蛋播视频一区,无码鲁丝一区二区,精品 久久 五月天,国产老熟女,五月草草在线观看,中文日韩欧美,情色一区二区三区,欧美日韩亚洲激情在线,亚洲制服在线香蕉

2025年12月29日，北大匯豐諾獎(jiǎng)對(duì)話系列活動(dòng)舉行。2011年諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)得主、北京大學(xué)匯豐商學(xué)院薩金特?cái)?shù)量經(jīng)濟(jì)與金融研究所榮譽(yù)主任托馬斯·薩金特（Thomas J. Sargent）教授以“人工智能：過去、現(xiàn)在與未來”為題，詳細(xì)講解了AI與人類認(rèn)知、科學(xué)史、經(jīng)濟(jì)推理之間的根本聯(lián)系，探討了AI的本質(zhì)和發(fā)展脈絡(luò)。300多校內(nèi)外師生及各界聽眾現(xiàn)場(chǎng)參加，近10萬(wàn)人在線收看。

引言｜一個(gè)古老的科學(xué)難題

幾百年前，人們仰望星空，卻并不真正知道行星的軌跡為何如此怪異。它們似乎并不遵循完美的圓形路徑，時(shí)快時(shí)慢、忽左忽右，仿佛在對(duì)任何人類想象中的秩序進(jìn)行嘲諷。

當(dāng)時(shí)，托勒密的天文學(xué)體系通過堆疊一層層的圓和附加圓（即“本輪/均輪”系統(tǒng)），試圖擬合這些復(fù)雜的運(yùn)動(dòng)數(shù)據(jù)。這種做法在數(shù)學(xué)上可謂精妙，足以描述觀測(cè)結(jié)果的細(xì)節(jié)，卻始終無法解釋這些運(yùn)動(dòng)背后到底遵循什么規(guī)律。

在哥白尼提出日心說之后，天文學(xué)界進(jìn)入了一個(gè)關(guān)鍵性的實(shí)驗(yàn)階段。盡管日心說改變了參照系，但一個(gè)更基礎(chǔ)的問題仍然困擾著所有觀測(cè)者：行星到底是如何繞太陽(yáng)運(yùn)行的？它們?yōu)槭裁雌x圓形軌道？

這個(gè)問題最終交到了天文學(xué)家約翰內(nèi)斯·開普勒手中。開普勒繼承了他人收集的精確天文觀測(cè)數(shù)據(jù)，長(zhǎng)期困頓于這些“偏離圓形”的殘差。直到某一刻，他提出了一個(gè)大膽的設(shè)想：行星軌道不是圓形，而是橢圓形，太陽(yáng)處于橢圓的一個(gè)焦點(diǎn)。

這一看似只是更優(yōu)擬合的數(shù)據(jù)假設(shè)，實(shí)則標(biāo)志著科學(xué)史上的根本性轉(zhuǎn)折。開普勒沒有添加更多“曲線”，而是通過結(jié)構(gòu)上的簡(jiǎn)化，觸及了天體運(yùn)動(dòng)的真實(shí)機(jī)制。他不僅告訴我們軌跡“是什么樣子”，更提示了“為什么會(huì)是這樣”。

正是這個(gè)由經(jīng)驗(yàn)數(shù)據(jù)到結(jié)構(gòu)解釋的躍遷，使得他的發(fā)現(xiàn)成為牛頓萬(wàn)有引力理論的基石，也成為現(xiàn)代科學(xué)以機(jī)制為導(dǎo)向的解釋模式的開端。這不是一場(chǎng)數(shù)學(xué)游戲的勝利，而是科學(xué)方法的一次轉(zhuǎn)向：從描述世界的表象，走向揭示世界的結(jié)構(gòu)邏輯。

這個(gè)故事并未結(jié)束。幾百年后，我們站在人工智能的時(shí)代門檻上，又一次面對(duì)一個(gè)類似的問題：當(dāng) AI 精準(zhǔn)地識(shí)別模式、預(yù)測(cè)趨勢(shì)時(shí)，我們是否真的理解了這些模式的由來？它究竟是在解釋世界，還是僅僅描述數(shù)據(jù)？

諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)得主Thomas J. Sargent教授正是圍繞這一問題展開了深刻討論。講座題為《AI: Past, Present and Future》，但討論的內(nèi)容遠(yuǎn)遠(yuǎn)超越了“過去與未來”的時(shí)間框架，而觸及了智能的本質(zhì)與邊界。

第一部分｜人工智能到底“智能”在哪？

講座一開始，薩金特就拋出了一個(gè)樸素的問題：“我們所謂的‘智能’，究竟指的是什么？”

與其從意識(shí)、感情、主觀性這些哲學(xué)概念入手，薩金特回到最具操作性的出發(fā)點(diǎn)：我們之所以認(rèn)為某些系統(tǒng)是“智能的”，是因?yàn)樗鼈儽憩F(xiàn)出了一種人類式的功能性思維。換句話說，我們判斷一個(gè)系統(tǒng)是否“智能”，標(biāo)準(zhǔn)其實(shí)是它是否能像人一樣完成某些任務(wù)。

薩金特將這種“功能性智能”拆解為三項(xiàng)核心能力：

模式識(shí)別（Pattern Recognition）

能從紛繁的數(shù)據(jù)中識(shí)別出結(jié)構(gòu)與規(guī)律。例如，看到大量歷史天氣數(shù)據(jù)后，總結(jié)出某地春季常伴隨降雨。

泛化能力（Generalisation）

不僅識(shí)別規(guī)律，更愿意“相信”這些規(guī)律能延伸至未來。這其實(shí)是一種近乎信仰的跳躍：從“曾經(jīng)發(fā)生過”推斷“將會(huì)發(fā)生”。

決策（Decision Making）

在識(shí)別與泛化基礎(chǔ)上做出行動(dòng)選擇。哪怕信息不完備、結(jié)果不確定，依然能基于已知結(jié)構(gòu)進(jìn)行決策。

這三項(xiàng)能力之所以重要，是因?yàn)樗鼈冋侨祟惖靡栽诓淮_定世界中生存、適應(yīng)和改造環(huán)境的基礎(chǔ)。我們制造 AI，不是因?yàn)樗c人類完全一樣，而是希望它能模仿這套三層機(jī)制，并在特定領(lǐng)域中勝任復(fù)雜任務(wù)。

而在這個(gè)框架中，AI 的“智能”顯然是有實(shí)績(jī)可循的，尤其在前兩項(xiàng)：它們能在超大規(guī)模的數(shù)據(jù)集中高效識(shí)別結(jié)構(gòu)性關(guān)聯(lián)，也能在不同場(chǎng)景中迅速調(diào)整算法參數(shù)，形成“近似泛化”的模型結(jié)構(gòu)。

這正是為什么 AI 在圖像識(shí)別、語(yǔ)音轉(zhuǎn)換、推薦算法等領(lǐng)域表現(xiàn)出色。它們甚至在某些任務(wù)上超越了人類的直覺判斷力與反應(yīng)速度。

但薩金特在這里戛然而止，話鋒一轉(zhuǎn)：“我們需要意識(shí)到，AI的崛起，并不代表它完成了人類智能的所有組成部分。相反，它正是靠對(duì)前兩項(xiàng)功能的極度強(qiáng)化，而在第三項(xiàng)，也就是決策背后的解釋性理解，仍顯局限?！?/span>

也就是說：AI 描述得越來越好，可以把世界壓縮成越來越復(fù)雜而高效的模式網(wǎng)絡(luò)，但它仍然無法真正解釋它所“看見”的東西為什么是這樣。

薩金特將這一能力稱為“對(duì)機(jī)制的理解”，而這正是下一部分他將深入展開的主題。他提醒我們：當(dāng)一個(gè)系統(tǒng)能夠識(shí)別數(shù)據(jù)中的模式時(shí)，它可能是“智能的”；但只有當(dāng)它能夠理解這些模式如何被生成、如何在制度或自然法則下產(chǎn)生變動(dòng)時(shí)，它才觸碰到了真正的“解釋力”。正是在這個(gè)區(qū)分上，AI 和人類智能之間的鴻溝開始顯現(xiàn)。

