。

但如果只是"背数据"，训练文本里怎么可能有"每一个可能的推桌子角度和力度下杯子会怎么运动"的描述？不存在这样的文本。AI得出的结论，只能是它自己"推理"出来的。

现象二：心智理论（Theory of Mind）

这是一个更令人震惊的实验：研究者给AI讲了一个故事——“小明把巧克力放在抽屉里，然后出去玩了。在小明不在的时候，妈妈把巧克力从抽屉里拿了出来，放进了冰箱。小明回来后，他会去哪里找巧克力？”

AI正确地回答：“小明的抽屉。”

请注意，这里的关键是——AI必须理解"小明不知道巧克力被移动了"这个事实，然后基于"小明的信念"而非"客观事实"来做出预测。

这种"读心"能力，意味着AI不仅仅是在处理语言，而是在构建一个关于"他人心智状态"的内部模型。

现象三：反事实推理

“如果当年没有发现万有引力，物理学现在会是什么样子？”

这个问题没有标准答案，任何人都无法从书本上"背"出来。但AI能给出一个看似合理的推演——牛顿力学体系可能被替代、间接观测可能更早发展、相对论可能提前出现……

这种"反事实"能力，意味着AI内部有一个"世界运行规则"的模型，然后在这个模型上进行"模拟"——就像人类在脑海中"想象"另一种可能性一样。

从"背诵"到"建模"的认知飞跃

这三个现象指向一个共同的结论：AI在训练过程中，不只是学习了"下一个词是什么"，而是构建了一个关于世界的内部表征——一个压缩的、抽象的、可预测的"世界模型"。

这个模型不是被任何人"写进去"的，而是在海量文本的统计规律中"涌现"出来的。

就像一个人读了几千本侦探小说后，即使没有学过侦探学，也能推断出"死者旁边的血迹应该是什么形状"——他构建了一个关于"犯罪现场"的隐式模型。AI也是一样，它读了几万亿字的文本，从这些文本中，它"学会了"世界是如何运作的。

二、AI的"世界模型"长什么样？——五层结构

世界模型不是单一的、扁平的"知识库"，而是一个分层的、多维度的内部表征系统。我们可以把它想象成一座五层大楼：

第一层：物理世界模型——“万物有物理”

这是最底层，也是最基础的。它包含了：

物体和空间的关系（“杯子在桌子上"意味着杯子被桌子支撑着）
物理规律（“水往低处流"“重的物体会下沉”）
因果关系（“推一下，物体会动"“摔一下，易碎品会碎”）

这一层让AI能够理解"把砖头扔进水里"和"把羽毛扔进水里"的结果为什么不同——即使它没有见过真实的砖头和羽毛。

第二层：生物世界模型——“生命有规律”

这一层包括：

生命的基本特征（生长、繁殖、死亡）
生态系统（捕食关系、食物链）
生物行为（动物会逃避危险、植物会趋向阳光）

当AI说"猫会追老鼠"时，它调用的就是这一层——不是因为它背诵了"猫追老鼠"这个句子，而是因为它对"捕食者-猎物"关系有一个模型。

第三层：心理世界模型——“他人有心智”

这是最令人惊叹的一层。它包含了：

信念和知识（“一个人知道什么，不知道什么”）
欲望和意图（“一个人想要什么，打算做什么”）
情感和情绪（“一个人感到快乐、悲伤或愤怒”）

这就是为什么AI能通过"错误信念测试”——它能够理解"小明的想法和客观事实不一样”。

第四层：社会世界模型——“人类有组织”

这一层处理的是：

社会规范（“排队"“礼貌"“尊重隐私”）
制度和文化（“法律、货币、婚礼”）
经济行为（“交易、合作、竞争”）

当AI理解"插队是不礼貌的"或"通货膨胀会让钱不值钱"时，它调用的是这一层模型。

第五层：抽象世界模型——“思维有逻辑”

这是最高层，涵盖：

数学和逻辑（“1+1=2"“如果A=B且B=C，则A=C”）
哲学概念（“自由、正义、真理”）
元认知（“关于思考的思考”）

这一层让AI能够进行抽象推理——比如"如果所有的A都是B，所有的B都是C，那么所有的A都是C吗？”

