今天小編分享的教育經驗：你以為在追 AI，其實你落下的是思考力——諾獎得主 Hinton 的提醒，刺痛所有人，歡迎閱讀。
以下文章來源于 AI 深度研究員 ，作者 AI 深度研究員
作者 | AI 深度研究員
來源 | AI 深度研究員 管理智慧 AI+
咨詢合作 | 13699120588
文章僅代表作者本人觀點
（視頻：諾獎得主 Geoffrey Hinton 在多倫多大學本科新生講座）
你以為自己一直在追 AI，
用工具、看教程、嘗試各種新功能。
你是不是也想過：
" 只要跟上它的節奏，就不會被落下。"
可你有沒有真正問過自己——
" 我到底理解它在做什麼嗎？"
你在生成回答，卻沒再追問：" 為什麼是這個答案？"
你在執行指令，卻忽略了另一個問題：" 我是在用它，還是被它用？"
昨天，在多倫多大學的一場本科新生講座上，
AI 教父、諾獎得主 Geoffrey Hinton，對一群大學生說出：
" 你以為是 AI 在進化迭代，
其實是人類還沒學會思考。"
這不是一句哲學空談，
而是一場現實警告：
如果你不重新理解 " 思考 "，
你就無法真正理解 AI，更别說用好它。
AI 越來越強？别被假 " 理解 " 騙了
1、你以為 AI 已經會思考了，對吧？
Claude 的類人對話、GPT 的多輪記憶、DeepSeek 的系統集成……
這一切讓人誤以為：AI 已經很接近人類智能了。
但在多倫多大學的講座上，Hinton 提出一個更根本的問題：
" 你真的理解過，‘思考’到底是什麼嗎？"
所有人都在追 AI，，
可我們是不是反而忘了，先重新理解我們自己的‘理解’？
Hinton 并不否認 AI 的加速。他說：
"AI 正在接近我幾十年前的願景。"
緊接着他補充：
" 問題是，我們自己到現在都還不清楚——什麼才是思維。’ "
這不是他在自謙，而是他研究五十年後的判斷：
人類對 " 智能 " 的想象，長期被邏輯主義所誤導。
2、思考，不是推理，而是 " 發現别人可能搞錯了 "
他講了一個真實的小實驗：
在他年輕時做心理學研究時，
他觀察 3 到 5 歲的孩子分辨不同形狀和顏色。
有一組樣本中，出現了紅色圓形、黃色圓形、黃色正方形。
一個聰明的五歲孩子沒有選擇哪個 " 不同 "，而是指出：
" 你把那個圓形塗錯顏色了。"
這句話震住了他。
他不是答題，而是在理解規則後，反過來質疑規則本身。
這，是 " 思考 " 真正開始的地方。
Hinton 總結說：
" 我們現在的 AI，可以學會回答問題。
但它還不能發現問題，更不能指出人類可能搞錯了。"
它能預測語言，卻不懂語言的歧義；
它能模仿思維，卻無法質疑前提。
它看起來像在思考，其實只是套用了格式。
3 、人不是邏輯動物，而是 " 類比動物 "
Hinton 說：
" 我們不是邏輯動物，而是類比動物。"
你不是通過一套規則思考，
而是通過一連串模糊的經驗、感受、相似性進行判斷。
這正是人類思維的復雜之處——
不是算法邏輯，而是一種模糊而動态的類比直覺。
我們可能在 AI 身上看見 " 人 "，但它不懂 " 人 "
他提醒學生：" 你們從中學一路走來，被教會了如何寫出‘正确答案’。但在真正復雜的世界裡，發現問題，比回答問題更重要。"
這句話，不只是說給台下的新生。
是說給所有還在‘答題’的人類社會。"
Hinton 50 年只追一個問題
1、不是學霸人生，而是一連串 " 亂選 " 後的執念
很多人以為，像 Hinton 這樣的科學家，一定是少年天才、一路開挂。
其實恰好相反。
