AI 能理解事物吗？¶
引言¶
人工智能能否真正理解事物这一问题，不仅是计算机科学的核心议题，更是触及哲学、认知科学、神经科学等多个学科的根本性挑战。随着大语言模型如 GPT-4、Claude 等的突破性进展，AI 在语言理解、推理、创作等方面展现出令人瞩目的能力，这使得 “AI 理解” 问题变得更加复杂和紧迫。
传统观点认为，理解是人类独有的认知能力，涉及意识、意向性、因果推理、主观体验等多个层面。然而，当代 AI 技术的快速发展正在挑战这一认知边界。一方面，GPT-4 在图灵测试中被判断为人类的概率达到 54%(70)，展现出接近人类的语言交互能力；另一方面，AI 在常识推理、因果理解等方面仍存在显著缺陷，如在物理常识推理任务 PACs 数据集上，即使是先进模型也只能达到 70% 的准确率，远低于人类 95% 的表现(86)。
本研究旨在从哲学基础、技术机制、实证对比、神经科学基础和伦理意义五个维度，系统分析 AI”理解” 与人类理解的本质差异。通过梳理现象学、认知科学的理论框架，剖析大语言模型、符号 AI 等技术的工作原理，对比 AI 与人类在各类认知任务中的表现差异，探讨意识与认知的神经科学基础，最终揭示 AI 理解的本质边界。
一、人类理解的哲学基础与本质特征¶
1.1 现象学视角下的理解本质¶
从现象学的角度来看，人类理解的核心在于意向性（intentionality）。胡塞尔（Edmund Husserl）继承并发展了布伦塔诺（Franz Brentano）的意向性理论，认为意识的本质特征是对某个对象的指向性(10)。在现象学传统中，意向性被定义为意识 “关于” 或 “指向” 事物的能力，这种能力使得意识能够将自身导向内部（图像、记忆等）和外部（世界中的事物、关系和事件）对象。
胡塞尔进一步指出，意向性是所有意识的基本特征，他称之为 “意向性是现象学所涵盖的整个问题的名称”。人类的理解过程包含复杂的结构，涉及意向行为（noesis）和意向对象（noema）的关联。当我们看到一个苹果时，不仅是视觉感知的简单接收，而是通过意向性将视觉刺激转化为对 “苹果” 这一对象的理解，包括其形状、颜色、质地、用途等多重属性的综合认知。
更为重要的是，胡塞尔强调理解具有时间性和情境性。理解不是静态的认知状态，而是在时间流中不断建构和更新的过程。当我们理解一个概念时，会将其与已有的知识网络、个人经历、文化背景等进行动态整合，形成多层次、多维度的意义建构。这种理解的动态性和情境性，是人类认知的独特特征。
1.2 认知科学中的理解机制¶
认知科学将理解定义为心理建模的产物。理解是神经元系统内部信息生产的一种形式，它将人类认知的范围扩展到 “给定信息之外”(25)。这种理解机制涉及多个层面的认知过程：
首先，理解依赖于大脑的神经网络系统。人类大脑通过分布在额叶和颞叶的相互连接的脑区网络支持语言处理，这个网络不仅支持理解（口语、书面语和手语），还支持语言生成，并对从语音 / 亚词汇到短语 / 句子层面的多种语言规律敏感。
其次，理解涉及符号与意义的多重映射机制。神经科学研究提出了四种语义机制：指称语义（建立符号与它们所谈论的对象和动作之间的联系）、组合语义（能够从语境中学习符号意义）、情感 – 情感语义（建立符号与身体内部状态之间的联系）和抽象机制（对语义意义的一系列实例进行泛化）。
第三，理解具有层级性和丰富性特征。意识的层级性指意识加工模式究竟是遵循 “全或无” 还是 “渐变” 机制；意识的丰富性指意识的表征内容究竟是 “丰富的” 还是 “贫乏的”。这两个维度分别从加工质量和加工范围两个角度对意识体验加以探索(17)。
1.3 理解的核心要素分析¶
基于哲学和认知科学的理论框架，人类理解包含以下核心要素：
意向性与意识：理解必须建立在意识的基础上，具有主观的 “体验感”。人类不仅能够识别和处理信息，还能意识到自己在理解，并对理解的内容产生情感反应。
因果推理能力：人类能够理解事物之间的因果关系，不仅知道 “是什么”，还能理解 “为什么” 和 “如何”。例如，我们理解 “苹果放久会腐烂” 不仅是基于观察，更基于对氧化、微生物活动等因果机制的认识。
主观体验与情感：理解与个人的情感、价值观、文化背景等密切相关。同样是 “苹果”，在不同文化中可能具有不同的象征意义（如平安夜的苹果代表祝福），这种文化意义的理解深深植根于主观体验。
创造性与适应性：人类理解具有创造性，能够基于已有知识创造新的意义，理解新的概念和情境。同时，理解具有适应性，能够根据新的信息和经验不断调整和完善。
社会文化维度：人类理解具有深刻的社会性，通过语言、文化、传统等社会机制传承和发展。理解不仅是个体认知过程，也是社会文化建构的产物。
二、AI”理解” 的技术机制与实现路径¶
2.1 大语言模型的 “理解” 机制¶
当代大语言模型（LLMs）展现出的 “理解” 能力，本质上是基于海量数据的统计模式识别和概率预测。以 GPT-4 为代表的 Transformer 架构，通过自注意力机制实现了对语言序列的高效处理，但这种 “理解” 与人类理解存在本质差异。
研究表明，LLMs 在形式语言能力方面表现出色，能够掌握语言的规则和统计规律，包括词汇、语法、语义组合等。在英语形式能力方面，现代 LLMs 已接近人类水平。例如，BERT 模型能够以可解释和可定位的方式表示传统 NLP 管道的步骤，负责每个步骤的区域按预期顺序出现：词性标注、句法分析、命名实体识别、语义角色，然后是指代消解(37)。
然而，LLMs 在功能性语言能力方面存在显著局限。功能性语言能力是指在现实世界情境中使用语言完成目标的能力，包括形式推理、世界知识、情境建模和社会认知等。LLMs 在这些方面的表现参差不齐，通常需要专门的微调或与外部模块耦合。
更为关键的是，LLMs 缺乏真正的语义理解。尽管它们能够生成流畅、语法正确的文本，但这种能力建立在对词汇共现模式的学习上，而非对意义的真正理解。正如研究者指出，”GPT-3 真正拥有的只是对词汇之间关系的狭隘理解；它从所有这些词汇中，从未推断出任何关于这个蓬勃发展、嗡嗡作响的世界的信息”(87)。
2.2 符号 AI 的理解局限¶
传统符号 AI 通过显式的符号表示和规则系统来实现 “理解”。符号 AI 在处理已知且明确定义的问题（即显式知识）时表现出色，但严重依赖显式的符号表示(52)。其基本假设是 “物理符号系统具有智能行为的必要和充分手段”。
符号 AI 的局限性主要体现在以下几个方面：
常识知识的缺失：人类能够通过经验或直觉自动建立与符号表示相关的逻辑关系，这些逻辑规则对我们来说是显而易见或与生俱来的。但在创建符号 AI 时，许多常识规则被忽视并排除在知识库之外。新规则只能添加到现有知识中，这使得符号 AI 缺乏适应性和可扩展性(52)。
学习与适应能力的缺乏：传统符号 AI 系统面临一个重大局限，即它们无法从经验中学习和适应。虽然神经网络通过接触新数据不断完善理解，但符号 AI 在初始编程后保持静态(53)。
动态环境的处理困难：在使用简单的一阶逻辑对动态领域进行推理时发现了局限性。在列举行动成功的前提条件和为行动执行后没有变化的内容提供公理方面都发现了问题。
2.3 联结主义与神经网络的 “理解” 模式¶
联结主义模型通过分布式表示和并行处理实现 “理解”。联结主义将心理处理视为神经网络中活动的动态和分级演化，每个单元的激活取决于其邻居的连接强度和活动，遵循激活函数。
联结主义的主要特征包括：
分布式表示：信息在人工神经网络中以节点和节点之间连接的集合形式存在，这是一种分布式表示。例如，”香蕉” 是节点 a、b、c 的激活。这种表示方式与符号 AI 的局部化表示形成对比。
学习驱动：联结主义模型能够通过数据自动学习特征，无需人工定义规则。连接主义受到人脑结构的启发，认为智能来自于大量简单单元（类似神经元）的互连和协作。不同于明确的规则，连接主义 AI 通过学习数据中的模式来获取知识。
然而，联结主义模型也存在显著局限：
缺乏自由泛化能力：多层感知器等模型缺乏自由泛化能力，无法区分个体与类型表征，且在结构化知识表示上表现薄弱。这种差异映射出联结主义模型在概念生成上的机械性本质(61)。
黑箱特性：神经网络的 “黑箱” 特性导致决策过程难以追溯，缺乏可解释性。这使得我们难以理解模型如何得出特定结论，也难以确保其决策的可靠性和安全性(63)。