第二部分｜描述 vs 解釋：

一個(gè)科學(xué)方法論的核心對(duì)立

在講座中，薩金特多次強(qiáng)調(diào)人工智能的核心局限，不在于它“做得不夠多”，而在于我們誤解了它到底在做什么。他用兩個(gè)關(guān)鍵詞貫穿始終：Describe（描述）vs Explain（解釋）。

“描述”指的是對(duì)已有數(shù)據(jù)的觀察、總結(jié)與壓縮。AI 系統(tǒng)，尤其是當(dāng)下主流的深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)架構(gòu)，正是擅長(zhǎng)這件事的典范。它們可以：從圖像中識(shí)別出人物、物體、情緒；從大量文本中生成合乎語(yǔ)法與語(yǔ)境的段落；在金融市場(chǎng)中預(yù)測(cè)趨勢(shì)、捕捉高頻信號(hào)。

薩金特把這類系統(tǒng)稱為“模式壓縮機(jī)器”（Pattern Compression Machines）。它們所做的是一種“看”，一種極其高效的觀察與再現(xiàn)。

而“解釋”是完全不同的事情。它不是問“接下來會(huì)發(fā)生什么”，而是問：“為什么事情會(huì)以這種方式發(fā)生？”“如果我們改變規(guī)則，結(jié)果還會(huì)一樣嗎？”

解釋意味著你理解了生成數(shù)據(jù)的機(jī)制，能夠處理反事實(shí)結(jié)構(gòu)，甚至在規(guī)則改變后依然作出有根據(jù)的判斷。

薩金特引用了物理學(xué)家理查德·費(fèi)曼的一個(gè)著名比喻，進(jìn)一步說明這個(gè)區(qū)分：“假設(shè)你從不知道國(guó)際象棋的規(guī)則，只是站在旁邊觀察一場(chǎng)又一場(chǎng)的棋局。你可以非常仔細(xì)地記錄每一個(gè)棋子的移動(dòng)，久而久之你甚至能預(yù)測(cè)某些情況下‘這個(gè)棋子很可能會(huì)這樣走’。你也許能模仿一名中等水平棋手的下法——但你依然不知道規(guī)則是什么，更不知道為什么規(guī)則是這樣。”

這正是 AI 當(dāng)前的狀態(tài)。它可以在海量棋譜中學(xué)習(xí)如何下棋，可以打敗最強(qiáng)的人類選手（以AlphaGo為例），但它對(duì)圍棋的理解，不包含“規(guī)則制定層”的認(rèn)知。它沒有理解“圍棋為何是一種競(jìng)技，而非純隨機(jī)過程”；沒有理解“厚勢(shì)”意味著什么，也無法判斷“風(fēng)格”或“戰(zhàn)略美學(xué)”。

AI 是那個(gè)站在棋盤邊上的觀察者。它可以將數(shù)據(jù)壓縮得極致，但它并不真正知道“游戲的本質(zhì)是什么”。

這正是薩金特所要指出的根本問題：AI的成功建立在對(duì)既定規(guī)則下的模式預(yù)測(cè)，但現(xiàn)實(shí)世界中，規(guī)則是不斷變化的，制度、政策、激勵(lì)結(jié)構(gòu)每天都在被改寫。真正的智能，需要能理解這些變化背后的邏輯，并在變化中重新定位自身決策。因此，薩金特反復(fù)提醒：“AI能預(yù)測(cè)某種機(jī)制下的結(jié)果，但它無法解釋機(jī)制如何生成、如何變化，也無法理解反事實(shí)問題?！?/span>

