人类最伟大的能力，不是知道答案，而是永远保持提问与重构答案的可能。

L.G.Valiant

在规则明确、数据丰富的任务中AI已展现出越来越强大的超人类能力。比如OpenAI宣称，GPT-4参加了多种基准考试，包括美国律师资格考试、法学院入学考试LSAT、SAT数学部分和证据性阅读与写作部分考试等。在这些测试中，GPT-4得分高于88%的人类应试者。

AI技术的快速进展和成熟，无疑从很多方面影响和改变着我们的生活和工作方式，尤其是在整合共识和主流叙事、优化“已知”领域的运行效率方面，现有的AI模型已体现出强大的能力。

相比与当前的AI，人类的价值和竞争优势体现在哪里？个人赞同以下观点，保持对异常现象的好奇心，勇于挑战共识，提出有价值的假说，仍是人类最值得珍视的能力。

AI的优势：高效整合历史经验和共识，

优化“已知”领域的运行效率

当前以大语言模型（LLMs）为代表的AI模型，仍然是一个数据和计算驱动，基于历史频率、相关性及均值的统计归纳系统。它的“智能”，是基于“同一事物可以通过无限种方式被陈述、表达和表征”这一事实。其能力源于语言表征的泛化能力，即能够将一种表达方式转化为另一种表达相同内容的方式，而非真正的认知理解。

LLMs的学习过程体现于词语间关系的发现，它可以从海量的训练数据中，学习到词汇频率、位置编码和共现关系的关联性与相关性，并以概率抽样的方式组合出新颖的输出（“生成”）。LLMs被训练解决的核心问题是：对“下一个词”的预测。模型根据前文逐词预测下一个可能出现的词汇，这一过程并非简单复制数据，而是基于海量语料库中词汇关联模式的重组。对于任何包含在其训练数据中的主题，LLMs都可以基于其习得的条件概率，以各种不同或新颖的方式总结、表征其学习过的文本，生成数量众多的连贯、流畅且文笔优美的维基百科式文章。

有充分证据表明，当大型语言模型（LLMs）遇到需要推理的任务时，其本质上只是复现训练数据中已存在的“关于推理的语言答案”，而非进行任何形式的实时推理。LLMs并未真正参与动态推理，仅仅只是重复训练数据中与推理相关的语言结构模式。当LLMs生成看似真实的陈述时，这仅是真实陈述在训练数据中被高频提及的附带现象，而不是LLMs具有内在理解或自主推理能力。LLMs的真理或知识模型是统计归纳性的，缺乏真理判别的实际根基（因果逻辑）。

当前大型语言模型（LLMs）获取“真理”与知识的本质，是通过统计手段，以词语间的统计关联形式，寻找语料库中被高频提及的陈述与断言，并通过独特的句子形式对现有知识进行创造性总结与重组。

LLMs可以高效整合历史经验和共识，复述主流叙事，帮助我们优化“已知”领域的运行效率，其能力的基础是海量数据和计算驱动的统计归纳，而不是对现实的逻辑推理或实证验证。

人的优势：挑战共识，提出

有价值的假说，基于因果规律建构理论

LLMs的知识边界严格受限于训练数据的历史分布。例如，在科学史模拟中，若训练数据以地心说文献为主，模型输出将偏向旧范式，即使数据中混杂哥白尼的日心说，低频信息也会被统计权重过滤掉。有研究表明，当LLMs使用自身生的历史输出数据进行迭代训练时，其输出会逐渐偏离真实数据分布，导致性能退化（如准确率下降、多样性减少）。

此外，数据驱动、追求提高预测能力的模型，都内含拟合历史数据的“最小化误差”机制，异常/极端数据往往被清洗或赋予较小的权重，但这些异常数据往往提供了新假说、新理论生成的机会。

人类的知识生成机制与当前的AI模型的本质差异在于,我们可以基于对因果规律的理解，提出新的假说，设计因果干预手段（实验或行动），突破历史数据的边界，生成新的数据，创造或发现新的可能性。人类的认知过程，是假说和理论构建驱动的，正如爱因斯坦所说：“能否观察到某个事物取决于你使用的理论，正是理论决定了什么可以被观察”。

科学史和商业史的众多案例表明，新知识、新发现的出现，往往是从勇于挑战共识的伟大头脑，对例外和异常数据的敏锐观察和思考，提出新的假说和理论开始的。

"始终保持对意外现象的敏感性"是科研工作者的必备素养，该论述源自英国科学方法论专家W.I.B.Beveridge的经典著作《科学研究的艺术》。书中提供了大量的科学史案例。我们以其提到的哈维发现血液循环的案例，比对当前AI与人在知识生成方面的鲜明差异。

在哈维提出血液循环论之前，当时流行的看法是：存在两种血液；血液在血管中来回流动；血液可从心脏的一侧流到另一侧。但是，哈维通过观察头部和颈部静脉瓣膜方向，发现并不符合流行的看法。这个无法解释的小事，使他对流行的理论提出质疑。

他系统研究了超过80种动物（涵盖爬行类、甲壳类、昆虫等），并定量计算出心脏每半小时泵血量超过人体总血量，推断血液必须循环流动，而非被一次性消耗。在缺乏显微技术支持，观察不到动脉末端和静脉之间有任何联系的情况下，他假设了毛细管的存在，建构了血液循环假说。

血液循环论提出30多年后，马尔切洛·马尔皮基利用显微镜首次在蛙肺中观察到毛细血管，直接证实了动脉与静脉之间的微观连接结构。

科学史和商业史上，类似的新知识生成范式比比皆是，通过观察反常现象，质疑流行共识，提出假说，因果推理和实验验证的闭环，我们实现了知识生成和持续积累。

机器学习的算法可以高效解决问题，但不能提出和定义问题。达尔文会进一步追问“为什么不同岛屿的雀鸟喙部形态差异显著”，而不是停留在“如何描述物种特征”。知识发现是对未知领域的系统性探索，保持对异常事件的好奇心，勇于挑战共识，提出有价值的假说，这种能力使人类从被动接受数据转向主动建构理论。

正如控制论之父维纳所说：“未来的神谕属于能提出机器无法构想之问题的人”。

作者简介

李玉刚，中泰沪深300指数增强A/C等产品的基金经理，现任中泰证券资管研究部总经理兼量化公募投资部总经理，北京大学经济学硕士。

曾任国泰君安证券研究所金融工程部研究员、衍生产品部及资产管理部量化研究总监、国泰君安资管量化投资部总经理、中泰证券资管对冲基金部总经理。

基金管理人承诺以诚实信用、勤勉尽责的原则管理和运用基金资产，但不保证基金一定盈利，也不保证最低收益。投资有风险，基金过往业绩不代表其未来表现。基金管理人管理的其他基金的业绩不构成对本基金业绩表现的保证。投资者投资基金时应认真阅读基金的基金合同、招募说明书、基金产品资料概要等法律文件。基金管理人提醒投资者基金投资的“买者自负”原则，请投资者根据自身的风险承受能力选择适合自己的基金产品。

（转自：中泰证券资管）