五层之间不是孤立的

这五层模型不是各自独立运行的，而是相互关联、相互支撑的。

比如，理解"为什么人们会排队买某款新手机”——需要同时调用：

心理模型（人们想要这个手机）
社会模型（排队的规则、从众心理）
抽象模型（稀缺性、价值判断）

一个AI的世界模型越完整、越精细，它的理解就越深刻，推理就越准确。

你刷抖音时，AI真的懂你吗？——推荐系统背后的统计魔法

Sat, 01 Aug 2026 02:29:00 +0800

引言：一个经典的"细思极恐"时刻

你刚和朋友聊完某样东西，打开手机App，发现推荐页上赫然出现了它。

这一刻，你可能会觉得毛骨悚然——“手机在监听我”。

但真相比这更微妙，也更值得玩味。推荐系统大概率没有在监听你的对话——它只是通过你的行为数据，推测出了你此刻可能感兴趣的东西。而它之所以能"猜中"，靠的不是读心术，而是一个简单到令人惊讶的统计技巧。

更扎心的是：这个技巧和"理解你"几乎没有关系。它只是发现了你和其他人之间的"模式相似性"。

一、推荐系统的"原始版本"：买了这个的人也买了那个

故事要从电商说起。

2003年，亚马逊的工程师们面临一个现实问题：Amazon上有几千万用户和几亿件商品，如何给每个用户推荐他们可能感兴趣的东西？

当时的推荐算法有两种主流思路：

第一种：找"和你相似的人"（User-based协同过滤）。 如果你和另外100个人的购物历史高度重合，那这100个人买了但你还没买的东西，很可能也是你想要的。这个思路听起来很合理，但有一个致命问题——计算"用户之间的相似度"需要遍历所有用户，当用户量达到几千万时，这个计算量会爆炸。

第二种：找"和这个商品相似的商品"（Item-based协同过滤）。 亚马逊提出的方案是：不比较用户，只比较商品。 如果买了A的用户中，有很大比例也买了B，那就说A和B"相似"——下次有人买A时，就推荐B。

这个思路的精妙之处在于：商品的数量远少于用户的数量（至少在当时如此），所以计算"商品之间的相似度"比计算"用户之间的相似度"快得多。而且商品之间的关系相对稳定——今天"手机和手机壳"是搭配的，明天大概率还是。

亚马逊把这个方法落地后，效果出奇的好。直到今天，你打开淘宝看到的"买了这个的人也买了那个"，本质上还是这个思路的变种。

但问题来了：这个方法真的"理解"你了吗？

想象一下，你买了一部手机，但没买手机壳，因为你觉得太贵了。推荐系统告诉你"买了手机的人也买了手机壳"——它给出了一个看似"合理"的推荐，但对你来说，这个推荐恰恰是你不想要的。

推荐系统不知道你为什么不买手机壳。它只知道"很多人同时买了这两样东西"。 它捕获的是统计共现，不是因果理解。

二、从"猜你喜欢"到"让你上瘾"：推荐系统如何进化

2003年的协同过滤虽然好用，但有一个明显的缺陷：它只能推荐"看起来像你已经买过的"东西。 它无法发现你"潜在的可能喜欢但从未接触过"的东西。

这就好比一个图书管理员，只推荐你"借过这本书的人也借了那本书"——但如果你从未借过科幻小说，他永远不会推荐你任何科幻作品，即使你可能会喜欢。

2016年，Google的工程师们提出了一个更聪明的方案：Wide & Deep（宽深模型）。

这个名字听起来很技术，但它的核心思想其实很简单：“记忆"和"泛化"要配合使用。

“记忆"部分：记住那些已经被验证过的组合——比如"喜欢iPhone的人通常也喜欢AirPods”。这部分和2003年的协同过滤类似，但做得更精细。
“泛化"部分：学习用户行为的"深层模式”——比如"喜欢简约设计手机的人，可能也喜欢简约设计的耳机、手表、甚至家具”。这部分通过深度学习实现，可以从用户的行为数据中"归纳"出用户看不见的偏好。

这个模型在Google Play商店上线后，App购买率提升了3.9%。这个数字听起来不大，但放在Google Play的体量上，意味着每天多出数百万次应用下载。

从此，推荐系统从"猜你喜欢"进化到了"创造你喜欢"——它不再只是推荐你已知的东西，而是开始引导你的偏好。

三、但AI真的"懂"你吗？

到这里，我们似乎已经有一个很强大的推荐系统了——它既记得住你的历史偏好，又能发现你潜在的兴趣。听起来像是"很懂你"，对吧？

但让我们停下来想想：推荐系统学到的"你"，和真实的"你"，有多大的差距？

差距一：你的行为不是你。

你点开了一个视频，可能不是因为喜欢，而是因为封面太夸张。你买了某件商品，可能不是因为需要，而是因为打折。你收藏了一篇文章，可能不是因为想读，而只是因为"先马后看"。