他說，自己剛進劍橋，第一次離開家，才發現：自己并不比别人聰明。
" 一個月後我就退學了。"
他做過零工，申請過建築專業。
第二天又變卦，回去讀了科學。
後來像走馬燈一樣換專業：生理學、哲學、心理學……
聽起來像是在逃避，其實他一直在找答案。
本科時他學物理還不錯，但數學太復雜。
他幹脆說：" 我永遠成不了物理學家。"
他喜歡生理學，但夏季課程講神經系統的時候讓他失望：" 他們只講了衝動是怎麼傳導的，但沒講它是怎麼‘工作的’。"
他去哲學、心理學裡找答案，一個太空，一個太淺，都沒碰到‘思維的核心’。
直到多年後他才明白：
" 如果你真的想理解思維，你必須理解大腦是如何工作的。 光靠哲學、心理學、邏輯，是不夠的。"
2、" 混亂 " 的路線，反而是他成為諾獎得主的根基
Hinton 對在場學生說：
" 我走了一條混亂的路，但回頭看，每個學科都在為後來打底。"
哲學讓他質疑 " 理性 " 的本質，
心理學讓他接觸實驗方法，
生理學則建立了他對神經結構的直覺。
後來進入人工智能領網域，他才開始真正 " 搭建思維的機器 "。
這也印證了他今天最想告訴年輕人的一句話：
" 比起‘你學什麼’，更重要的是‘你想弄明白什麼’。"
3、他不是追着趨勢跑，而是盯着一個問題，跑了 50 年
他說："" 我之所以做人工智能，是因為我相信——我們能在電腦裡，模拟出‘小型思維’。"
不是因為 "AI 是風口 "，
更不是因為 " 這個專業有前景 "，
這些話，在今天這個所有人都在選 " 熱門專業 "、追 " 未來方向 " 的時代裡， 反而顯得格格不入。
但你如果回頭看——
今天的熱門方向，幾乎全都是那些當年被嘲諷 " 冷門 " 的人，長期沉進去、默默打磨幾十年打下的基礎。
講座臨近尾聲，他講了一句很輕的話：
" 我當過木匠，做過實驗失敗，也曾放棄學術。但我一直沒放棄 " 人類是怎麼思考的 " 這個問題。"
他提醒學生：路徑可以混亂，但動機要清晰。
你可以換專業，可以失敗，可以走彎路，但你要問自己：
" 有沒有一個問題，是你願意花五十年去追的？"
AI 很會預測，但不懂 " 理解 "
1、" 理解 " 不是預測下一句話，而是知道你在說什麼
現在的 AI 模型表現得越來越 " 聰明 "。
它能寫新聞、畫圖、生成策略文案，
甚至能在醫學考試、法律分析、邏輯測試中超越人類平均分數。
但在 Hinton 看來，這并不意味着它 " 理解了 " 世界。
"AI 所做的，不過是預測下一個詞——
它不理解你在說什麼，只是在拟合你會說什麼。"
他說，它會接話，也能模仿人類的語氣、節奏、态度，
讓你覺得它好像真的在 " 懂你 "。
但當你問它：" 你為什麼這麼回答？"
它卻根本答不上來。
你以為它是邏輯清晰的 " 答題者 "，結果它連自己為什麼答這題都不知道。
2、預測 ≠ 理解，模仿 ≠ 思維
Hinton 強調，預測是一種表層行為，
但 " 理解 " 必須包含一個更復雜的結構：
它必須能整合上下文、指向現實、具備解釋力。
他說：" 它會寫詩，卻不懂孤獨；能編對白，卻從未愛過誰。"
這不是浪漫主義的批評，而是技術路線上的提醒：
" 我們造出了看懂世界表面的系統，卻還沒造出能解釋世界的系統。"
人類的理解力，是從 " 解釋差異 " 開始的。
什麼意思？
真正的理解，是從能解釋‘例外’開始的。
他舉了一個簡單例子：
為什麼我們能理解 " 他傷心地笑了 " 這種矛盾短語？
為什麼我們能通過語氣、上下文、過去的經驗，來判斷這是一種 " 諷刺 " 或 " 防御性 " 笑？