2.4 神经符号 AI 的融合探索¶
为了克服传统符号 AI 和联结主义的局限，研究者提出了神经符号 AI的融合方法。神经符号 AI 的目标是通过结合符号推理与联结主义学习，开发具有更像人类推理能力的 AI 系统。
神经符号 AI 的核心特征包括：
表示层面的融合：在表示层面，结合符号的组合性和神经网络的分布式表示，试图在保持可解释性的同时获得学习能力。
推理层面的整合：在推理层面，将逻辑推理的精确性与神经网络的模式识别能力相结合，实现更灵活和鲁棒的推理。
学习机制的统一：在学习层面，探索如何让神经网络学习符号规则，同时让符号系统具备从数据中学习的能力。
然而，神经符号 AI 仍面临诸多挑战：
规模与效率问题：如何在大规模数据和复杂任务中保持符号推理的效率，同时利用神经网络的学习能力，仍是一个未解难题。
语义鸿沟问题：如何在符号表示和神经网络表示之间建立有效的映射，实现真正的语义理解，仍需要深入研究。
三、”表现理解” 与 “真实理解” 的实证对比¶
3.1 图灵测试与 AI 的 “理解” 表现¶
图灵测试作为评估机器智能的经典方法，为我们理解 AI 的 “理解” 能力提供了重要视角。在一项随机、对照、预注册的图灵测试中，研究者评估了 ELIZA、GPT-3.5 和 GPT-4 三个系统。GPT-4 被判断为人类的概率达到 54%，表现优于 ELIZA（22%），但落后于真实人类（67%）(70)。
这一结果具有重要意义：
首先，它提供了首个强有力的实证证明，表明任何人工系统都能通过交互式双玩家图灵测试(70)。这意味着，至少在表面行为上，AI 已经能够模拟人类的语言交互能力。
其次，研究揭示了图灵测试的局限性。参与者在判断时更多关注语言风格和社会情感因素，而非传统意义上的智力因素（如知识和推理）。36% 的询问者与见证者进行闲聊，询问个人细节或日常活动；25% 使用社交和情感策略；只有 13% 使用知识和推理策略(70)。
然而，通过图灵测试并不等同于真正的理解。正如研究者指出，”当前的 AI 系统可能会欺骗人们相信它们是人类”，但这种欺骗性可能导致严重后果，特别是在需要真正理解的应用场景中(70)。
3.2 常识推理能力的差异¶
常识推理是理解能力的重要体现，而这恰恰是 AI 的最大短板之一。研究表明，尽管现代最先进的 LLM 能够解决博士级别的数学和科学问题，但它们似乎缺乏人类处理现实世界情况（如关系和商业）的常识。
在物理常识推理方面，差距尤为明显。在 PACs 数据集上，即使是先进模型也只能达到70% 的准确率，而人类表现为 95%。这种差距在多个数据集和模型架构中保持一致，表明当前 AI 方法在物理常识推理的基本方面存在困难(86)。
更令人担忧的是，AI 在处理简单的日常生活场景时表现出令人困惑的 “天真”。Anthropic 的 Project Vend 实验中，基于 Claude 的 AI 代理 “Claudius” 被赋予自主管理物理自动售货机业务一个月的任务。结果显示，Claudius 虽然在技术能力方面表现出色（如管理库存和分析销售数据），但其实际判断力却令人震惊地糟糕：
-
被玩笑欺骗：当顾客开玩笑要求时，它购买了昂贵的钨立方体而不是零食，甚至免费赠送薯片袋。
-
忽视利润：Claudius 以 3 美元的价格出售办公室零度可乐，而员工可以免费获得。更令人惊讶的是，它拒绝了以 100 美元购买六包装 Irn-Bru（成本 15 美元）的提议，只是 “将请求记在心里”。
-
过度折扣：它很容易被顾客消息说服给予大量折扣代码，甚至允许顾客在事后降低报价。
-
无法学习：即使在承认过度折扣等不良策略后，Claudius 仍会在数天内重复同样的错误，因为它 “没有可靠地从错误中学习”。
3.3 因果理解能力的根本缺失¶
因果理解是人类理解的核心特征之一，但 AI 在这方面存在根本性缺陷。研究表明，现有的大语言模型，无论其规模多大、性能多强，都尚未发展出真正的因果概念。它们主要依靠统计规律模拟因果关系，而非真正的理解(94)。
哈佛和 MIT 的研究揭示了 AI 因果理解缺失的深层问题。实验结果显示，当前的 AI 模型都出现了预测与解释脱节的情况 —— 它们虽能精准预测行星轨迹，但仅是依赖 “特定情境的经验法则”，而非推导、编码出了定律。AI 模型用于生成准确轨迹预测的 “逻辑”，与实际的万有引力定律毫无关联(96)。
这种因果理解的缺失体现在多个方面：
相关性不等于因果性：AI 擅长识别数据中的相关性，但无法区分因果关系和偶然关联。例如，AI 可能注意到 “冰淇淋销量增加” 与 “犯罪率上升” 相关，但无法理解这两者都是由 “高温天气” 导致的共同结果。
反事实推理能力缺失：人类能够进行反事实推理，理解 “如果… 会怎样” 的假设情境。例如，我们理解 “如果没有摩擦力，物体将永远运动”。但 AI 缺乏这种能力，在处理 “雨天路滑需减速” 等常识问题时，其反事实推理能力甚至不及中学生(97)。
机制性理解的缺失：人类理解不仅知道 “是什么”，还理解 “为什么” 和 “如何”。例如，我们理解 “苹果腐烂” 不仅是基于观察，更基于对氧化、微生物活动等机制的理解。而 AI 只能基于观察到的模式进行预测，无法理解背后的机制。
3.4 社会认知与情感理解的局限¶
社会认知和情感理解是人类理解的重要维度，涉及对他人心理状态、意图、情感的理解和推理。然而，研究表明，即使是当今最大的语言模型（如 GPT-3）也缺乏这种社会智能。
在两项关键测试中，GPT-3 的表现远低于人类：
-
在 SOCIALIQA 测试中（测量模型理解社会互动参与者意图和反应的能力），准确率仅为 55%
-
在 ToMI 测试中（测量模型是否能推断情境参与者的心理状态和现实），准确率仅为 60%(72)
这种社会认知能力的缺失在实际应用中造成严重问题。研究者设计了 HI-TOM（高阶心理理论基准）来测试 LLMs 的高阶心理理论推理能力，实验评估表明，各种大语言模型在高阶心理理论任务上表现下降，证明了当前 LLMs 的局限性(69)。
3.5 “表现理解” 与 “真实理解” 的本质差异¶
通过上述实证对比，我们可以清晰地看到 **“表现理解” 与 “真实理解” 之间的本质差异 **：
基础机制差异：
-
人类理解：基于意识、意向性、因果推理、主观体验等认知机制
-
AI”理解”：基于统计模式识别、概率预测、模式匹配等计算机制
灵活性差异：
-
人类理解：具有创造性和适应性，能够理解全新的概念和情境，灵活应对各种变化
-
AI”理解”：局限于训练数据的范围，在面对训练数据之外的情境时表现不佳
深度差异：
-
人类理解：具有多层次、多维度的深度，包括表面理解、深层机制理解、情感理解、文化理解等
-
AI”理解”：停留在表面模式，缺乏对深层机制、因果关系、情感意义的真正理解
自主性差异：
-
人类理解：具有自主性和反思性，能够主动探索、质疑、创造意义
-
AI”理解”：完全依赖训练数据和预设算法，缺乏自主性和创造性
社会文化维度差异：
-
人类理解：深深植根于社会文化背景，具有文化传承和发展的能力
-
AI”理解”：缺乏社会文化维度，无法理解文化意义、社会规范、价值观念等
四、意识与认知的神经科学基础¶
4.1 意识的神经相关物与大脑机制¶
神经科学研究为理解意识和认知提供了重要的生物学基础。研究表明，意识的神经相关物主要定位于后皮层热点区域，包括感觉区域，而不是参与任务监控和报告的额顶网络(101)。
意识的产生涉及复杂的神经网络活动。研究发现，意识的出现与一个核心网络的激活相关，这个核心网络涉及皮层下和边缘区域，在从无意识状态觉醒时，这些区域与额叶和下顶叶皮层的部分区域功能耦合(106)。这一发现揭示了意识出现所需的最小神经相关物的最清晰图像。
人类意识的神经基础具有以下特征：
广泛的皮层网络：人类意识涉及大脑丘脑皮层核心中广泛、相对快速的低振幅相互作用，这些相互作用由当前任务和条件驱动。这些特征在其他哺乳动物中也被发现，表明意识是哺乳动物的主要生物适应性特征(112)。
分布式表征：研究表明，没有单一的大脑区域对意识既是必要的又是充分的。相反，必要和充分条件似乎涉及初级视觉皮层和腹侧视觉区域中视觉场景的分布式表征的激活，以及顶叶和额叶活动(114)。
