下一个 token 预测是 AI 的「工作」，不是它的「物种」

近期围绕大模型的讨论中，「下一个 token 预测器」「随机鹦鹉」等标签频繁出现，用以质疑大模型是否真的具备理解能力。一篇发表于技术社区的文章提出了不同的视角：把 AI 简单等同于「下一个 token 预测器」，是一种层次上的混淆。在最底层，人脑与 AI 都在做某种意义上的「下一信号预测」；而在更高的认知层次上，两者都远远超出了纯粹的预测本身。

人脑：嵌套优化塑造的预测机器

作者用两层优化循环来理解人脑的工作方式：

• 最外层是进化，优化人类的基因组，以利于生存、繁衍与养育后代。但基因组容量有限，无法编码母语词汇、母亲的面孔，甚至「如何走路」这类本能也被留给学习机制去完成。
• 第二层是学习算法，把神经元连接塑造成更能预测下一信号的形式。其中最关键的是「预测编码」（predictive coding）——大脑持续构建对环境的「心理模型」，不断预测下一个感官数据，再据此调整突触权重。

这一机制让人脑学会了构建「世界模型」。遇到老虎时，能预测它的外观、扑来的动作、被咬时的疼痛。这些能力来自关于老虎的抽象知识（「老虎是橙色的」「老虎喜欢扑人」），由我们尚未完全理解的神经回路实现。对你而言，这只是「想了想，意识到老虎会从那边扑过来」。

AI 公司扮演「进化」角色

文章将 AI 公司类比为「进化」：它们发现手工编码所有知识效率太低，于是转向深度学习。其中最强大的学习算法就是下一个 token 预测——给 AI 一串 token，让其内部参数朝着能更好预测下一个 token 的方向调整。

但这并不意味着 AI 运行时真的在显式地「思考下一个 token 是什么」。文章以人类进化作类比：人类是被优化为有利于生存繁衍的过程所设计的，但你在做数学题时，并不会想「我要如何与数字三交配」。进化过程「在思考」繁衍，而你做的每一道题可能与繁衍毫无关系。

同理，AI 在训练阶段「被设计」来预测下一个 token，但在运行时执行具体任务时，它只是直接给出结果，而不是在内部逐一枚举 token 的概率分布。

区分「设计目标」与「运行表现」

文章的核心主张是：必须区分「设计/训练过程中的优化目标」与「系统运行时实际在做什么」。AI 被设计来预测下一个 token，不等于它运行时只做这一件事；人类大脑被进化优化用于繁衍，也不等于每一个具体决定都在显式服务于繁衍。

作者援引「有机体是适应执行者，而非适应度最大化者」的论点：当一位僧侣发誓禁欲时，他使用的仍是进化为繁衍而优化的大脑——只是将其运行在一个远超原始分布的情境下，此时大脑已不再按原本的意图工作。

同样的逻辑适用于 AI：训练目标是下一个 token 预测，而运行时系统可能已经在解决数学题、写代码、规划路线，这些任务与训练目标之间存在巨大的层次落差。把 AI 简单标签化为「下一个 token 预测器」，正是混淆了这一落差。