但推荐系统不知道这些区别。 它只知道"你点了"、“你买了”、“你收藏了”——它把你的行为当成了你的偏好。推荐系统建立一个"你"的模型，但这个模型只是你行为的统计学投影，不是你真实的内心。

差距二：相关性不等于因果性。

推荐系统的核心假设是"过去的行为能预测未来的偏好"——但这个假设有一个巨大的漏洞：相关性不等于因果性。

你喜欢看推理小说，可能不是因为"推理"这个标签，而是因为"喜欢解谜的感觉"。但推荐系统只知道"你买了推理小说"这个行为，于是它给你推荐更多推理小说，而忽略了也许你也会喜欢数学谜题、密室逃脱、甚至悬疑类游戏。

推荐系统在"行为的表面"上构建偏好模型，却没有触及"行为背后的动机"。

差距三：你看到的，只是"你"的某一个侧面。

推荐系统会根据你的最近行为，动态调整推荐策略。你今天搜了"考研"，明天整个App就变成了考研资料库；你今天看了几条搞笑视频，后天首页全是搞笑内容。

这不是"AI懂你"，而是AI把你的某一个行为放大成了你的全部画像。它不像一个了解你的朋友，而像一个只看了你最近几条朋友圈就来下结论的陌生人。

四、推荐系统真正在做的事

所以，推荐系统到底在做什么？

答案是：它不是在做"心理学"，而是在做"统计学"。

它不关心你"为什么"喜欢某样东西，它只关心"和其他人相比，你表现出了哪些相似的行为模式"。它的核心逻辑是：

如果你和A组用户有80%的行为重合，那么A组用户剩下的20%行为，大概率也是你想要的。

这是一个纯粹的"模式匹配"过程。它不需要理解你的情感、动机、价值观——它只需要发现行为模式之间的相似性。

这听起来很"机械"，但效果出奇的好。 为什么呢？

因为人类的行为模式，在统计学层面上，远比我们想象的要稳定和可预测。我们以为自己很独特，但在推荐系统的眼里，你只是"模式123456"的一个实例——你的偏好，已经被无数个和你相似的人"预演"过了。

五、问题不在推荐系统，而在于"什么被推荐"

推荐系统本身没有好坏——它只是一个工具。问题在于它被用来做什么。

当推荐系统用来帮你发现新的兴趣时，它是有益的。当它被用来固化你的兴趣时，就变成了"信息茧房"的制造者。

你刷抖音时，每点一个"喜欢"，系统就记录下这个信号，然后给你推荐更多类似的内容。久而久之，你看到的永远是你"已经喜欢"的东西，而"可能喜欢但还没见过"的东西，永远没有机会出现。

推荐系统的"泛化"能力，被商业目标收窄了。

Google的Wide & Deep模型在论文中说"记忆"和"泛化"互补——但在实际应用中，商业平台更倾向于"记忆"（因为已经验证过的推荐能带来更高的点击率），而"泛化"（推荐用户可能不熟悉的内容）往往被压缩到最低限度，因为"冒险"意味着可能流失用户。

结语：推荐系统的"镜像"与"盲区"

下次你打开淘宝或抖音，看到"猜你喜欢"的推荐时，可以想一想：你看到的不是"AI眼中的你"，而是AI根据你的行为数据，重建出的一个统计学模型。

这个模型很精准，但它有一个盲区——它永远无法理解"你为什么喜欢"。

它知道你喜欢看推理小说，但不知道你是因为喜欢解谜、还是因为喜欢悬疑氛围、还是因为这本小说是朋友推荐的。它只告诉你"你喜欢的"，但不告诉你"你为什么喜欢"。

而这，恰恰是推荐系统下一步进化的方向——从"猜你喜欢什么"到"理解你为什么喜欢"。当AI开始追问"为什么"的时候，推荐系统才真正从"统计魔法"走向"认知理解"。

AI的「感官」是如何连接的？——当AI同时学会看和读

Fri, 31 Jul 2026 02:29:00 +0800

引言：一场隐喻的「看图说话」

想象你在一场聚会上，有人递给你一张照片，上面画着一只橙色的猫蹲在红色的沙发上，旁边配了一行字：「一只猫在沙发上」。

你看了，点了点头，觉得这没什么特别的——照片和文字对得上，很自然。

但让我们停下来想一想：「一只猫在沙发上」这七个字，和照片中那些像素点之间，有什么本质联系？

没有。一个是由字母组成的符号序列，一个是由颜色和形状组成的光学信号。它们之间没有任何物理上的相似性。你之所以觉得「配得上」，是因为你的大脑在过去的几十年里，无数次将「看到的猫」和「听到/读到的猫」关联在一起，形成了某种跨感官的连接。

