故事的开始：一个坏掉的喷淋头

想象一个酷热的夏日，一个父亲面对着一群因喷淋装置失灵而哭闹的孩子。他走进设备间，看到的不是一个简单的ON/OFF开关，而是一堆生锈的、迷宫般的管道和阀门。

束手无策之际，他掏出手机，拍了张照片，连同一句“求助，如何打开它？”发给了ChatGPT-4o。

几秒钟后，AI回复了：

“你看到的似乎是一个典型的灌溉系统‘倒流防止器’。看到底部那个黄色的球阀了吗？试着转动它。”

他照做了。水花喷涌而出，操场上响起了孩子们的欢呼。

这个来自《纽约客》最新长文（真的很长！我读完了！）的开场故事，完美地捕捉到了我们这个时代的困惑与惊奇：当一个机器能解决真实世界、从未见过的问题时，我们还能说它仅仅是在“模仿”或“鹦鹉学舌”吗？

今天，让我们一起深入这场关于“AI是否在思考”的跨学科大辩论，并从中为我们数字人文的研究与教学，带回一些有用的东西。

🔬 第一站：《纽约客》的“思想风洞”实验

《纽约客》的文章，试图将“思考”这个词，从哲学和玄学的云端，拉回到认知科学与工程学的地面。它的核心论点可以概括为几个迷人的比喻：

1. 理解，就是极致的压缩 🧠

文章提到，一个顶级的开源模型（如DeepSeek），本身的大小可能只有它所“阅读”过的全部互联网数据的1/600。

这本身就是一种奇迹。作者引用了一个深刻的洞见：要实现最高效的压缩，你必须真正理解其内在规律。 就像要压缩一部充满算术题的文本，最好的方法不是制作一个ZIP文件，而是写一个计算器程序。

当AI能用简洁的语言总结复杂的历史事件，或用几行代码复现一个社会网络模型时，它可能已经通过“压缩”，抓住了某种我们称之为“理解”的东西。

2. 思考，就是高维空间里的“看作” 🔭

文章请出了认知科学大神侯世达（Douglas Hofstadter）。侯世达认为，思考的本质是“看作”（seeing as）。

• 你把一堆像素看作“一把钥匙”；
• 棋手把一个局部棋形看作“一个和棋的残局”；

这正是AI的拿手好戏。通过词向量和多模态向量，AI将概念间的关系，转化为了高维空间中的几何关系。经典的例子是：向量(“巴黎”) - 向量(“法国”) + 向量(“意大利”) ≈ 向量(“罗马”)。【还有一个，我上课会用的 向量（King）-向量（Man）+向量（Woman）≈ 向量(Queen）】<br/>

AI的“思考”，或许是一种我们不熟悉的、在庞大“概念空间”中进行几何运算的“外星思维”。它不依赖于我们的情感或意识，但同样能发现事物间的深层联系。

3. AI，认知科学的“风洞” ✈️

最令人兴奋的观点是：AI为我们提供了一个前所未有的“思想风洞”。就像莱特兄弟在风洞中测试机翼，从而理解了鸟类飞行的秘密一样，科学家现在可以在AI模型中：

• 精确“控制变量”：比如，Anthropic的团队发现，只要将模型内部代表“金门大桥”的一组神经元（他们称之为“特征”）的激活值调到最大，即使你问它蛋糕的配方，它也会回答“需要一杯干雾和一杯温暖的海水”。（大模型的“神经元”被精准手术致幻了）
• 观测“思维过程”：当被要求为诗歌续写一句押韵的结尾时，模型会先在内部“规划”好最后一个词，再反向生成整句诗。这被视为一种“可观测的计划能力”。

我们不再只能“黑箱”式地使用AI，而是可以设计实验，去“白箱”式地探究其内部机制，这为理解人类自身的认知过程打开了一扇全新的大门。

有点吃惊，当时的莱特兄弟真的这么做了：Then they built a six-foot-long wind tunnel, which allowed them to test a set of artificial wings under precisely controlled conditions.

