普通人如何簡單地理解 AI 的思考方式？

很多人第一次認真使用 ChatGPT，心裡大概都會經歷一個很奇怪的瞬間。

就是當你發現它的回答不像搜尋結果，不像百科條目，也不像傳統軟件吐出的指令回應。

而是像一個人坐在對面，讀完了你的問題，然後說：

我明白你的意思了，我覺得你可以怎樣怎樣做。

它真的好像明白了你提出的問題，甚至知道了你的意圖和你想達到什麽目標。

那一刻，人很自然會問：AI 到底是怎樣思考的？怎麽那麽像人？

一般人聽到這個問題，會聯想到主流媒體對 AI 的闡釋。

它是個黑箱子。

它是高深的算法。

它是一堆專業名詞如 Transformer、attention、parameter... 等等詞結合出來的產物。

絕大多數人對它的理解通常就止步於此，因為這好像已經不是理解問題，而是資格問題。

好像只有看得懂論文、看得懂算法，要 Dr. 級別的人，才有資格談 AI 怎樣思考。

但事實上，我們不需要這些資格，也不需要理解任何算法方程式。

你只需要看懂了一個關於人的思考理論，就能大致明白 AI 的思考黑箱子，到底是怎麽運作的。

而在你明白了 AI 如何思考之後，你使用 AI 的方式將會徹底進化、改變。

那麽具體來説，到底是什麽思考理論，可以讓人一下子就搞明白 AI 的黑箱呢？

答案是：

思維聯想論

如果你有上過我的《一課思考學》，或讀過《深度思考的技術》，你或許還記得我提出過這麽一個理論，叫「思維聯想論」。

那時 ChatGPT 還沒橫空出世，我也并不關注 AI 技術的前沿。

等到 ChatGPT 爆紅，我開始去閲讀其背後的技術原理后，我的第一印象就是覺得，這原理和我寫過的「思維聯想論」很像。

熟悉這個理論的朋友們，可以選擇跳過這一節，但如果你不知道什麽是「思維聯想論」，那不妨聽我簡略的介紹一下。

我先把書裡的定義搬過來。

思維聯想論是一個很簡單的理論，裡面只有三句話：凡是思考，皆是聯想。凡是聯想，必有素材。聯想日新，以此迭代。

這三句話看起來很樸素、很不怎麽樣，但在我看來，這三句話能解釋人的所有思考形態，任何思考模式。

我們先從第一句開始：

凡是思考，皆是聯想。

所謂想到一件事，説白了就是一個概念和另一個概念連接了起來。

看到烏雲，聯想到下雨；看到一個人說話吞吞吐吐，聯想到他可能在隱瞞；讀到一本經濟學書，聯想到自己的投資和所處的社會。

我在書裏有詳細論證過，就連推理、換位、邏輯思考，這類好像和聯想無關的事情，其實底層邏輯也是大腦在聯想。

比如，在邏輯三段論裡面，結論必定是透過結合大前提和小前提進而得出的，少了一個都不成。

大前提：凡是人都會死
小前提：蘇格拉底是人

而當我們把「蘇格拉底是人」和「凡是人都會死」聯想起來，當我們思考這兩者有什麼聯繫，我們就會得出

結論：蘇格拉底會死

礙於篇幅關係，在這裏，我希望你只記住這個理論的核心要點：

所有的思考，都是聯想思考。

「思維聯想論」接下來的第二句是：

凡是聯想，必有素材。

這句話更重要。人不可能聯想到自己從未接觸過的東西。

諸葛亮再聰明，也不可能憑空提出相對論，因為他手上沒有現代物理學的素材。

而愛因斯坦即使智商再高一倍，如果他出生在原始的叢林部落，他就無法透過思考而提出相對論，因為他手上沒有現代物理學的素材。

我們再舉一個更直觀的例子——不知道你有沒有想過，為什麼電影裡的外星人長得都像人呢？這些不就是把地球上有的東西，融合起來而已嘛？為什麼虛構的外星物種總是走不出這些樣子呢？