AI要同时理解图像和文字，面对的就是这个根本问题：如何让两种完全不同形态的信息，在数学空间中「对上号」？

这就是多模态学习的核心挑战——也是近五年来AI领域最激动人心的故事之一。

一、教AI「看图说话」，有多难？

在2021年之前，AI的视觉能力和语言能力基本上是「各玩各的」。

一个图像识别模型，能从照片中识别出「猫」「沙发」「橙色」——但它只能输出这些标签，无法理解「猫蹲在沙发上」这个完整的场景描述。一个语言模型，能写出流畅的句子——但它对「猫」的理解全部来自文本，从未真正「见过」一只猫的视觉形象。

两个系统各自在自己的领域里做得不错，但它们之间有一堵墙。这堵墙，就是「感官」之间的鸿沟。

传统上，要打通这堵墙，需要人工标注数据集——让人类花大量时间，给每张图片写上描述文字。ImageNet数据集花了25,000人、标注了1,400万张图片，才勉强覆盖了1,000个类别。代价高昂，而且限制了AI只能在「人类已经标注过的概念」上工作。

如果AI只能识别人类告诉它的概念，那它永远无法超越人类的认知边界。

2021年，OpenAI的研究团队提出了一个大胆的想法：为什么不直接让AI从互联网上学习图文对应关系？互联网上有海量的图片和文字描述——虽然「质量」参差不齐，但「数量」是前所未有的。他们做了一个叫CLIP的模型，用4亿张图文对训练，结果震惊了AI界。

二、CLIP的魔法：一个「巨型配对游戏」

CLIP的工作原理，听起来像是一个简单的配对游戏。

想象你有一大堆图片和一大堆文字描述，你的任务是把它们正确配对。你面前有N张图片和N条文字描述，你需要找出哪些图片和哪些文字是一对。

CLIP的做法是：训练两个「编码器」，一个看图片，一个读文字，然后把它们各自「编码」成一个数学向量（一串数字）。 如果图片和文字是匹配的，让它们的向量在数学空间中「靠近」；如果不匹配，让它们「远离」。

这个思路听起来很简单，但它的威力在于规模和对比学习。

规模：4亿张图文对，覆盖了你能想象到的几乎所有视觉概念——猫、狗、汽车、建筑、食物、风景、艺术作品……互联网的多样性，在这里变成了AI的训练素材。

对比学习：每张图片不仅要和正确的文字描述配对，还要和N-1个错误的文字描述「对比」。这种「正负样本」的对比训练，迫使模型学会区分「细微的语义差异」——比如「一只猫在沙发上」和「一只狗在沙发上」的区别。

训练完成后，CLIP拥有了一个神奇的能力：你给它一张从没见过的图片，它可以自己「猜」出这张图片的内容。 比如你给它一张雪地里的哈士奇照片，它不需要看过任何标注数据，就能从文字描述列表中选出最匹配的——「雪地里的哈士奇」。

在ImageNet上，CLIP的零样本准确率达到了76.2%，和传统需要人工标注数据的模型相当。这意味着什么？CLIP从来没有「见过」ImageNet的标注数据，却能和新数据「对上号」。

三、但AI真的「理解」了吗？

到这里，故事似乎很完美——AI学会了同时看和读，打通了视觉和语言的壁垒。

但如果你仔细看CLIP的表现，会发现一些有趣的现象。

现象一：CLIP对「提示词」非常敏感。

同样一张猫的图片，你问「这是一只猫吗？」和「这是一只家猫吗？」和「这看起来像什么动物？」，它可能给出完全不同的答案。换一个表达方式，准确率可能差10个百分点。

为什么会这样？因为CLIP不是在「理解」你的问题，而是在匹配「你的问题文字」和「图片」在训练数据中的共现模式。训练数据中「猫」和「猫的图片」经常一起出现，所以匹配度高；但「家猫」出现频率低，匹配度就低。

