问题——“会说”是否等于“会想”，大模型热潮下的核心追问 近期，基于海量语料训练的大模型在写作、检索、对话等场景快速普及，引发公众关于“机器能否思考”的再度讨论；围绕该问题，徐英瑾以科幻作品中“自我身份困惑”的叙事为引，指出当机器输出越来越接近人类表达时，人们更容易将流畅语言等同于理解与智能，从而忽视技术能力边界。哲学关切不在于给出简单结论，而在于澄清概念、辨析前提：机器所呈现的“像人一样回答”，究竟是意义理解、价值判断，还是概率意义上的语言拼装。 原因——统计学习的优势与局限并存，语境与时间差构成天然门槛 从技术机理看，大模型主要依赖深度学习框架，通过大规模数据训练形成对词与句的关联分布，从而在生成端选择更可能出现的表达。徐英瑾认为，这类系统的突出优势在于对语言模式的归纳能力，能够以较低成本提供“结构完整、符合习惯”的回答，但其基本路径仍偏向统计匹配，并不天然具备对“为什么如此”的因果追问能力。 鉴于此，图灵测试所代表的“行为主义标准”需要被重新理解：通过对话“骗过”评审并不必然意味着理解的发生。更重要的是，语言并非唯一智能形式，跨文化语境、隐喻传统与价值情感往往无法用词频概率直接还原。由于训练数据通常滞后于现实变化，系统对未来趋势、突发情境与新问题的把握也存在结构性时间差，容易在看似确定的表达中隐藏不确定性。 影响——“常人意见”可能被固化，创新异见面临被算法稀释的风险 徐英瑾继续指出，大模型在提供便利的同时，也可能在社会认知层面产生两类值得警惕的效应。 其一是“自欺”风险。由于输出具有强可读性与连贯性，使用者容易高估其权威性，把生成内容当作结论，降低独立求证意愿，进而在知识获取与公共讨论中形成依赖。一旦错误信息与偏见以“合理叙述”的形式出现，就可能在重复使用中被放大，演变为群体层面的误判。 其二是“异见被过滤”的风险。当系统更倾向于汇聚既有语料中的主流表达时，少数派观点、早期创新判断、尚未被普遍接受的科学假说，可能在输出中被弱化甚至被排除。若将多数意见等同于真理尺度，技术便可能在无形中把“常识”建制化，降低社会对新思想的敏感度与包容度。这一担忧与哲学传统中对“公共意见”与“真理生成机制”的反思相呼应，提示技术应用不应替代科学共同体的验证程序与公共讨论的多元结构。 对策——以“节俭计算、推理增强、价值嵌入”提升可信可用水平 针对上述问题，徐英瑾提出从技术与人文两端协同破题。 一是推进更高效的计算范式。通过更“节俭”的算法与工程路径，在减少算力消耗的同时提升推理精度与可控性，避免单纯依赖规模扩张带来的边际收益递减与成本压力。 二是强化推理机制与可解释能力建设。让系统不仅能给出答案，更能呈现关键依据与推导链条，鼓励对“为什么”的追问，降低“貌似正确”的语言对判断的误导，提升在专业应用中的可靠性与可审计性。 三是引入哲学层面的自我校准。把质疑常识、澄清概念、辨析价值作为技术治理的重要补充，在产品设计与应用规则中明确边界、责任与人类主体地位，推动技术服务于人的需要与社会的长远目标，而不是反过来塑造单一化的认知框架。 前景——理性看待“乐观、悲观与泡沫”争论，关键在于把能力边界说清楚 围绕大模型的社会讨论中，既有对效率提升的乐观预期，也有对失控风险的审慎提醒，还有对资本炒作与技术泡沫的质疑。徐英瑾认为，对新技术既不宜盲目夸大，也不应简单否定。更现实的路径，是将其定位为“统计意义上的能力增强工具”，在制度设计、教育引导与行业规范中把适用场景、验证机制与风险处置说清楚。 从发展趋势看，未来竞争的关键或将从“能生成多少”转向“能否解释、能否推理、能否负责”。在科学研究、公共治理、教育传播等领域，只有当系统输出能够被验证、可追溯、可纠错，并与人类价值与社会共识形成良性互动，技术红利才能更稳定地释放。
当机器学会模仿人类语言时，人类更需要保持思想的独立性；徐英瑾的警示提醒我们：技术的意义不在于复制现有认知，而在于拓展文明的可能。在人工智能快速发展的时代，保持反思的清醒与勇气，或许是避免陷入技术乌托邦或反智主义的关键。