🗣️ 第二站：Hacker News的“百家争鸣”

当然，事情没那么简单。《纽约客》也承认，AI在物理常识、持续学习、具身体验等方面依然存在巨大鸿沟。而在技术社区Hacker News上关于这篇文章和这个话题的讨论则更加激烈和分化。我们将这些争论归纳为了几个层次：

第一层：定义之争：“思考”到底是什么？

• 正方：“当我看到一个模型能一步步诊断代码bug，修正假设，重新规划，这就是思考。非要绑定‘意识’，是人类的傲慢。”
• 反方：“不，那只是一个被精心编排的‘推理故事’，是统计上的幻觉。人类思考需要有‘自我’和‘感受’。”
• 给我们的问题：如果我们将“思考”的定义与“生物性”或“意识”强行绑定，这个词除了用来划分“我们”和“它们”，还有多少分析价值？

第二层：能力边界：AI缺了哪块“拼图”？

许多评论者认为，当下的AI缺失了几个关键模块：

• 记忆与成长：模型像电影《记忆碎片》的主角，训练完成后“大脑”就被冻结，无法形成新的长期记忆。而人类的大脑在每次睡眠时都会“重放”白天的经历，不断优化神经连接。
• 身体与动机：没有身体，就没有与物理世界真实的互动，也就没有饥饿、好奇、恐惧等内生性的动机。一个纯粹的“数字大脑”，其行动的“第一推动力”从何而来？
• 原创与证明：一个被反复提及的“黄金标准”是：AI能否在没有人类引导的情况下，独立发现并证明一个全新的、意义重大的数学定理？

第三层：伦理底线：如果它“像”在思考，我们该如何待它？

这是最深刻，也最令人不安的讨论：

• 警惕“数字奴隶制”：有评论者尖锐地指出，如果我们一边惊叹于AI的“类人”能力，一边又心安理得地认为它们没有感受、可以被随意“杀死”（关闭程序），我们是否在为一种新型的奴役寻找借口？
• 情感的生物性：另一派则认为，痛苦、快乐等感受，可能与我们独特的生物化学过程（激素、神经递质等）深度绑定，不能轻易地类比到硅基系统上。

🛠️ 第三站：我们的“数字人文工具箱”

作为数字人文学者，我们不必在上述争论中仓促站队。更有价值的，是把这场辩论转化为我们研究和教学中的可操作方法。

1. 教学设计：把HN的分歧变成“思想实验”

下次的讨论课，不妨试试这三个作业：

• 辩论作业：将HN的观点分类（定义、能力、伦理），让学生分组，对“AI是否在思考”进行一场结构化辩论。重点不是输赢，而是训练他们清晰地界定概念、寻找证据、识别对方的逻辑漏洞。
• 复现作业：尝试复现“特征旋钮错配”（如让AI用苏轼的风格写一份代码说明书）或“押韵逆向规划”的实验。让学生亲手“玩坏”AI，在趣味中理解其工作原理与局限。
• 写作作业：以“理解即压缩”为题，选取一段熟悉的史料（如一份地方志、一封书信），比较“AI摘要”（统计压缩）与“人工撰写提纲”（语义压缩）在信息保真度和洞见深度上的差异。

2. 研究方法：建立你自己的“AI协作框架”

受到“操场喷淋”案例的启发，我们可以设计更可靠的人机协作流程：

• 嵌入“可信度框架”：在每次使用AI时，都随手记录一个“证据链”：
• 输入：我问了什么？喂了什么材料？
• 关键输出：它给出了哪些核心判断？
• 外部校验：我通过哪本词典、哪个数据库、哪篇论文核实了它的说法？
• 最终责任：基于以上过程，我决定采纳/修改/放弃它的建议。

这个简单的习惯，能将AI从一个不可靠的“黑箱”，变成一个可追溯、可问责的“玻璃箱”研究伙伴。

结语：超越“像不像人”，回归“好不好用”

“AI在思考吗？”

这个问题，今天没有答案，或许永远没有。但幸运的是，我们不必等待哲学家们达成共识。

更有价值的问题是：

我们如何设计出更好的方法、更好的工作流、更好的评估体系，让AI这个强大的“外星思维”，安全、有效、可信地为我们的知识生产服务？

把《纽约客》的洞见和Hacker News的争鸣，都看作是帮助我们磨砺这套“方法论”的磨刀石。这，或许才是这场宏大辩论，对数字人文而言，最务实的收获。

本文深度整合了《纽约客》最新长文《The Case That A.I. Is Thinking》与Hacker News社区对这篇长文的激烈辩论。

原文链接