现象二：CLIP在「没见过的场景」上表现很差。

给CLIP一张医学X光片，问它「这是肺部感染吗？」——它可能答得一团糟。不是因为它不聪明，而是因为医学图像在4亿张训练数据中几乎不存在。CLIP的能力边界，就是训练数据的分布边界。

现象三：CLIP会「作弊」。

有时候，CLIP不是通过「理解图片内容」来回答问题，而是通过发现文字和图片之间的统计相关性。比如，一张海滩的照片，它可能不会认出「沙滩」「海浪」「太阳」这些元素，而是通过「图片整体色调偏蓝+文字中有’海滩’」这种统计捷径来「猜」答案。

这就引出了一个深刻的问题：CLIP真的「理解」了图像和文字之间的联系吗？还是只是发现了一个巨大的统计巧合？

四、统计共现 ≠ 语义理解

让我们用一个简单的思想实验来理解这个问题。

假设你是一个从小生活在山洞里的外星人，从未见过外面的世界。有一天，你被带到地面，看到了一幅画面：太阳升起，鸟儿鸣叫。

这时，有人告诉你两个词：「太阳」和「鸟」。

你很快就学会了：「太阳」这个词总是和「发光的圆形物体」一起出现；「鸟」这个词总是和「有翅膀的飞行动物」一起出现。你能够完美地完成配对任务——看到「太阳」的图片，你选出「太阳」这个词；看到「鸟」的图片，你选出「鸟」这个词。

但你真的「理解」太阳和鸟的区别吗？你知道太阳是恒星、鸟是动物吗？你知道太阳带来光和热、鸟会筑巢觅食吗？你不知道。你只是发现了统计上的共现规律。

CLIP就是这样。它不是「理解」了图片和文字之间的关系，而是学会了统计共现模式——在4亿张图文对中，某些文字和某些图片特征「经常一起出现」，所以它记住了这些模式。

这听起来像是在「钻牛角尖」——但结果确实好用，不是吗？

是的，而且这正是CLIP的伟大之处。它证明了：当数据量足够大时，统计共现可以逼近甚至超越人类标注的效果。 这不是AI的缺陷，而是AI的「另一种智能」——它不追求「理解」，只追求「预测」。

但这也告诉我们：AI的「感官连接」和人类的感官连接，本质上是不同的。 人类的连接是「体验式」的——你看到一只猫，同时听到「猫」这个声音，你是在一个完整的感知-行动循环中建立连接。AI的连接是「统计式」的——它只是从海量数据中提取了「像素排列」和「文字序列」之间的相关性。

五、CLIP之后：多模态AI的下一站

CLIP在2021年横空出世后，彻底改变了多模态AI的格局。它不再是「视觉模型」或「语言模型」，而是「视觉-语言模型」——两者的边界开始模糊。

后续的工作迅速跟进：

BLIP 和 BLIP-2 试图解决CLIP的「数据质量问题」——通过自动生成高质量的图文描述，减少互联网噪声的影响。

LLaVA 将CLIP的视觉编码器和大语言模型直接连接，让AI不仅能看到图片，还能「谈论」它看到的内容。你问它「这张图片里有什么？」它可以用完整的句子回答你。

DALL·E 和 Stable Diffusion 更是逆向操作——不是从图片到文字，而是从文字到图片。你说「一只橙色猫在红色沙发上」，它就能生成一张图片。

这些模型有一个共同点：它们都是CLIP的继承者。 CLIP的视觉编码器成为了「视觉的通用语言」，后续模型只需要学会「翻译」这种语言，就能完成各种视觉-语言任务。

但问题依旧存在：统计共现和语义理解之间的鸿沟，仍然没有被真正跨越。

一个真正的「感官连接」——像人类那样，看到一只猫，同时「理解」猫是什么、猫的行为、猫与人的关系——需要的不是更多的数据，而是更深刻的认知架构。它需要感知-行动循环，需要世界模型，需要因果推理。