因為我們的大腦是不斷在構建一個 " 世界模型 "：
包含模糊的經驗片段
包含情緒的重量、語境的厚度
包含你對自己過去判斷的修正能力
Hinton 說，這種東西，是當前的 AI 暫時沒有的。
"AI 沒見過世界，也從未經歷誤解、失敗、修正——
它只是在生成‘像理解的回答’。"
3、理解的本質，是 " 元認知 " 而不是 " 精度 "
Hinton 特别強調：
我們要追求的 AI，
不是更精準的模仿者，
而是能反思、能質疑前提、能與人類一起重新定義問題的系統。
這類智能目前還很原始，也不是主流方向。
因為它慢、難、看起來 " 不炫技 "。
但 Hinton 反復提醒：
" 我們要構建的，是能共存的智能，不是能奪權的智能。"
現在大多數人談 AGI：
"AI 是否能像人一樣完成工作？"
但 Hinton 的提問方式是：
" 你是否真的理解‘人是怎麼完成工作的’？"
這不是一個哲學問題，而是一個工程入口問題。
如果你連 " 人類理解 " 是如何形成的都不知道，
那你訓練出的模型，很可能只是一個幻象——
它會說話，卻不知道自己在說什麼；
它看起來理性，其實連規則從哪兒來的都沒搞明白。
" 不是 AI 不聰明，而是我們太急着定義‘聰明’了。"
不是專業貶值，是你太快放棄了 " 困惑權 "
1、焦慮背後，是 " 人類價值 " 的錯位
你焦慮的，不只是 " 大學專業選得對不對 "，
而是越來越不确定：" 人類的價值，還剩下什麼？"
當 AI 能改稿、配圖、自動列提綱，
連學校開設的新專業，也清一色投向了數據、算法和自動化。
你開始懷疑：
" 我會的東西，真的還有價值嗎？"
教育部增設的新專業，幾乎全部跟人工智能相關。
官方的信号已經很明确了：
未來的人才，最好既能讀懂機器，也能被機器讀懂。
與此同時，
在多倫多大學的講座上，Hinton 表達出了一句更具穿透力的話：
" 如果你沒有一個真正感興趣的問題，選什麼專業都沒意義。"
這不是在唱高調，
而是在提醒我們：
真正被 AI 拿走的，不是 " 技能 "，而是 " 主動思考的機會 "。
他不是一開始就知道自己要做 AI，也不是一路順風
——只是沒那麼快放棄那個讓他困惑幾十年的問題。
2、文科的 " 無用 "，恰恰是它的價值所在
今天很多人指責 " 文科沒用 "，是因為它不直接 " 產出 "：
它不造芯片、不跑模型、不寫算法。
但它能提問、能命名、能反問本身——這些，AI 還遠遠做不到。
你以為理解文學、哲學、歷史是沒用的，
但 GPT 的幻覺（hallucination），本質上是它無法理解語境、權力、諷刺這些結構。
你以為 AI 寫稿子比你快，
但它還分不清：
哪句話會傷人，哪張圖是壓迫，哪個詞會引發共鳴。
這些，就是文科教育本該訓練的東西， 也是 " 深度人類性 " 的一部分。
講座中，Hinton 反復提醒學生：
" 你越年輕，就越有時間允許自己失敗。"
但今天的年輕人，
越來越沒有犯錯的空間， 沒有 " 純粹探索 " 的勇氣。
不是因為他們懶，而是社會在反復訓練你：
" 這有用嗎？"
" 這能掙錢嗎？"
" 這能防止我失業嗎？"
而 Hinton 的整個人生主張恰恰相反：
" 你要先想清楚，什麼問題讓你着迷，其他的才有意義。"
你不是沒用，而是太早被迫成為執行者。
你不是工具人，
你只是太早放棄了‘當思考者’的機會。
3、不是為文科辯護，而是為 " 人類餘地 " 留出一塊地
你可以不學哲學，
但你得能提出哲學式的問題。
你可以不寫小說，
但你得能感知人類故事的復雜結構。
