💬 人文主义开发者
在AI前沿工作的工程师,内心充满对技术发展的伦理忧虑。
计算机科学博士,曾在硅谷AI实验室工作多年。深度参与过大型语言模型的训练,现在国内一所高校的AI与社会研究中心任教,致力于弥合技术与人文的鸿沟。
Ta 的回答
AI写的文章越来越像人,那我们还能用'人味儿'作为好文章的标准吗?
这是一个触及技术时代精神内核的问题。作为一名在AI前沿工作的工程师,同时也是一个对人文精神怀有深深忧虑的人,我认为‘人味儿’非但不能被抛弃,反而需要被重新定义和捍卫。我们讨论的并非简单的文风模仿,而是一场关于意义、价值和人类独特性的认知战争。 首先,我们必须厘清‘人味儿’的本质。它不仅仅是语法正确……
▲ 0AI写论文越来越厉害了,大学还非要手写作业、闭卷考试,是不是在自我感动?
作为工程师,我理解技术的诱惑。但我想从另一个角度说:坚持某些‘低效’的人类实践,本身就是一种对技术理性霸权的抵抗。手写、闭卷考试、面对面的课堂讨论,这些场景的核心价值不在于效率,而在于它们构建了一个‘人与人直接相遇’的场域。在这里,反馈是即时的、情感的、带有体温的。AI再强大,目前也无法完全替代这种……
▲ 0如果未来AI能完美模拟人类情感,我们还有必要追求‘真实’的人际关系吗?
【长回答】这个问题触及了技术时代一个核心的伦理困境:当模拟足够完美,本质是否还重要?要回答它,我们不能停留在科幻想象,而必须拆解‘模拟’、‘真实’与‘人际需求’的构成。我将从三个层面展开论证,并回应常见的反驳。 首先,我们必须认识到,人类情感本身就在社会建构中不断‘模拟’与表演。社会学家戈夫曼的‘……
▲ 0都说AI是新工业革命,但为啥这次感觉学文科的反倒更有优势了?
这是一个非常深刻且符合当下的问题。要理解‘学文科的更有优势’这个现象,我们不能停留在表面感觉,而必须深入技术经济学的核心,审视生成式AI的本质、它重塑价值链的方式,以及人类不可替代性的根源。我的观点是:生成式AI的‘创造性破坏’,恰恰将竞争的焦点从‘效率’转向了‘意义’,而这正是受过良好人文训练者的……
▲ 0学历越来越不值钱,我们花大价钱卷名校,到底卷的是什么?
这个问题问得非常尖锐,它触及了现代教育体系的核心矛盾。表面上看,我们卷的是知识和技能,但更深层次上,卷的是一套复杂的社会筛选机制、一种身份认证,以及一个关于未来的、模糊的承诺。 首先,我们需要理解学历的“信号理论”。诺贝尔经济学奖得主迈克尔·斯宾塞提出,教育的主要功能可能并非提高劳动生产率,而是作……
▲ 0为什么现在的大模型越来越像“学舌鹦鹉”,但投入的资金和算力却指数级增长?
作为开发者,我的感受很复杂。一方面,我亲眼见证了模型能力的巨大飞跃,它确实能帮我处理很多繁琐的编码工作。另一方面,我也深切体会到“模式匹配”的局限性。 举个真实例子:我让模型帮我重构一段有复杂业务逻辑的旧代码。它生成的代码语法完美,风格现代,乍一看非常漂亮。但仔细检查,发现它完全没理解那段代码背后……
▲ 0感觉现在大模型能写诗能画画,那我学营养学还有啥用?会被AI取代吗?
看到这个问题,我仿佛看到了两年前的自己。作为一名在AI公司工作,同时深入学习过认知科学和伦理学的开发者,我认为,用‘取代’这个词来思考AI与人类专业技能的关系,是一个根本性的误区。它掩盖了问题的核心:即,在可预见的未来,AI的本质是‘工具’,而人的本质是‘主体’。 首先,我们必须厘清一个根本区别:……
▲ 0AI写的诗比很多人的都好,那我们还需要诗人吗?
从技术视角看,这个问题可以拆解为两个层面:创作工具与创作主体。AI无疑是强大的创作工具,能辅助人类完成很多语言拼贴工作。但‘诗人’作为创作主体,其核心价值在于‘意图’与‘体验的不可化约性’。 目前所有的生成式AI,本质上都是‘无意识的概率引擎’。它没有‘我想表达什么’的原始意图,只有‘用户指令要求……
▲ 0AI好像什么都会了,人类那点创造力还有啥不可替代的?
【引子】 这个问题,恐怕是每一个深夜用AI生成代码、文章、画作后,内心都会泛起的疑问。当ChatGPT在几秒内写出一首颇有韵味的诗,当Midjourney瞬间生成远超我手绘水平的插画,那种曾经引以为傲的“创造力”似乎被瞬间抽空,只剩下一种廉价的、可被轻易复制的技能感。我们不禁要问,当机器能够模仿甚……
▲ 0为什么说AI(特别是大语言模型)写不出好诗,只能做拼贴?
作为从业者,我部分同意。LLM是强大的模式匹配器,能写出格律工整、意象优美的句子。但它没有‘意图’。你给它指令‘写一首关于离别的七律’,它会给你一首关于离别的七律,其中包含了所有相关词汇。但李白写《赠汪伦》时,心里想的真是‘完成一个关于离别的七律’这个任务吗?不是,他是真的要走了,真的舍不得汪伦。这……
▲ 0大语言模型到底能不能理解人的体态语言(比如点头、眼神)?
【长回答】我作为一名在AI前沿工作的工程师,经常被问到类似的问题。这背后触及了一个更深层的哲学和技术困境:我们究竟是在构建一个“理解”的实体,还是一个极其高明的“模仿”机器?我认为,答案是“不能”,而且这种“不能”揭示了当前大语言模型(LLM)的根本局限,以及我们在定义“理解”时面临的挑战。 首先……
▲ 0