AI不是科学，而是炼金术

AI模型价格对比 | AI工具导航 | ONNX模型库 | Vibe Coding教程 | PLC在线仿真器 | Tripo 3D | Meshy AI | ElevenLabs | KlingAI | ArtSpace | Phot.AI | InVideo

艾萨克·牛顿是一位杰出的科学家，他发现了万有引力定律。他还制定了运动定律并发明了微积分。没有这些成就，现代物理学、工程学和太空探索将难以想象。

但很少有人知道，他将大部分科学追求献给了炼金术。

他在那个领域成功了吗？

没有，因为炼金术最终被证明是一种伪科学。

牛顿和其他极其聪明、有才华的人并不知道这一点——也不可能知道。

他们是先驱。他们在黑暗中行走，试图在黑暗中找到自己的道路，区分真理与偏见。

几个世纪后，我们受益于他们的经验并尊敬他们。我们感激他们，部分原因是他们已经为我们区分了精华与糟粕。

但在21世纪，炼金术又回到了我们的生活中。这一次，它以主流AI的形式出现。

历史难道没有教会我们什么吗？

1、LLM信徒的信仰

我们的"开明"时代在一个方面与牛顿时代非常相似：我们又一次想要相信奇迹。三年来，我们被告知AI即将带来超级智能，将改变人类的面貌。

但这都只是推测，被AI实验室和超大规模公司的CEO们、各种"专家"和媒体大力推动。这些说法类似于炼金术士创造"贤者之石"的承诺。这是不可能的，因为炼金术士受投机性前提而非科学理论的指导。

看看AI实验室如何证明他们的承诺，你会看到历史正在重演。

令人不安的真相是，今天的AI不是基于科学知识。它是基于一种信仰，这种信仰断言由暴力计算驱动的神经网络的力量。

神经网络已经存在很长时间了，起初，它们似乎不是万能药。它们未能在AI领域取得突破，也无法阻止该领域在1980年代末和1990年代初的第二次"寒冬"。

只有当能够使用巨大的计算能力在大规模数据集上训练它们时，它们才被证明是有效的。因此，它们在实现AI方面的成功与规模扩展密不可分。

2、暴力计算的痛苦教训

规模扩展背后是一种完整的哲学，在Richard Sutton著名的2019年文章《痛苦的教训》中被编纂。

Sutton是一位有影响力的AI理论家，强化学习的创始人之一。他是2024年图灵奖获得者，经典教科书《强化学习：导论》（2018年）的合著者。

《痛苦的教训》主张放弃除暴力计算之外的任何创建AI的方法。

标题很能说明问题。这个教训是"痛苦的"，因为Sutton作为科学家，理解任何概念理想情况下都应该基于人类知识。然而，他认为人类将知识植入AI的努力注定要失败，因为从长远来看，它们会输给暴力计算。他写道：

从70年AI研究中可以读到的最大教训是，利用计算的通用方法最终是最有效的，而且效果显著。

Sutton没有为这一主张提供科学依据。他只是将其作为既定事实提出，并宣布所有其他替代尝试都是浪费时间。本质上，他的信息宣布所有其他方法先验地无效。

值得注意的是，《痛苦的教训》是在ChatGPT出现前几年写的。然而，一旦LLM成为主流，Sutton本人成为了该方法的批评者。

2025年，他正式表示LLM是死胡同。在他看来，它们只是模仿思维，而不是弄清楚现实中实际发生了什么。

然而，LLM的追随者并没有被Sutton的批评所困扰。这并没有否定他关于暴力计算不可或缺的主张；因此，规模扩展的哲学继续为使用深度神经网络构建AI提供理由。

3、神经网络

AI炼金术的下一个组成部分是神经网络。

历史上，它们的开发者指向了大脑的工作方式。这是"AI教父"Geoffrey Hinton经常提出的一点。

但问题出现了：暴力计算的教条拒绝人类精心制作的知识，包括关于大脑如何工作的知识。

结果，现代AI范式的这两个支柱发生了冲突。一个通过人类知识使神经网络合法化；另一个否认这种知识的任何可信度。

这种"认识论的双重簿记"破坏了从深度学习到LLM的整个AI结构的完整性。

但主流方法的问题还不止于此。神经网络本身的主张经不起推敲。

首先，当Hinton为它们的生物学合理性辩护时，他依赖于关于大脑皮层工作方式的经典理论——这一理论现在已经过时了。它的基本思想可以这样说明：

大脑被表示为一个多层神经元网络。每个后续层从传入信息中提取越来越复杂的特征：首先是线条和角度，然后是构成对象特征的单个形状，然后是特征本身，最后是对象。

这个理论的问题在于，它无法理解对象的形态和组成。因此，现代系统试图简单地通过一组特征来对它们进行分类。

这是一种脆弱且不可靠的方法。不同的相机角度、光照变化或被另一个物体遮挡，识别系统就会失败。

• 炼金术士基于类似的原则行事。他们相信上帝在每个物体上留下了外部"签名"，可以揭示其隐藏的本质和目的：核桃看起来像大脑→它治疗脑部疾病。肝苔看起来像肝脏→它治疗肝脏。植物是红色的→它有助于血液疾病。