答案很簡單，因為人類想像不出自己沒看過的東西，人類只能把自己看過的東西拼湊出一個外星物種的樣子。

這也是為什麼古人可以想像出神的樣子，各種各樣充滿創意的神話，山海經裡面的各種怪獸，半獸人半人馬之類，但就是想像不出機械人。這不是因為他們的創意不行，而是因為素材不夠。

我們可以天馬行空的創意，但是翅膀和馬是人們早就已經知道的東西。裡面沒有絲毫憑空而來的元素。

而所謂的想像力，不過是對已知的東西進行聯想，然後在腦海裡用畫面呈現出來而已。

所以思維聯想論的第二句話，凡是聯想，必有素材——

這其實說的是人類思考的極限，限制於我們手上的素材。

無論是多麼聰明的天才，他都會限制於當下可得的所有知識。

我們甚至可以說，所有的創造，所有問題的答案，所有的思考結論，都來自手上的素材。

素材的總量 = 可能性的總量

這是思考的極限、硬性限制。

當然，這一限制也適用於 AI 的思考，這一點我們待會會講到。

但是問題來了，如果所有的思考都是對現有素材的思考，中間沒有任何憑空而來的新東西，那麼人類的進步從何而來呢？

這就要說到思維聯想論的第三句話：

聯想日新，以此迭代。

如果你研究科技的歷史，你會發現，雖然以前的人無法想像出機械人的模樣，但還是有一些人想到了簡單的機械裝置。

這些機械裝置慢慢改進迭代，簡單的部件和另一個簡單的部件組在一起，時而變得複雜，時而變得精簡，最後變成了今天的樣子。

一開始人們想要獲得飛行的能力，就在自己的身體裝上人造的翅膀模仿鳥兒，這是工具與翅膀的聯想，但這些發明都以失敗告終。

接著，有個人換了個角度思考，他自小學習大量關於機械和電力學的知識，因此做過幾次試驗並失敗後，他很快就意識到「鳥人」的思路可能從根本上就行不通，他叫做喬治·凱利（Sir George Cayley）爵士。