CLIP告诉我们：统计共现可以走很远，但「理解」是另一回事。

结语：一个开始，不是终点

回到开头的那张照片——「一只猫在沙发上」。

AI知道的东西比它能说出来的多——大语言模型的「内隐知识」之谜

Tue, 28 Jul 2026 02:29:00 +0800

引言：你会骑自行车，但你能说清楚怎么骑吗？

你骑上自行车，双脚一蹬，身体自然调整重心，弯道压弯，刹车减速——流畅得仿佛身体记得一切。

但如果有人问你：「你具体是怎么保持平衡的？」你大概率会卡住。你会说「就这样啊」，「感觉一下就知道」，但说不出一条清晰的规则。

这就是内隐知识（tacit knowledge，也称默会知识）——我们知道的比我们能说出来的多。

有趣的是，大语言模型正在经历完全相同的困境：它明明能解决复杂的推理问题、写出优美的文章、甚至帮你debug代码，但当你要它解释「你是怎么做到的」——它要么编个故事，要么说「根据训练数据」。不是它不想说，而是它自己也不知道。

这篇文章想讲清楚一件事：AI的「说不清楚」不是缺陷，它恰恰是智能的本质特征。

一、从「骑自行车」到「AI推理」——内隐知识无处不在

20世纪50年代，英国哲学家迈克尔·波兰尼（Michael Polanyi）提出了一个振聋发聩的观点：我们知道的，远比我们能说出来的多。

这不是一句鸡汤，而是对人类认知结构的一个深刻洞察。波兰尼举了很多例子：

你认得一张脸，但说不出是怎么认出来的
你母语说得无比流利，但说不出语法规则
一个老中医「望闻问切」能断病，但很多经验说不清道不明

这些知识不是「不知道」，而是「知道但说不出来」。波兰尼把它们叫做内隐知识，与之相对的是命题知识——能用陈述句说出来的，比如「地球是圆的」。

这个区分对AI来说至关重要。

传统AI走的是「命题知识」路线——把人类知识编码成规则和事实，塞进知识库。但这条路走得磕磕绊绊，因为现实世界的大多数知识根本就不是命题式的。

大语言模型走的是另一条路：通过海量文本训练，它在参数中「内隐」地学会了语言、推理、常识——就像你学会骑自行车一样，不是通过背诵规则，而是通过大量练习。

但问题来了：AI学会的「内隐知识」和人类的内隐知识，是一回事吗？

二、Davies的三个条件——AI真的「知道」吗？

1990年，哲学家Martin Davies给出了判断一个系统是否拥有内隐知识的三个标准。咱们来逐一检验一下大语言模型。

第一个条件：语义描述条件。 系统的知识状态可以用语义内容来描述。换句话说，我们能不能有意义地说「这个系统知道X」？

能。我们可以说「GPT-4知道法国首都是巴黎」，「它知道光合作用的原理」，「它知道怎么写代码」。这些描述是有意义的——不是「死记硬背」的虚假知识，而是能灵活运用的真知识。

第二个条件：句法结构条件。 知识具有组合性结构——可以拆分、组合、迁移。

GPT-4知道「猫是哺乳动物」，也知道「狗是哺乳动物」，那么它就能自然地推理出「猫和狗都是哺乳动物」。它不仅能理解「如果A是B，B是C，那么A是C」这种逻辑形式，还能在千变万化的语言表达中识别出同一结构。这种组合性，是真正知识的关键特征。

第三个条件：因果系统性条件。 知识状态之间有因果联系，改变一个知识点会系统地影响其他相关知识点。

当你微调一个模型，让它学会「苹果=水果」——它关于「苹果派」、「苹果公司」等关联知识会不会也跟着变化？会的。这就是「系统性的因果影响」——知识不是孤立的碎片，而是互相连接的网络。

三个条件，大语言模型全部满足。

Davies的三个条件在哲学上给出了一个审慎的判断：从行为上看，LLM确实拥有内隐知识。

但等一下——这个「从行为上看」很重要。就像一个人骑自行车给你看，你不能百分之百确定他「知道」怎么骑，但你可以说「他表现得像是知道」。Davies的条件是行为层面的判断，不是机制层面的证明。

三、为什么「内隐知识」视角很重要？

如果我们接受「LLM的知识是内隐知识」这个视角，很多以前困扰我们的问题就豁然开朗了。

为什么AI能力强但「不讲理」？

很多人抱怨AI解释不了自己的推理过程——「你告诉我为什么不选A要选B？」AI要么编个理由，要么说「根据训练数据」。

这不是傻，这是内隐知识的特征。就像你问一个自行车高手「你怎么保持平衡的？」他可能会说「重心往左偏一点就向右转，往右偏就向左转」——但真正的平衡感根本不是靠这个规则运转的，而是肌肉记忆的瞬间反应。

