图灵假设或误导 AI 75 年？知名学者新书挑战主流路线

75 年来，图灵在 1950 年提出的两条假设深刻塑造了人工智能研究的方向。但美国计算机科学家 Peter J. Denning 在新书《Turing's Mistake: Escaping the Yoke of Unintelligent Machines》中直言，这两条假设可能让 AI 研究走上了错误道路。

图灵的两条「原罪」

Denning 现任美国海军研究生院计算机科学名誉教授，曾任 ACM 主席。他在书中指出，图灵 1950 年的两条基础假设至今仍在主导 AI 研究：一是「智能可以独立于身体存在，因此可在软件中复现」；二是「机器只要能在对话中成功模仿人类，就算表现出智能」，即后来被称为「图灵测试」的设想。

Denning 认为，正是在这两条假设的牵引下，整个领域才陷入了他所说的「AI 乱局」——对通用人工智能（AGI）的追求方向值得怀疑，且社会正在建造的技术本身就潜藏重大风险。

隐性知识：机器跨不过去的坎

Denning 论点的核心是「隐性知识」（tacit knowledge）——那些人类说不清、写不明、难以编码成计算机可处理形式的大量理解。

他列举了五类机器学习至今无法掌握的隐性知识：

常识
与他人的日常互动
情感与感知
实践操作技能
嵌入文化中的社会与历史知识

为佐证观点，他援引了始于 1980 年代的 Cyc 常识知识库项目：四十年努力后，该项目积累了约 2500 万条常识条目，但仍无法让专家系统真正像专家那样思考。「Cyc 验证了一件事：使人成为专家的大量知识，根本无法用命题形式表达。」Denning 写道。

相比常识，实操技能更难传递。「我们可以把技能的结果（『知道是什么』）编码成比特存进机器，却不知道怎么编码熟练执行的具身知识（『知道怎么做』）。」他以小提琴演奏家为例：演奏家能拉出动人乐章，却无法向学生描述如何做到；而即使机器人能观察并模仿演奏动作，由于没有生物身体，它也无法体会演奏时的感受和听众的共鸣。直觉、预感、想象与自发性创造力，同样被 Denning 归入机器难以企及的隐性知识范畴。

语境与文化：LLM 无法理解的意义

Denning 把这些局限归结为「表征问题」：计算机只能对已编码为物理形态的数据与指令进行运算，而隐性知识天然不在这种框架之内。

「每个词背后都有一口深井般的隐性知识赋予它意义。词只是意义的符号表征，而非意义本身。」Denning 写道，「ChatGPT、Claude、Gemini 这些主流大模型都只是在操纵词汇，并不知道、也不理解自己在说什么。」

他还强调，智能高度依赖语境——没有语境，人类无法识别讽刺、幽默、真诚与情感，也无从判断何时该圆滑、何时该玩笑。文化——价值观、规范、习俗、历史、社群乃至权力与关怀关系——则是另一道更大的障碍。Denning 认为，单纯扩大神经网络的规模，并不能让 LLM 获得我们称之为文化的具身人类知识；它们也无法达成图灵测试的目标——展现出与人类无法区分的机器思维。

AI 安全的根本隐忧

Denning 的结论是：人类与 AI 系统可能最终发展出彼此都无法完全理解的隐性知识。「机器读不懂我们的隐性知识，我们也读不懂它们的。我们隔着一条无法跨越的鸿沟，互为外星人。」

他由此警示 AI 安全：如果机器无法理解人类意图背后那些未被说出的语境，那么要让高级 AI 系统可靠地对齐人类目标，几乎是不可能的。书中还提到，随着 AI 自动化推进，由机器组成的智能体网络很可能发展出自身的隐性知识形态，由此带来更深远的不确定性。