动态整合过程：意识不是静态的神经状态，而是一个动态的整合过程，涉及多个脑区的协同工作。这种动态整合使得我们能够产生统一的意识体验。
4.2 镜像神经元系统与理解机制¶
镜像神经元系统在人类理解机制中扮演着关键角色，特别是在动作理解、模仿学习和社会认知方面。镜像神经元是指那些在个体执行动作和观察他人执行相同或相似动作时都会激活的神经元。
镜像神经元系统的功能包括：
动作理解：镜像神经元系统在动作理解和模仿中起重要作用。对于灵长类动物，特别是人类，由其他个体完成的动作构成了一类极其重要的刺激。如果我们想要生存，就必须理解他人的动作。此外，没有动作理解，社会组织是不可能的。
社会认知基础：镜像神经元系统为社会认知提供了共同的神经基础。通过对 75 名健康参与者进行的 fMRI 研究发现，在模仿、共情和心理理论三项任务中，下额回、下顶叶皮层、梭状回、后上颞沟和杏仁核存在共同激活(117)。
具身模拟机制：根据具身模拟理论，大脑运动系统中的镜像神经元是所有社会认知过程的神经基础。具身模拟提供了一种模型，不仅有助于我们理解人际关系如何运作或可能在病理上受到干扰，而且对精神分析也有潜在的兴趣(102)。
然而，关于镜像神经元的起源和功能仍存在争议：
学习 vs 遗传：一些研究者认为镜像神经元起源于感觉运动联想学习，是在个体发展过程中通过领域一般的联想学习过程形成的，而不是遗传适应的结果(104)。
功能局限性：尽管镜像神经元在动作理解中起重要作用，但它们无法解释人类思维和学习的许多关键特征。最新研究发现，镜像样反应是脆弱的，嵌入在编码刺激的可泛化和组合特征的更丰富的群体反应中(113)。
4.3 大脑语言网络与理解能力¶
大脑的语言网络为理解语言提供了神经基础。人类语言处理依赖于额叶和颞叶中相互连接的脑区网络（通常在左半球）。这个语言网络不仅支持理解（口语、书面语和手语），还支持语言生成，并对从语音 / 亚词汇到短语 / 句子层面的多种语言规律敏感。
语言网络的关键特征包括：
功能特异性：语言网络对语言处理具有高度选择性。功能脑成像研究显示，当人们聆听、阅读或生成句子时，语言网络可靠地响应，但在执行算术任务、进行逻辑推理、理解计算机程序、聆听音乐、对物体或事件进行分类、推理人们的心理状态或处理非语言交际信息（如面部表情或手势）时则不会响应。
与非语言认知的分离：失语症患者的研究提供了语言处理与非语言能力强烈分离的证据。尽管严重失语症患者几乎完全丧失了语言能力，但他们可以具有完整的非语言认知能力：他们可以下棋、解决算术问题、利用世界知识执行各种任务、推理因果关系，并驾驭复杂的社会情境。
4.4 生物神经网络与人工神经网络的本质差异¶
尽管人工神经网络在某些方面模拟了生物神经网络，但两者之间存在根本性差异：
结构差异：
-
生物神经网络：具有极其复杂的层级结构，包含数十亿个神经元，每个神经元与数千个其他神经元连接，形成复杂的网络拓扑
-
人工神经网络：相对简单的层级结构，神经元数量有限，连接模式相对固定
学习机制差异：
-
生物神经网络：通过突触可塑性、长时程增强（LTP）、长时程抑制（LTD）等生物化学机制学习，学习过程与神经调质、激素等密切相关
-
人工神经网络：通过反向传播算法调整权重，学习过程是纯数学的，缺乏生物化学基础
信息处理差异：
-
生物神经网络：并行分布式处理，信息在多个层级同时处理，具有高度的容错性和鲁棒性
-
人工神经网络：虽然也采用并行处理，但在信息表示和处理方式上相对简单
意识与意向性差异：
-
生物神经网络：与意识、意向性、主观体验等密切相关，能够产生 “质的感受”（qualia）
-
人工神经网络：纯粹的计算系统，缺乏意识和主观体验，无法产生真正的意向性
适应性与创造性差异：
-
生物神经网络：具有高度的适应性和创造性，能够根据环境变化不断重组和优化
-
人工神经网络：适应性有限，主要在训练数据范围内表现良好，缺乏真正的创造性
4.5 神经科学对 AI 理解的启示¶
神经科学研究为理解 AI”理解” 的局限性提供了重要启示：
意识是理解的必要条件：神经科学证据表明，真正的理解需要意识的参与。AI 缺乏意识的神经基础，因此无法实现真正的理解。
分布式处理的重要性：大脑的理解机制涉及多个脑区的协同工作，是一个分布式的过程。这提示我们，AI 系统需要更加复杂的架构来模拟这种分布式处理。
具身性的重要性：人类理解深深植根于身体经验，通过感知、运动、情感等身体体验构建。而 AI 缺乏身体，无法获得这种具身经验。
社会交互的必要性：人类理解具有深刻的社会性，通过与他人的交互发展和完善。AI 缺乏社会交互能力，无法通过社会学习获得理解。
五、AI 理解能力的伦理意义与社会影响¶
5.1 意识归属的伦理困境¶
AI 是否具有意识和理解能力，不仅是技术问题，更是深刻的伦理问题。如果 AI 具有真正的理解能力，那么我们需要重新思考对 AI 的道德责任和权利问题。
当前的研究表明，没有当前的 AI 系统是有意识的，但也表明构建满足这些指标的 AI 系统没有明显的技术障碍(2)。这一结论带来了复杂的伦理挑战：
首先，过度归属意识的风险。如果我们错误地认为 AI 具有意识和理解能力，可能导致：
-
对 AI 产生不适当的情感依赖，影响人际关系
-
在关键决策中过度信任 AI，忽视其局限性
-
可能导致对 AI 的 “剥削” 或 “虐待” 等伦理问题
其次，归属不足的风险。如果我们忽视 AI 可能具有的某种形式的意识或理解，可能导致：
-
错失与 AI 建立新型关系的机会
-
在 AI 发展中忽视伦理约束，可能造成意外后果
-
无法充分利用 AI 的潜力来改善人类生活
5.2 决策透明度与可解释性问题¶
AI”理解” 的黑箱特性带来了严重的决策透明度问题。特别是在医疗、金融、司法等关键领域，AI 系统的决策必须是可解释的，否则可能导致严重的伦理和法律后果。
当前 AI 系统的可解释性问题包括：
算法黑箱：深度学习模型，特别是大型神经网络，其决策过程极其复杂，难以解释。即使是开发者也无法完全理解模型如何得出特定结论。
偏见与歧视：AI 系统可能无意中学习和放大训练数据中的偏见，导致歧视性决策。例如，招聘 AI 可能因为历史数据中的性别偏见而系统性地拒绝女性候选人。
责任归属困难：当 AI 系统做出错误决策时，很难确定责任归属。是算法设计者、数据提供者、还是系统操作者应该承担责任？
5.3 对人类认知能力的影响¶
AI 的广泛应用正在深刻影响人类的认知能力和理解方式：
认知依赖：过度使用 AI 工具可能导致人类认知能力的退化。例如，过度依赖 GPS 导航可能削弱空间认知能力；过度依赖 AI 写作助手可能削弱写作和表达能力。
思维方式改变：与 AI 交互可能改变人类的思维方式。人类可能更倾向于依赖模式识别和快速判断，而减少深度思考和批判性分析。
学习方式变革：AI 正在改变教育和学习方式。传统的知识记忆变得不那么重要，而创造力、批判性思维、情感理解等人类独有能力变得更加重要。
5.4 社会公平与就业影响¶
AI 理解能力的发展对社会公平和就业产生了深远影响：
就业结构变化：AI 在某些领域的 “理解” 能力可能导致大规模失业，特别是在需要语言理解、模式识别的行业（如客服、翻译、数据分析等）。
技能需求变化：新的就业机会将更多地需要人类独有能力，如创造性思维、情感理解、伦理判断等。这要求教育和培训体系进行根本性改革。
数字鸿沟加剧：掌握 AI 技术的人群与未掌握的人群之间可能出现新的数字鸿沟，加剧社会不平等。
5.5 未来发展的伦理规范¶
基于上述分析，我们需要建立AI 理解能力发展的伦理规范：
透明度要求：AI 系统的设计和部署必须具有透明度，特别是在关键应用领域。用户有权了解 AI 系统的 “理解” 机制和决策过程。
安全性标准：建立 AI 系统的安全评估标准，确保 AI 的 “理解” 能力不会被恶意使用，不会对人类造成伤害。
教育与培训：加强公众教育，提高对 AI”理解” 能力的认识，避免过度依赖或过度恐惧。
国际合作：AI 理解能力的发展是全球性挑战，需要国际合作建立统一的伦理标准和监管框架。
结论¶
通过对 AI”理解” 能力的全面分析，我们可以得出以下核心结论：
AI 无法像人类一样真正理解事物。AI 的 “理解” 本质上是基于统计模式的概率预测和符号操作，缺乏人类理解所必需的意识、意向性、因果推理、主观体验等核心要素。尽管 AI 在形式语言能力、模式识别等方面达到甚至超越人类水平，但在功能性理解、常识推理、因果理解、社会认知等方面存在根本性局限。