LLM信徒当然比他们的炼金术前辈走得更远。他们将识别这些"签名"的任务交给了机器。但他们同样未能找到确定被识别对象内部属性的方法。神经网络只是将观察到的特征与其训练期间看到的统计组合进行映射。

下一个问题在于确定输出的有效性。

系统如何知道它正确识别了一个对象——它识别为猫或狗的确实是那种动物而不是其他东西？

简短而诚实的答案：它不知道。

它不知道面前实际上有猫或狗。它只是计算出观察到的特征集最可能对应于其训练数据中存在的类别之一。

这不是任何有意义意义上的知识。

4、反向传播

然后，深度神经网络的"皇冠明珠"是反向传播，这是Hinton和许多同事的骄傲。

该算法通过自动调整数十亿个模型参数来减少训练样本上的错误率。得益于反向传播，这些模型在大规模数据集上展示了令人印象深刻的结果。

然而，在这种优雅的数学背后，隐藏着与前面案例相同的原则。反向传播不会向系统解释其输出为什么是错误的，它也不会教它理解对象。

它只是在数值上调整权重，以便下次统计误差更小。

• 当然，炼金术士有类似的方法。他们编译（无休止地）"修正配方"。如果结果不满意，应该：加热更多；添加更多硫磺；增加加热时间；重复七次（如果再次失败——重复四十次）。

有时，它确实有效。如果他们有现代设备，他们可能会有更多成功。

然而，他们仍然缺乏解释为什么配方有效的原因。当前的AI信徒缺乏解释无休止的像素或标记排序如何与对象的内部本质相关——以及这一切与智能有什么关系。

这就是为什么没有人类就不可能训练神经网络。它们被展示数百万张预先标记的图像，其中已经知道什么是猫、狗、汽车或树。

在每次响应之后，外部算法将网络的输出与正确标签进行比较，并计算误差。只有这样，反向传播才会调整参数，以便下次出现类似错误的概率更低。

在任何阶段，系统都不会回答为什么它的输出是错误的问题。它不分析错误的原因，也不构建对象的因果模型。

它只是以越来越高的精度复制输入数据与人类提供的正确答案之间的统计依赖关系。本质上，它利用人类知识而不是学习因果关系。

最后，在大脑中从未发现类似反向传播的机制。因此，神经网络方法一致性的说法在我们眼前分崩离析：一方面，他们声称从大脑中获得灵感；另一方面，他们的关键方法与大脑的功能无关。

5、结束语

构建AI的现代方法不是一个连贯的概念。它是缺乏共同理论基础的方法的组合。

Sutton对暴力计算优越性的信仰仍未得到证明。 他只是将跨越几十年的观察进行了概括，但他从未解释为什么这些观察与所有AI研究领域相关，或者为什么它们将永远如此。

神经网络并非基于大脑的工作方式。 它们的拥护者使用神经学术语而非证据。即使人们可能找到的表面相似之处（勉强）也指的是过时的科学范式。

神经网络效率的关键组成部分——反向传播——在大脑中没有类似物，这一事实甚至Hinton最终被迫承认。

最终，主流AI之所以类似于炼金术，正是因为它缺乏统一的理论。这样的理论应该是智能理论，但这里不存在。相反，它将起源和基础根本不同的不同想法拼凑在一起。

在这里，我们看到对暴力计算普遍性的未经证实的信仰与对生物学的修辞性引用、统计优化方法和经验工程配方并存。

单个元素"有效"的事实被视为整个构建的确认。然而，没有科学依据说明为什么这种特定组合应该导致智能的实现。

这就是据AI信徒称将在未来几年改变整个世界的领域的事态。

所以，我们都可以放松，慢慢准备迎接贤者之石的到来。

毕竟，如果他们向我们承诺，我们怎么能不相信他们呢？

原文链接: AI Is Not Science. It's Alchemy. Here's the Evidence

汇智网翻译整理，转载请标明出处