後來凱利爵士轉而思考鳥翼形狀在飛行起到的作用，他結合牛頓的空氣阻力理論和翅膀的觀察，提出了空氣動力學的原理，奠基了航空學的理論基礎。

經過多年的試驗和改進，凱利爵士終於在 76 歲那年製作出了一架成功的滑翔機，實現了第一次載人滑翔飛行。

有意思的是，凱利爵士曾經構思過要給滑翔機裝一個發動機，但是在他們那個時代裡只有蒸汽機，而蒸汽機的重量太大，所以他不曾實現這一個想法。

直到萊特兄弟的出現。萊特兄弟出生的時機剛好，因為他們的前人提供了航空學的理論基礎，而且又趕上了尼古拉斯·奧托（Nicolaus Otto）發明現代內燃機的時代。

萊特兄弟也足夠聰明，他們拋棄了用人體操控飛機平衡的思路，並從控制風箏的方法中聯想到控制機翼的操作桿。

而後來的事情我們都知道了，萊特兄弟結合了凱利爵士的理論，給滑翔機裝上現代內燃機，再融合自己控制機翼的操作桿，終於完成了現代飛機的發明。

你看，以聯想作爲分析視角，我們可以簡單地理解到人類是從無到有的發明飛機的。

聯想會帶來新的素材，而新的素材又會被納入到更新的聯想，然後帶來更新的素材。

接著，更新的素材又會被納入到更更新的聯想……以此類推。

人類文明不是靠一次神蹟跳到現代的，而是靠一層又一層的素材疊上去，過程沒有任何神秘之處。

好了，説完了「思維聯想論」的三句話，是時候用「思維聯想論」充當開門鑰匙，打開 AI 思考的黑箱了。

AI 大語言模型，是一台聯想機器

我們先做一個小實驗。

假設我問你：

「蘋果價格怎麽那麽高？」

你會卡住一下。因為這個句子有歧義，蘋果可以是水果，也可以是蘋果公司。你需要更多資訊才能知道我指的是哪個。

但如果我問：

「我說蘋果價格怎麽那麽高？我想喝果汁。」

你立刻明白我說的是水果。

因爲「果汁」這個詞和「水果蘋果」連得比較近，和「Apple 公司」連得比較遠。

在你過去的生活素材裡，「果汁」和「水果」一起出現的次數遠遠多於和「股價」一起出現。

所以聽到「果汁」之後，「蘋果」這個詞就被你的腦子推向了水果那一側。

整個過程不需要你意識到，它就是聯想思考在後台自動運行。

現在我們把同一個問題交給 AI。

2017 年，Vaswani 等人發表了改變 AI 歷史的論文 Attention Is All You Need。

就是這篇論文提出了著名的 Transformer 架構，它最關鍵的地方，是把注意力機制放到核心位置，讓模型能在序列中的不同位置之間建立關係。

這聽起來挺繞的，但如果我們把技術細節暫時放下，用大白話來說，就是：

模型讀到一段文字之後，它不會平均看待所有的詞。它會替每個詞分配不同的權重，某些詞更值得注意，某些詞不太重要。

這個權重，是模型從訓練數據裡推算出來的：

在過去看過的所有句子裡，哪些詞通常和哪些詞一起出現。

這很像人的聯想。

當然，這不是説 Transformer 像人的意識在理解這一切。它沒有坐在計算機裡感受語境，沒有一個內在自我在說「我懂了」。

但它在運作形態上，的確是在做一件和聯想很像的事：

從素材之間找關係。

從關係裡計算下一步。

再用下一步生成新的素材。

這就是爲什麽我説，我們可以用「思維聯想論」理解 AI 大語言模型的思考。

AI 大語言模型最常被誤解的地方，是很多人把它想像成一個藏在機器裡的萬能智者。

但如果套回思維聯想論，事情會變得清楚很多。

凡是聯想，必有素材。

對人來說，素材是經驗、知識、語言、記憶、情緒、社會互動。

我們在生活、體驗、學習、思考之中，發現各種素材的關聯，看見「什麼東西通常會引發什麼東西」，並明白到世界是如何運作的。

對 AI 來說，素材主要來自訓練資料、模型參數、當下的上下文，以及使用者輸入的提示。

它是在大量文本素材裡，學會「什麼東西通常會和什麼東西連在一起」，並生成出最有可能關聯的下一句。

這也解釋了為什麼 AI 有時候看起來很懂，有時候卻一本正經地胡說。

當它手上的素材足夠好，問題又落在它熟悉的語言模式裡，它就能把相關素材連得很漂亮。

但當它手上的素材不足，或者問題要求它分辨世界裡的具體事實，而它沒有可靠的即時資料，它就可能把一些看起來像答案的材料接起來，給出一個模糊又不太靠譜的答案。

比如，一個人問它：「某個人在 2024 年某場演講裡說了什麼？」