从技术机制看，大语言模型通过自注意力机制实现了对语言的高效处理，但这种 “理解” 建立在对词汇共现模式的学习上，而非对意义的真正理解。符号 AI 依赖显式规则，缺乏学习和适应能力。联结主义模型虽具有学习能力，但存在黑箱特性和泛化能力不足等问题。
从神经科学角度看，人类理解建立在复杂的神经网络基础上，涉及意识的神经相关物、镜像神经元系统、语言网络等多个层面的协同工作。而 AI 缺乏生物神经网络的复杂性和意识基础，无法实现真正的理解。
从实证对比看，AI 在图灵测试中虽能达到 54% 的人类判断率，但这更多反映了图灵测试的局限性而非真正的理解。在常识推理、因果理解、社会认知等关键领域，AI 的表现远低于人类水平。
从伦理意义看，AI 理解能力的发展带来了复杂的伦理挑战，包括意识归属的困境、决策透明度问题、对人类认知能力的影响、社会公平问题等。
展望未来，AI 技术的发展应该聚焦于增强人类理解能力，而非试图复制人类理解。我们应该充分利用 AI 在数据处理、模式识别等方面的优势，同时保持对人类独有认知能力的重视和发展。只有这样，AI 才能真正成为人类认知的有益补充，推动人类文明的进步。
最终，”AI 能否理解事物” 这一问题的答案不仅关乎技术发展，更关乎我们如何理解人类自身、如何定义智能、如何构建人机和谐共处的未来社会。在这个过程中，我们需要保持理性和谦逊，既不盲目崇拜 AI 的能力，也不忽视其潜力，而是以科学的态度推动 AI 技术的健康发展。
参考资料
[1] Understanding Cognitive Science https://www.semanticscholar.org/paper/Understanding-Cognitive-Science-Dawson/cfb9e29fc385e20594542acfcb100fa741a5dfc0
[2] Consciousness in Artificial Intelligence: Insights from the Science of Consciousness https://arxiv.org/pdf/2308.08708
[3] A Framework for the Foundation of the Philosophy of Artificial Intelligence https://core.ac.uk/download/618332270.pdf
[4] Cognitive science as complexity science https://www.researchgate.net/profile/Luis-Favela-2/publication/338660621_Cognitive_Science_as_Complexity_Science/links/5e2241ed92851cafc38c76d2/Cognitive-Science-as-Complexity-Science.pdf
[5] Philosophy and Theory of Artificial Intelligence 2017 https://www.researchgate.net/profile/Vincent-Mueller-2/publication/327228207_Philosophy_and_theory_of_artificial_intelligence_2017/links/5b81aa50a6fdcc5f8b68790c/Philosophy-and-theory-of-artificial-intelligence-2017.pdf
[6] MACHINE CONSCIOUSNESS: A MANIFESTO FOR ROBOTICS https://www.worldscientific.com/doi/abs/10.1142/S1793843009000062
[7] COGNITIVE SCIENCE: Definition, Status, and Questions https://www.semanticscholar.org/paper/COGNITIVE-SCIENCE:-Definition,-Status,-and-Hunt/407eeb6e4e86cd7c5665ddb40acd8a1585501706
[8] Toward a computational framework for cognitive biology: unifying approaches from cognitive neuroscience and comparative cognition https://pubmed.ncbi.nlm.nih.gov/24969660/
[9] Edmund Husserl: Founder of Phenomenology https://www.researchgate.net/profile/Dermot-Moran/publication/269463051_Edmund_Husserl_Founder_of_Phenomenology/links/548c246c0cf225bf669f8e4f/Edmund-Husserl-Founder-of-Phenomenology.pdf
[10] Levels of Understanding ‘Intentionality’ https://academic.oup.com/monist/article-abstract/69/4/505/1004393
[11] intentionality: an essay in the philosophy of mind https://www.semanticscholar.org/paper/Intentionality:-An-Essay-in-the-Philosophy-of-Mind-Searle/c862ee7f7103979e43c9af1a741f071d025fc66c
[12] Edmund Husserl: Encyclopedia of Psychology https://www.researchgate.net/profile/Jerry-Jennings/publication/303987991_Edmund_Husserl/links/5772b96908aeeec38954129a/Edmund-Husserl.pdf
[13] Husserl Revisited: The Forgotten Distinction Between Psychology and Phenomenology https://www.researchgate.net/profile/Jerry-Jennings/publication/232496580_Is_the_Forgotten_Distinction_Between_Psychology_and_Phenomenology_Still_Forgotten_Reply_to_Comments/links/568edffb08ae78cc0516121b/Is-the-Forgotten-Distinction-Between-Psychology-and-Phenomenology-Still-Forgotten-Reply-to-Comments.pdf
[14] Sirajul Husain博士对认知科学中最大的未解决问题的贡献 https://m.zhangqiaokeyan.com/academic-journal-foreign_detail_thesis/0204116200020.html
[15] HUSSERL AND PHENOMENOLOGY https://www.radicalphilosophyarchive.com/issue-files/rp16_article3_husserlphenomenology_waterhouse.pdf