從象棋到經(jīng)濟(jì)系統(tǒng)，從語(yǔ)言模型到政策設(shè)計(jì)，我們不能用一個(gè)擅長(zhǎng)觀察棋局的系統(tǒng)，來推導(dǎo)出整盤博弈的邏輯。

第三部分｜“生成了這些走法的那盤棋”

在講座中，薩金特不止一次提到了一個(gè)看似技術(shù)性但本質(zhì)上非常深刻的比喻：“從有限的價(jià)格與數(shù)量數(shù)據(jù)出發(fā)，經(jīng)濟(jì)學(xué)家試圖推理出那盤生成這些數(shù)據(jù)的博弈（infer the game that generated them）?！边@句話背后的圖景，是對(duì)“解釋”與“描述”差異的進(jìn)一步深化。

人類社會(huì)中的行為并不是在真空中出現(xiàn)的。每一次定價(jià)、交易、選擇，其背后都潛藏著制度安排、權(quán)力結(jié)構(gòu)、激勵(lì)機(jī)制。經(jīng)濟(jì)學(xué)家之所以建模，并非只是為了回顧某種過去的數(shù)據(jù)趨勢(shì)，而是為了理解：是什么樣的“規(guī)則集合”在悄然決定人們的選擇？如果這些規(guī)則被改變，個(gè)體行為與總體結(jié)構(gòu)又會(huì)隨之如何演變？

這是一種對(duì)“生成機(jī)制”的探查，而非僅僅復(fù)現(xiàn)表層行為。在這段論述前，薩金特曾簡(jiǎn)單提到 AlphaGo，將它作為觀察者vs規(guī)則推理者之間差異的代表。

AlphaGo 是一個(gè)被動(dòng)地學(xué)習(xí)棋局結(jié)果的系統(tǒng)：它通過觀看數(shù)百萬(wàn)盤人類對(duì)局，再加上自我博弈，無比擅長(zhǎng)在已有規(guī)則下找到“最優(yōu)解”。它可以預(yù)測(cè)哪一步勝率高、哪種布局更強(qiáng)，但它從未試圖理解“圍棋為何如此”，也無法改變圍棋的規(guī)則體系再提出新棋法。

相比之下，結(jié)構(gòu)經(jīng)濟(jì)學(xué)家做的事，恰恰是反過來的。他們看到的是局部的結(jié)果數(shù)據(jù)，比如價(jià)格波動(dòng)、產(chǎn)出變化、失業(yè)水平，然后試圖以此“倒推出”一套解釋這些現(xiàn)象的制度機(jī)制：究竟是怎樣一盤博弈，才可能產(chǎn)生這樣的均衡？

在這個(gè)意義上，薩金特的比喻與 AlphaGo 的存在形成張力：AlphaGo 精通棋局，但并不企圖推導(dǎo)圍棋的起源與合法性；而經(jīng)濟(jì)學(xué)家則要從不完整的信息中，構(gòu)建“那盤棋”的邏輯結(jié)構(gòu)。

解釋意味著推演制度、想象他者、預(yù)測(cè)反事實(shí)。在現(xiàn)實(shí)世界中，這樣的“博弈”遠(yuǎn)比圍棋復(fù)雜得多：沒有人公布全部規(guī)則，不同個(gè)體的目標(biāo)函數(shù)不一樣。激勵(lì)是隱性的，制度是模糊的，數(shù)據(jù)是殘缺的，行為是歷史性的。但越是在這種不確定性中，我們?cè)叫枰氖墙忉屝缘睦斫饽芰?。也正因如此，薩金特強(qiáng)調(diào)：真正的智能，不是在規(guī)則既定后做出最優(yōu)選擇，而是在規(guī)則未明、機(jī)制未顯之時(shí)，推理出“這局博弈”長(zhǎng)什么樣。