如果那場演講的逐字稿沒有被放進上下文，模型也沒有可靠的即時資料可以查，它仍然會根據這人的名字、常見的演講格式、類似主題的文章語氣，拼出一段很像演講摘要的文字。

那段文字可能很順，也可能很像那個人會說的話，但它未必真的來自那場演講。這就是幻覺。

它不是忽然變笨了。它只是沒有足夠素材可以核對現實，卻仍然要生成下一句，於是把相似材料補了上去。

這一點其實也和人很像。

以前的人沒有關於天氣的科學知識，所以當天氣經常不好，太久沒下雨，或者下太多的雨，以前的人就會說是因爲惹怒了神明，要趕快拜神求仙。

因爲在他們的知識網絡之中，只有神明有力量改變天氣，因此只能聯想出這樣的結論。

現在，我們知道了 AI 的思考和人類的聯想思考很像。

而單純是知道這一點，就能大大改善一般人提示詞，

讓人更擅長調用 AI 。

提示詞心法

想象一個場景。

小明最近想轉職，但身邊沒有他信得過的人給他建議。

他聽説 AI 在這方面做得不錯，於是他打開了 ChatGPT，注冊了一個新賬號，輸入：

「幫我分析一下，我適合做什麼工作？」

ChatGPT 回答了一大段：可以根據興趣、技能、價值觀、工作環境、長期目標來評估，也可以做人格測驗、列出過往經驗、尋求他人回饋。

這些答案都沒有錯。

但也沒有用。

為什麼？

因為小明沒有給素材。

AI 面對這個問題，只能調用最一般的職涯建議素材。

它不知道小明過去做過什麼，不知道他討厭什麼，不知道他在什麼時候最有能量，也不知道他承受風險的能力如何。

於是小明改問：

「我過去五年都在做產品經理，喜歡構思新功能和寫文件，不太喜歡排期和催進度。我在小團隊裡表現比較好，在大公司流程裡很容易疲乏。我想保留收入穩定，但希望未來三年增加寫作和顧問工作的比例。請幫我分析可能的職涯方向。」

這次答案就不一樣了，AI 給出了非常有針對性的回答，小明看了過後，獲得了一些之前自己沒能想到的洞見。

這不是因為 AI 忽然變聰明，而是因為小明給的素材變好了。

接著，小明再加一句：

「請分別從職涯風險、能力遷移、收入結構、心理能量四個角度分析。」

答案又變得更精細了，小明再一次收穫了洞見。

因爲提供的素材不同，聯想的角度不同，就能讓 AI 產出不一樣的洞見。

你知道，有些人怎麽使用 AI，單純是由網絡上流行的提示詞所決定的。

這些提示詞好像咒語，只要唸對了，機器就會聽命，並生成很接近、很類似，但又個性化的結果。

但現在你知道，提示詞不過是給 AI 投放素材、設定角度、限制聯想方向。

更具體地說，提示詞的品質，可以透過三個原則提升：

第一，不要只問結論，要先給素材。把所有 AI 不可能自己知道的東西，預先放進去。

第二，不只給素材，還要給角度。同一件事可以從金錢成本看，也可以從時間成本看。角度不同，聯想就不同。

第三，不要把第一版答案當答案，要把它當素材。它的回答是新素材，新素材該被納入下一輪聯想。可以追問，可以反駁，可以要求換一個框架，也可以把其中一段抽出來深挖。

這就是在 AI 時代裏該有的「聯想日新，以此迭代」。

人和 AI 的理想合作情景，不是一問一答，然後就結束。

而是應該使用者給素材，AI 產生新素材，新素材刺激使用者修正問題，修正後的問題再推動 AI 產生更好的回答。

要把 AI 推向極限，你就需要一輪一輪的聯想更新，捉住它給的反饋當作跳板，不斷在其之上推進、深入。

一般人用的是 AI 的下限。

而你的聯想極限，決定了你能否調用 AI 的能力極限。

最近我使用 AI 時最愛做的事情，是和 AI 進行辯論，試著反駁、挑戰它給出的判斷。

有時是針對文章的評分，有時是針對某個觀念、論點。

每次我成功讓它修正自己之前給出的答案時，比如，對文章某個維度的評分從 7 分提高到 8 分，我都會乘勝追擊，問它爲什麽不是 10 分，它給出解釋后，我再試著説服它讓它修正。

有時，我因此收穫一些有用的建議，補足了一些我也認同的文章薄弱之處。

有時候我收穫了成就感，心裏得意的想「世界最强 AI 不過如此？！」

有時我采納了原本不同意的意見。

但爲了宣示決策自主權，我不照單全收，而是在其之上做微調、更改。

「我連我媽的話都不全聼，又怎麽可能全聼你的話呢！」

本文是《每週讀懂一本書+》的免費前瞻文章。

如果你喜歡這種書籍深度解讀，可以先加入等候名單；正式推出時，我會把首次訂閱折扣寄給名單上的讀者。

注：若以上按鈕沒反應，請點擊這裏