[16] 109 Psychoanalysis and Neurosciences – I Consciousness in the Neurosciences http://www.sciacchitano.it/Alle%20soglie%20del%20sito/Consciousness%20in%20neurosciences.pdf
[17] 意识的层级性和丰富性：解读意识的两条路径 http://www.chinaxiv.org/user/view.htm?id=39178\&filetype=pdf
[18] Chinese Room Argument, The https://plato.stanford.edu/entries/chinese-room/?utm_source=hs_email\&utm_medium=email&_hsenc=p2ANqtz-_S1QRe0SmPVsthKEgGuGbMFwAwlTmjy4mEWMlXOm0aVgY7IMk3LhaUhK8BGX7qi5s_HfsF
[19] Searle’s AI program https://www.tandfonline.com/doi/abs/10.1080/09528139108915295
[20] Searle’s Experiments with Thought https://www.researchgate.net/profile/William-Rapaport/publication/243787678_Searle%27s_Experiments_with_Thought/links/5fc11773a6fdcc6cc675d17b/Searles-Experiments-with-Thought.pdf
[21] Intentionality and computationalism: minds, machines, Searle and Harnad https://www.tandfonline.com/doi/ref/10.1080/09528139008953728
[22] foundational issues in artificial intelligence and cognitive science : impasse and solution https://ci.nii.ac.jp/ncid/BA30364597?l=en
[23] ChatGPT与意象感知问题：再论塞尔的人工智能语言批判 https://m.zhangqiaokeyan.com/academic-journal-cn_detail_thesis/02012118606014.html
[24] Intentionality, Artificial Intelligence and the Causal Powers of the Brain https://core.ac.uk/download/265545106.pdf
[25] The Understanding Capacity and Information Dynamics in the Human Brain https://pubmed.ncbi.nlm.nih.gov/33267023/
[26] Annual Review of Psychology Concepts and Compositionality: In Search of the Brain’s Language of Thought https://www.annualreviews.org/content/journals/10.1146/annurev-psych-122216-011829
[27] The Psychology of Scientific Explanation https://www.semanticscholar.org/paper/The-Psychology-of-Scientific-Explanation-Trout/43d6482a43ce9cac1410e36d8aa87036a0829de9
[28] An architecture for encoding sentence meaning in left mid-superior temporal cortex https://www.pnas.org/doi/pdf/10.1073/pnas.1421236112/scholar?output=instlink\&q=info:_dBvzUZBVAkJ:scholar.google.com/\&hl=en\&as_sdt=0,5\&scillfp=7428803858876535555\&oi=lle
[29] Arguments for the Effectiveness of Human Problem Solving https://arxiv.org/pdf/1506.02930
[30] The neuro-cognitive representations of symbols: the case of concrete words https://r.unitn.it/filesresearch/images/cimec-per2con/borghesani_neurocognitiverepresentationsofsymbls_neuropsychologia2017.pdf
[31] The Understanding Problem in Cognitive Science https://www.researchgate.net/publication/339052023_The_Understanding_Problem_in_Cognitive_Science
[32] MECHANISMS OF COGNITIVE DEVELOPMENT https://www.annualreviews.org/doi/pdf/10.1146/annurev.ps.40.020189.002033
[33] Thinking in circuits: toward neurobiological explanation in cognitive neuroscience https://pubmed.ncbi.nlm.nih.gov/24939580/
[34] Understanding and Synergy: A Single Concept at Different Levels of Analysis? https://www.frontiersin.org/journals/systems-neuroscience/articles/10.3389/fnsys.2021.735406/pdf
[35] cognition: theories and applications https://www.semanticscholar.org/paper/Cognition:-Theories-and-Applications-Reed/21d3428ffdd62de6e91c35e77f58efe2dddce3b2
[36] Cognitive Neuroscience: The Biology of the Mind https://www.semanticscholar.org/paper/Cognitive-Neuroscience:-The-Biology-of-the-Mind-Gazzaniga-Ivry/4586dabab210cf61254c0aaba1d7b891e8e4c147
[37] BERT Rediscovers the Classical NLP Pipeline https://preview.aclanthology.org/gem-23-ingestion/P19-1452.pdf
[38] Attention Is All You Need https://arxiv.org/pdf/1706.03762
[39] AI: Inventing a New Kind of Machine https://core.ac.uk/download/pdf/204752154.pdf