這不只是對(duì)AI能力邊界的判斷，也是一種對(duì)人類決策者應(yīng)當(dāng)具備何種理解能力的提醒。

總結(jié)｜我們看到了什么？我們理解了什么？

從開普勒的橢圓軌道，到費(fèi)曼的棋盤觀察比喻，再到 AlphaGo的勝利，我們看到了描述能力的演化。薩金特不是否認(rèn) AI 的價(jià)值，而是警惕我們?cè)谀Ｊ阶R(shí)別的光環(huán)下，忽視了對(duì)解釋機(jī)制的追問。未來的技術(shù)社會(huì)，需要的不只是預(yù)測(cè)準(zhǔn)確的系統(tǒng)，更需要能處理不確定性、評(píng)估因果鏈條、思考反事實(shí)結(jié)構(gòu)的人類智能。

在講座的尾聲，當(dāng)被問及“人工智能是否終將取代人類”時(shí)，薩金特微笑著搖了搖頭。他并沒有引用技術(shù)報(bào)告或概率模型，而是說：“AI 永遠(yuǎn)不會(huì)像我妻子那樣，總能讓我微笑。”

這句輕松而溫柔的回答，背后其實(shí)隱含了他整場(chǎng)講座最溫和而最深刻的立場(chǎng)：AI 是工具，而不是命運(yùn)的接管者；理解機(jī)制、生成意義、塑造選擇的能力，仍然屬于人類。

在這場(chǎng)講座中，薩金特并不是在“警告”AI的局限，而是在提醒我們?nèi)祟惐旧硪矌е烊坏木窒扌?。他引用了認(rèn)知科學(xué)家 Steven Pinker 的《The Blank Slate》一書，指出我們作為進(jìn)化自狩獵采集社會(huì)的生物，本能地傾向于某些簡(jiǎn)單啟發(fā)式：例如高估熟悉事件、誤判低頻風(fēng)險(xiǎn)、喜歡因果故事而非統(tǒng)計(jì)事實(shí)。這些“認(rèn)知缺陷”是演化留下的痕跡，而薩金特認(rèn)為，現(xiàn)代教育的意義，正是在于對(duì)這種認(rèn)知遺產(chǎn)的修正與補(bǔ)充。

所以，Pinker 推薦年輕人去學(xué)習(xí)統(tǒng)計(jì)學(xué)、經(jīng)濟(jì)學(xué)、生物學(xué)、物理學(xué)，因?yàn)檫@些學(xué)科就是人類發(fā)明出來、用來抵抗自己直覺偏誤的系統(tǒng)性工具。

薩金特在此沒有展開過多技術(shù)細(xì)節(jié)，而是把落點(diǎn)放在一個(gè)簡(jiǎn)單、卻有力的建議上：“我們不知道未來會(huì)怎樣，但我們知道自己應(yīng)該盡量變得更靈活?！?/span>

Be flexible.這是一句聽起來幾乎過于樸素的勸告，但對(duì)坐在講堂里的聽眾，尤其是正在PHBS接受經(jīng)濟(jì)、統(tǒng)計(jì)、政策、管理等跨學(xué)科訓(xùn)練的學(xué)生而言，它恰好點(diǎn)出了這些訓(xùn)練的本質(zhì)：是不斷訓(xùn)練系統(tǒng)思維，來彌補(bǔ)本能判斷的缺陷、是在學(xué)習(xí)從“價(jià)格與數(shù)量”背后推理出“那盤博弈”，也是在努力從有限的經(jīng)驗(yàn)中構(gòu)建出盡可能強(qiáng)健的解釋力。

也許這正是像北大匯豐這樣注重方法論與多學(xué)科視野的商學(xué)院所希望賦予學(xué)生的能力：不僅擁有預(yù)測(cè)趨勢(shì)的前沿工具，也擁有理解復(fù)雜世界的耐心。

在這個(gè)意義上，薩金特不是在講一個(gè)“AI的未來”，而是在講一個(gè)屬于人類認(rèn)知轉(zhuǎn)型的未來。而在這個(gè)未來里，解釋仍然重要，判斷仍然重要，人類仍然不可替代。