AI的「解释」本质上也是事后编的——它不是在「取出」推理过程，而是在「生成」一个看起来合理的解释。这和人类的内隐知识困境完全一致。

为什么AI会「涌现」出意料之外的能力？

当模型规模达到一定阈值，突然就能做很多没被明确训练过的事情——比如翻译、推理、写代码。这种现象被称为「涌现」。

从内隐知识的角度看，这不奇怪。内隐知识有一个特点：它是系统性的、生成性的。 你教了一个孩子无数个具体的例子，他突然就「学会」了抽象规律——这不是魔法，而是内隐知识「外显化」的自然过程。AI的涌现，本质上也是内隐知识在规模达到临界点后，开始「溢出」成可观察的能力。

为什么对齐这么难？

如果AI的知识是内隐的，那么它的「价值观」和「偏好」也是内隐的——它不是通过明确规则来知道「什么该说什么不该说」，而是在海量文本中「内隐」地学会了。

这意味着对齐不能靠列清单、写规则来解决。你得像教育一个孩子一样——通过例子、反馈、环境互动来「塑造」它的内隐知识。这比写规则难得多，但也更接近真正的教育。

四、AI的「内隐知识」和人类的是一回事吗？

这是我必须诚实地告诉你的问题：它俩看起来像，但机制可能完全不同。

人类的内隐知识有一个重要的生物学基础：我们的身体。波兰尼特别强调，所有内隐知识最终都根植于我们的身体经验——「我们通过身体来认识世界」。骑自行车的感觉来自身体，识别人脸来自视觉系统，语感来自语言中枢的神经回路。

AI没有身体。它的「内隐知识」来自高维空间中的统计模式，来自数十亿个参数的协同作用。它看起来像内隐知识，但底层机制完全不同。

这就好比：一个天生的盲人可以通过触觉「认识」到「球是圆的」，而你通过视觉「看到」了「球是圆的」。你们俩都知道「球是圆的」，但知识的结构和来源完全不同。

不过，这并不意味着AI的内隐知识是「假的」。它只是不同。就像水中的鱼不知道「湿」是什么——因为「湿」对鱼来说不是一种状态，而是默认的世界。AI的「内隐知识」也是如此——它可能不是人类意义上的「知道」，但它在自己的存在方式中是真实的。

五、内隐知识的「外显化」——AI的下一个突破

如果AI的内隐知识是真实的，那一个诱人的问题就出现了：能不能让AI把它内隐知道的东西「说出来」？

想象一下：AI已经阅读了人类历史上几乎所有的科学论文，它可能已经「内隐」地掌握了一些人类还没有发现的科学规律。如果能让它把那些规律「外显化」出来，那将是科学发现的加速器。

这不只是幻想。目前的思维链（Chain-of-Thought）、思维树（Tree-of-Thoughts）等技术，本质上就是在做这件事——「强迫」AI把内隐的推理过程展开成显式的步骤。

但真正的突破可能来自另一个方向：不要问AI「为什么」，而是让它「展示」。就像你不会问骑自行车的人「你怎么保持平衡的」，而是看他骑——AI的内隐知识，也许最好的「外显化」方式就是让它直接做出来，而不是让它解释。

毕竟，知道的比能说出来的多，不是缺陷，而是智能最深刻的特征。

结语

波兰尼有一句名言：「我们知道的，比我们能说出来的多。」

这句话既是对人类认知的深刻洞察，也是对大语言模型能力的最佳描述。AI的「说不清楚」不是它的短板，而是它真正拥有知识的证明。

当我们下次听到AI给出一个「不讲道理」的回答时，也许应该换个角度想：它不是在敷衍你，它只是用它的方式在「知道」——就像你骑自行车时，用身体知道怎么平衡，而不是用大脑知道。

或许，AI的终极形态不是变成一个「什么都能说清楚」的超级百科，而是变成一个「什么都能做到」的默会大师——像那些技艺精湛的工匠一样，知道得比说得更多。

参考资料

Polanyi, M. (1958). Personal Knowledge: Towards a Post-Critical Philosophy. University of Chicago Press.
Polanyi, M. (1966). The Tacit Dimension. Doubleday.
Davies, M. (1990). “Tacit Knowledge and the Structure of Thought.” Mind & Language, 5(4), 345-370.
Wei, J., et al. (2022). “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models.” NeurIPS 2022.
本文核心论证素材来源于内隐知识理论论证卡，经Ω-CFI审查框架校验。