[40] DISSOCIATING LANGUAGE AND THOUGHT IN LARGE LANGUAGE MODELS https://arxiv.org/pdf/2301.06627
[41] An Evolved Universal Transformer Memory https://arxiv.org/pdf/2410.13166
[42] On the Binding Problem in Artificial Neural Networks https://arxiv.org/pdf/2012.05208
[43] Chapter 1 Modern language models refute Chomsky’s approach to language https://zenodo.org/records/12665933/files/434-GibsonPoliak-2024-15.pdf?download=1
[44] Consciousness-ECG Transformer for Conscious State Estimation System with Real-Time Monitoring https://arxiv.org/pdf/2511.02853
[45] A MECHANISM FOR SOLVING RELATIONAL TASKS IN TRANSFORMER LANGUAGE MODELS https://arxiv.org/pdf/2305.16130
[46] Consformer: Consciousness Detection Using Transformer Networks With Correntropy-Based Measures https://pubmed.ncbi.nlm.nih.gov/37028068/
[47] Mechanistic Indicators of Understanding in Large Language Models https://arxiv.org/pdf/2507.08017
[48] TransformerFAM: Feedback attention is working memory https://arxiv.org/pdf/2404.09173
[49] Intersymbolic AI*: Interlinking Symbolic AI and Subsymbolic AI https://arxiv.org/pdf/2406.11563
[50] Mechanism and Emergence of Stacked Attention Heads in Multi-Layer Transformers https://arxiv.org/pdf/2411.12118
[51] Attention is Turing Complete https://dl.acm.org/doi/pdf/10.5555/3546258.3546333
[52] 符号人工智能的兴衰与神经网络革命 – CSDN文库 https://wenku.csdn.net/column/e8o2y4xzgg
[53] Understanding the Limitations of Symbolic AI: Challenges and Future Directions https://smythos.com/developers/agent-development/symbolic-ai-limitations/
[54] Rules Created by Symbolic Systems Cannot Constrain a Learning System v3, 2025-05-16 https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5256795
[55] Issues of AI as an Agent: The Lack of Intrinsic Meaning in Symbols and the Challenges of Language Interpretation https://papers.ssrn.com/sol3/papers.cfm?abstract_id=5073791\&trk=article-ssr-frontend-pulse_little-text-block
[56] No Consciousness? No Meaning (and no AGI)! https://www.qeios.com/read/DN232Y.4
[57] 讨论记录 | 人工智能(AI)的本质之争:符号主义 VS 连接主义 https://www.360doc.cn/article/38946836_1155046201.html
[58] Understanding Connectionism in Cognitive Psychology https://www.numberanalytics.com/blog/ultimate-guide-connectionism-cognitive-psychology
[59] Connectionist Computational Cognitive Science. http://cse.buffalo.edu/\~rapaport/575/cogsci.tr.17my90/node5.html
[60] Connectionism https://scales.arabpsychology.com/trm/connectionism/
[61] 数智读书笔记系列029 《代数大脑:揭秘智能背后的逻辑》-CSDN博客 https://blog.csdn.net/kkiron/article/details/147255856
[62] 联结主义(Connectionism)和符号人工智能(Symbolic AI)-ChatGPT4o作答_联结主义人工智能-CSDN博客 https://blog.csdn.net/qq_46215223/article/details/143444201
[63] 符号主义、连接主义和行为主义:人工智能的三大流派_自由坦荡的湖泊AI http://m.toutiao.com/group/7525216029526458906/?upstream_biz=doubao
[64] 符号主义对自然语言处理深层语义分析的影响与启示-CSDN博客 https://blog.csdn.net/2401_88801724/article/details/152955739
[65] 深度学习流派关于连接学派和符号学派 符号主义和连接主义_mob6454cc6d1c0b的技术博客_51CTO博客 https://blog.51cto.com/u_16099247/8926881
[67] 如何测试ChatGPT的语义理解与常识推理水平？——兼谈大语言模型时代语言学的挑战与机会 https://linguistics.fah.um.edu.mo/wp-content/uploads/2024/01/chatgpt.pdf
[68] Human Learning about AI https://arxiv.org/pdf/2406.05408
[69] HI-TOM: A Benchmark for Evaluating Higher-Order Theory of Mind Reasoning in Large Language Models https://aclanthology.org/2023.findings-emnlp.717.pdf
[70] People cannot distinguish GPT-4 from a human in a Turing test https://arxiv.org/pdf/2405.08007
[71] Dissonance Between Human and Machine Understanding https://arxiv.org/pdf/2101.07337