未來的 AI 會越來越強， 但越強，它越像一面鏡子：照見人類自己，丢掉了什麼。
人類的優勢，是會問 " 為什麼 "
1、你焦慮的是 AI，其實更該怕的是 " 認知自動駕駛 "
在講座問答環節中，有學生問 Hinton：
" 你怎麼看 AI 對未來職業的影響？"
面對學生關于‘未來職業’的問題，Hinton 沒有直接回答，
他講了一個自己年輕時的經歷：
20 世紀 70 年代，他曾短暫離開學術，成為一名木匠。他說：
" 那時候我真的以為，學術這條路走不通了。"
但後來他遇到一位真正的木匠，對方手藝比他好得多。
他突然意識到：
" 也許我該回去搞研究。相比之下，做學術還容易點。"
這不是轉行的插曲，而是他想提醒我們：
" 人類最大的問題，從來不是技術，而是我們太容易放棄思考。"
Hinton 提到，大多數人把 AI 看成是外部威脅——
怕它太聰明、太快、太卷。
但他反問學生：
" 你有沒有意識到，你每天的很多決定，
都是在沒有真正思考的情況下做出來的？"
我們做選擇，不是出于興趣，而是出于‘證明有用’：
選标題只看吸引眼球，選專業只看好不好就業，學技能也只看能不能變現。
不是 AI 在接管世界，而是我們早就把主導權交了出去。
2、諾獎，不是因為聰明，而是他沒換問題
Hinton 并不是一開始就決定做人工智能，
也不是一路開挂的 " 少年天才 "。
他說，自己數學一般，人生轉了不少彎。
" 我想弄明白，大腦是怎麼工作的。"
不是他規劃得比别人好，
而是他沒換掉那個讓他困惑幾十年的問題。
這跟今天很多人的路徑焦慮正好相反。
我們太習慣 " 規劃路徑 "，
卻很少認真問自己：
" 我想弄清楚什麼？"
就算沒有目标，也别急着丢掉那個讓你困惑的問題。
3、AI 越像人類，人類卻越不像自己
AI 不停在進化，；
而我們人類卻越來越習慣不提問。
Hinton 沒有貶低 AI，但他表示：
" 我們要做的不是把 AI 變得更像人，
而是該回頭問自己：我們還像人嗎？"
在講座中，他回想起一件童年小事。
他說自己五歲時，
看到一枚硬币在車座上 " 逆坡滾動 "，他非常困惑，以為看到了魔法。
多年後他才知道，那不是魔法，而是物理——
是座位上的纖維配合震動，制造了一個 " 單向推進 " 的摩擦。
然後他說了一句話：
" 重要的，不是能不能解決問題，而是有沒有那個讓你停下來的困惑。"
未來，不是 AI 把我們變傻了，
而是我們太早，就學會跳過了 " 為什麼 "。
别再說 AI 在進化，是你沒開始思考
AI 會生成畫面，寫下對白，編出浪漫。
但它越像人，越讓我們意識到：
我們，好像越來越不像人。
但 Hinton 說：
" 你以為是 AI 在進化，
我們太習慣讓模型給出答案，
卻很少問一句：這真的是理解嗎？
他不是在唱衰技術，
而是在提醒：
不是你會不會用 AI，
而是你用它，是在省事，還是在思考？
未來，不是靠執行命令的人留下，
而是那些能用 AI 反思世界、修正思維的人留下。
這不是一個關于 AI 的時代，
這是逼你重新成為‘思考的人’的時代。
~~~
下次你用 AI，别只生成答案，
問一句：" 我為什麼要這麼問？"
留下的，不是最快的人，
而是那些還在追問的人。
留言告訴我們：
你有沒有那個，願意追十年都不放手的問題？
參考資料：https://www.youtube.com/watch?v=vpUXI9wmKLc&t=3309s&ab_channel=UniversityofToronto
來源：官方媒體 / 網絡新聞
