返回资讯中心
外部精选
软件工程
#开发者实时流

研究指出AI只能学习思考的产物,无法学习思考过程本身

来源标题:AI learns from the products of thinking, not thought itself

AI 从人类思考的成品中学习,而非思考过程本身,这对机器和人类都构成问题。文章以画廊画作、音乐录音和出版书籍为例,指出人们看到的都是经过大量试错后留下的最终成果。该观点于2026年11月5日发表。

Hacker News 最新bitofenglish2026/11/9 · 今天15 分钟阅读

以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。

noparrit / Getty Images AI从思维的产物中学习,而非思维本身。这对机器是个问题——对我们也是 发布于:2026年11月5日 格林尼治标准时间下午6:57 https://theconversation.com/ai-learns-from-the-products-of-thinking-not-thought-itself-thats-a-problem-for-machines-and-for-us-293696 https://theconversation.com/ai-learns-from-the-products-of-thinking-not-thought-itself-thats-a-problem-for-machines-and-for-us-293696 链接已复制 分享文章 分享文章 复制链接 电子邮件 Bluesky Facebook WhatsApp Messenger LinkedIn X(Twitter) 打印文章 当你走过一间画廊,欣赏墙上的画作时,你所看到的是成品。它们是无数小时的学习、练习和反复试错的结果,但这一切都不在展示之列。 我们所见的大多数专业工作都是如此。音乐录音不会收录那些失败的尝试和即兴排练,出版的书籍会略去凌乱的草稿,科学论文也不会提及多年的错误起步和死胡同。 换句话说,我们实际看到的,是产生它的真实过程所留下的痕迹。人工智能(AI)模型正是基于这些痕迹进行训练的——因此,它们自己产出的也是痕迹,这些痕迹在形态上像是思维的产物,但未必以同样的方式产生。 在一篇新论文中,我们提出,只关注痕迹而忽略过程,会束缚当前的AI系统——而使用这些系统的人也会遇到同样的问题。 较新的“推理”模型或许会打印出一份步骤报告,但这份被报告的推理本身不过是另一种痕迹。它往往与驱动答案的实际计算并不一致。 智能体系统稍稍更接近真正的思考。在这里,围绕大语言模型的软件“框架”运行一个循环,将结果反馈回去,并在过程中引入一些真正的试错修正。但中间的那条思维链——由大语言模型产生的部分——仍然只是一种痕迹。 这一差距在创造性领域最为明显。画家和音乐家有时会谈到,创作过程中发生的意外和摩擦如何改变了他们的作品,比如颜料意外流淌,或者乐器听起来“不对劲”。AI模型从不会遇到这类情况。 这个问题在人类身上的表现形式比AI古老得多。1997年,一位美国航空公司的机长警告说,飞行员正在变成“品红色线条的孩子”。 他们如此忠实地跟随飞机的飞行计算机,以至于手动飞行技能在不断退化。自那以后,航空业一直在采取措施管理自动化依赖。 当一些医疗诊所采用AI辅助结肠镜检查,利用软件在实时摄像头画面上标记可能的息肉时,同样的事情也发生了。一段时间后,人类临床医生的技能开始退化:他们在没有AI系统辅助时检测到的息肉数量,比引入该系统之前更少。 这种效应在课堂上也出现过。高中数学生获得不受限制的生成式AI支持时,在工具可用的情况下表现优于同龄人,但一旦工具被拿走,得分就更低。 这种退化可能发生得很快。一项研究发现,大约十分钟的AI辅助就足以让人们在没有AI时表现更差,并且更快放弃问题。 对此能做些什么?答案可能是将更多过程纳入考量。 对AI而言,这意味着构建自身使用更接近人类过程的系统。一个助手在有人质疑它如何界定问题时,可以修正自己的答案,而不是像当前系统那样常常只是随声附和。或者,一个智能体可以从失败和错误中学习,让来自现实世界的反馈实质性地改变它处理任务的方式。 对人类而言,这意味着设计AI工具时,要保住个人内部的智能过程。在哈佛大学的一项试验中,由构建良好的AI物理导师指导的学生,比主动学习课堂上的同龄人学得更多、更快,因为导师让他们持续进行生成性工作。 一个好的AI助教,应该更经常地提供通往答案路径上的下一个问题,而不是直接给出答案。有时它应该提出一个歧义,而不是消除歧义,因为合理的判断往往来自对未知之事的缓慢斟酌。 过程才是真正智能和创造力得以涌现的关键。一个纳入了更多此类过程的人工系统,将更接近真实之物。 人类学习同样需要过程。在教育中,在任何技能性事业中,我们都需要考虑如何设计和应用AI系统,以保住更多的思考和学习过程。 目前,机器很容易产出更多的思维痕迹,但过程要难构建得多。如果我们做对了,我们的机器可以变得更智能,而不会让我们变得更不智能。 本文与Rachel W. Kallen、Ayeh Alhasan、Cassandra Crone和David M. Kaplan共同撰写。文章借鉴了我们与同事Manuel Varlet、M. Paula Diaz Monfort、Patrick Nalepka和Mark Dras的研究。 人工智能(AI) 学习 教育 创造力 大语言模型 新研究,澳大利亚与新西兰 Michael Richardson,麦考瑞大学 作者 Michael Richardson 麦考瑞大学心理科学学院教授 Michael Richardson获得麦考瑞大学2025年教育创新资助(Spark)。 麦考瑞大学作为The Conversation AU的成员提供资助。

正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。

打开原文
去社区讨论 →