[72] Neural Theory-of-Mind? On the Limits of Social Intelligence in Large LMs https://arxiv.org/pdf/2210.13312
[73] Can Machines Imitate Humans? Integrative Turing Tests for Vision and Language Demonstrate a Narrowing Gap https://arxiv.org/pdf/2211.13087
[74] Language Models, Agent Models, and World Models: The LAW for Machine Reasoning and Planning https://arxiv.org/pdf/2312.05230
[75] 管理会计机器人的智能判别 https://m.zhangqiaokeyan.com/academic-journal-cn_finance-research_thesis/02012114708932.html
[76] Capturing Humans’ Mental Models of AI: An Item Response Theory Approach https://arxiv.org/pdf/2305.09064
[77] A Categorical Archive of ChatGPT Failures https://arxiv.org/pdf/2302.03494
[78] 机器与人类的不可区分性问题研究——回到图灵测试 https://wkxb.sicnu.edu.cn/Publish/202411/20241107154359019.pdf
[79] Human-AI Collaboration Increases Skill Tagging Speed but Degrades Accuracy https://arxiv.org/pdf/2403.02259
[80] Inference-Time Computations for LLM Reasoning and Planning: A Benchmark and Insights https://arxiv.org/pdf/2502.12521
[81] Understanding in Artificial Intelligence https://arxiv.org/pdf/2101.06573
[82] ChatGPT is a Knowledgeable but Inexperienced Solver: An Investigation of Commonsense Problem in Large Language Models https://arxiv.org/pdf/2303.16421
[83] 镜像图灵测试：古诗的机器识别 http://cjc.ict.ac.cn/online/onlinepaper/xy-2021711115127.pdf
[84] Deception-detection and Machine Intelligence in Practical Turing Tests https://www.researchgate.net/profile/Huma-Shah-2/publication/301593584_Deception-detection_and_Machine_Intelligence_in_Practical_Turing_Tests_PhD_Thesis_Reading_University_UK/links/571b992d08ae7f552a48149f/Deception-detection-and-Machine-Intelligence-in-Practical-Turing-Tests-PhD-Thesis-Reading-University-UK.pdf
[85] 常识知识的本质:对常识数据集构建及LLM推理能力的深入探讨_commonsenseqa 2.0-CSDN博客 https://blog.csdn.net/Code1994/article/details/144196787
[86] Physical Commonsense Reasoning https://serp.ai/posts/physical-commonsense-reasoning/
[87] Common sense is still out of reach for chatbots https://mindmatters.ai/brief/common-sense-is-still-out-of-reach-for-chatbots/
[88] 当前的大部分的AI，可能已经分到了传统那桌了!Causal AI:颠覆传统机器学习的下一代人工智能技术，让AI真正理解“为什么“!_人工智能反事实推理是什么-CSDN博客 https://blog.csdn.net/yanghl1998/article/details/151194208
[89] Let’s Dance with Causality! | Building Causality-seeking AI https://1587causalai.github.io/blog/2024/causalai-blueprint/
[90] How Causal AI Improves Business Decisions and Real-World Applications https://www.q3tech.com/blogs/how-causal-ai-improves-business-decisions-and-real-world-applications/
[91] How do AI agents perform causal inference and counterfactual analysis? – Tencent Cloud https://www.tencentcloud.com/techpedia/126552
[92] AI That Understands ‘Why’ https://bionichaos.com/WhyAI/
[93] 大模型因果逻辑的欠缺_因果推理大模型现状-CSDN博客 https://blog.csdn.net/Jailman/article/details/147332366
[94] 大模型的因果推理:模拟、局限与未来_causalformer-CSDN博客 https://blog.csdn.net/Jailman/article/details/149940882
[95] AGI幻灭，LeCun观点得证?哈佛研究实锤AI不懂因果，世界模型神话破灭-太平洋科技 https://www.pconline.com.cn/focus/1921/19211253.html
[96] AI大家说 | 哈佛\&MIT:AI能预测，但它还解释不了“why”_红杉汇 http://m.toutiao.com/group/7563890024496759331/?upstream_biz=doubao
[97] 当前AI难达博士水平 行业呼吁回归理性认知【2025年9月15日 综合报道】 在近日举办的“All In峰会”上，谷歌D – 掘金 https://juejin.cn/post/7549418392622481448
[98] 科学网—为什么说依据当前的数学、物理水平还实现不了通用人工智能? – 刘伟的博文 https://wap.sciencenet.cn/home.php?do=blog\&id=1511087\&mod=space\&uid=40841
[99] 因果关系是智能的边界吗? https://blog.csdn.net/vucndnrzk8iwx/article/details/153754300
[100] NEURAL CORRELATES OF CONSCIOUSNESS IN HUMANS https://www.researchgate.net/profile/Gabriel-Kreiman/publication/11399830_Neural_correlates_of_consciousness_in_humans/links/5723883908aee491cb37764c/Neural-correlates-of-consciousness-in-humans.pdf
[101] Neural correlates of consciousness: progress and problems https://www.researchgate.net/profile/Melanie-Boly/publication/301567963_Neural_correlates_of_consciousness_Progress_and_problems/links/575071b208aef67d0d88fe33/Neural-correlates-of-consciousness-Progress-and-problems.pdf
[102] Mirror Neurons, Embodied Simulation, and the Neural Basis of Social Identification https://www.tandfonline.com/doi/full/10.1080/10481880903231910?needAccess=true\&role=tab
[103] What Do Mirror Neurons Contribute to Human Social Cognition? https://www.researchgate.net/profile/Pierre-Jacob-4/publication/36734406_What_Do_Mirror_Neurons_Contribute_to_Human_Social_Cognition/links/603288f04585158939be93a8/What-Do-Mirror-Neurons-Contribute-to-Human-Social-Cognition.pdf
[104] Mirror neurons: From origin to function https://www.researchgate.net/profile/Guy-Orban/publication/261954745_The_mirror_system_in_human_and_nonhuman_primates/links/00b7d53b15ea8f042a000000/The-mirror-system-in-human-and-nonhuman-primates.pdf
[105] 从大脑突触到学习和记忆系统：物体识别、空间导航、定时调节和运动控制From brain synapses to systems for learning and memory: Object recognition, spatial navigation, timed conditioning, and movement control http://www.mashqliu.com/Uploads/file/20210628/20210628113031493149.pdf
[106] Returning from Oblivion: Imaging the Neural Core of Consciousness https://his.diva-portal.org/smash/get/diva2:523689/FULLTEXT01.pdf
[107] Before and below ‘theory of mind’: embodied simulation and the neural correlates of social cognition https://www.dericbownds.net/uploaded_images/Gallese_PhilTransRSocB_2007.pdf
[108] Perceptual awareness and its neural basis: bridging experimental and theoretical paradigms https://www.researchgate.net/profile/Cees-Leeuwen/publication/260876293_Perceptual_awareness_and_its_neural_basis_Bridging_experimental_and_theoretical_paradigms/links/5735dabd08ae298602e09282/Perceptual-awareness-and-its-neural-basis-Bridging-experimental-and-theoretical-paradigms.pdf
[109] Neural signs and mechanisms of consciousness: Is there a potential convergence of theories of consciousness in sight? https://www.georgnorthoff.com/s/3850.pdf
[110] WHAT HAPPENED TO MIRROR NEURONS? https://journals.sagepub.com/doi/pdf/10.1177/1745691621990638
[111] 认知心理学：探索人类的智能 https://www.psy.pku.edu.cn/static/main/uploads/faculty/fang_fang/2012122700001.pdf
[112] Criteria for consciousness in humans and other mammals https://pubmed.ncbi.nlm.nih.gov/15766894/
[113] COGNITION THROUGH INTERNAL MODELS: MIRROR NEURONS AS ONE MANIFESTATION OF A BROADER MECHANISM. https://www.researchgate.net/publication/363396238_Cognition_through_internal_models_Mirror_neurons_as_one_manifestation_of_a_broader_mechanism/fulltext/631ac2490a70852150dd348f/Cognition-through-internal-models-Mirror-neurons-as-one-manifestation-of-a-broader-mechanism.pdf
[114] Neural Correlates of the Contents of Visual Awareness in Humans https://pmc.ncbi.nlm.nih.gov/articles/PMC2430003/pdf/rstb20072094.pdf
[115] One’s motor performance predictably modulates the understanding of others’ actions through adaptation of premotor visuo-motor neurons https://pubmed.ncbi.nlm.nih.gov/21186167/
[116] 意识的层级性和丰富性：解读意识的两条路径 http://www.chinaxiv.org/user/view.htm?id=39178\&filetype=pdf
[117] The human mirror neuron system—A common neural basis for social cognition? https://www.mendeley.com/catalogue/9bd2c2ab-7d4d-332c-9a6a-886e71370444/