【人工摘要：早在1965年就预言：第一台超级智能机器将是人类的最后一项发明...经典人工智能探索过演绎推理，现代人工智能主要借助于归纳推理。溯因推理（abduction）是基于直觉的猜想，是一种洞察力。】
01
没有必要恐惧和担忧AI
今天，有关人工智能（AI）的各种信息和评论铺天盖地，目不暇接。人工智能无疑是人类有史以来最伟大的创新，它带来了憧憬，也带来了恐惧。有些专家预测，AI很快就会走向AGI（通用人工智能），然后通向超级智能。超级智能机器将不仅达到人类的智能水平，而且能超越人类的智能水平，可以替代人类做任何事情，包括发明创造。[1]对超级人工智能非常着迷的英国数学家欧文·约翰·古德（Irving John Good）早在1965年就预言：第一台超级智能机器将是人类的最后一项发明。
伴随这种憧憬的是巨大的恐惧，尤其是人们在两个方面的担忧：第一，如果AI在智能方面全面超越人类，智能机器是否会变成人类的主宰，而不是人类的助手，人类的时代将会结束？第二，AI是否会让人类无所事事，大批人失业？
在我看来，对这两个问题的担心其实都过度了。AI没那么了不起，它不会那么容易达到我们人类的智能水平。我也不认为AI一定会导致“工作消失”，相反，我相信它会创造出更多新的工作机会。
为什么这么说？只要回顾一下历史就知道。（读到后面读者会发现，我这句话有些自相矛盾。）人类从石器时代开始的每一项技术发明，本质上都是在某一个方面取代人类的某种功能，超越人类，但总体上却增强了人类的能力，让人类能更有效率地做事，省出时间做更多的事。最早的石刀、石斧，就是替代人的手，让拥有者比赤手空拳的人做得更好。但总体结果是，这些发明并没有让人类的手变得无用，而是增强了人类手的能力。印刷机的发明确实替代了原来的抄写工，但随着印刷机的普及，报刊书籍市场扩大了，在出版行业工作的人不知增加了多少倍。类似地，纺织业的机械化虽然使得原来的手工纺织技能没有了用武之地，但纺织业总就业人数大幅度增加。以英国为例，因为纺织业的机械化，家庭手工织工的人数从1830年的24万减少到1845年的6.9万，但到1851年，纺织和印染工人的总数达到50万，仅兰开夏郡一地，19世纪末从事棉纺织业的工人就有近50万。[2]
更为重要的是，新技术通常会催生出新产业，新产业提供新的就业机会。纺织业的机械化催生了机械制造业，这是原来没有的。汽车替代了马车夫，但催生了众多与汽车有关的上游和下游产业，也推动了旅游业的发展。网购确实使得一些实体店难以为继，但在中国，仅跑外卖的骑手就已超过1500万。我相信未来的AI也一样，它不仅不会彻底取代人类，而且会创造出更多新的工作岗位、更多的就业机会。
假如200年前有人告诉你，由于农业机械化和人造肥料的应用，以及作物品种的改良，未来只需5%的人从事农业生产，你肯定会担心：“那剩下95%的人干什么？”但事实是，今天在大多数发达国家，确实只有不到5%的人务农，其余95%的人照样有工作。这说明，我们的想象力可能限制了我们对未来的预测。至少从长远看，技术进步总是创造出更多的工作机会，而不是让人类变得无所事事，尽管我们现在无法说清楚AI究竟会创造出哪些新工作，正如250年前的人不知道蒸汽机会创造出什么工作机会，30年前的人不知道互联网会创造出什么样的就业机会一样。
有人说，过去的发明大多是在物理能力（physical capacity）方面替代人类，现在AI是在智能（intelligence）方面替代人类，这是根本性的不同。但我对此有不同的看法。至少从蒸汽机发明以来，人类发明的大部分技术，或多或少都包含了某种形式的“智能”。即使最简单的瓦特蒸汽机，也具备某些智能元素，虽然它看上去只是替代人或动物的肌肉，提供动力。蒸汽机的阀门可以根据汽缸内部的压力，做出负反馈调控，判断何时注入蒸汽、何时停止、何时冷却，怎么能说蒸汽机没有智能呢？亚当·斯密在《国富论》中讲到，最初的蒸汽机，原需雇用一个儿童，按照活塞的升降，不断开闭汽锅与气筒间的通道。有一次担任这项工作的某个儿童，因为爱和朋友游玩，就用一条绳子把开闭通路的舌门的把手，系在机械的另一部分，舌门就可不需人力自行开闭了。[3]斯密讲的故事是否真实，我们不知道，但蒸汽机包含着一定的智能，这是千真万确的事实，更不要说今天的大量自动化设备了，它们具备的逻辑判断和反馈机制远超人类自身。
02
未来是未定的，不完全由过去决定
要回答人工智能是否会全面超越人类智能，我们必须回到一个基本的哲学问题：未来是由什么决定的？
简单地讲，未来是否完全由过去和现在决定？换句话说，历史是否能告诉我们未来是什么？如果这个问题的答案是“Yes”，那就意味着AI最终会超越人类，在智能上也能做到比人类更好；但如果答案是“No”，那AI就永远不可能全面超越人类。我的回答是“No”。
要理解这个问题，我们得先思考我们有关世界的基本假设。
第一种假设是世界是确定的。确定性世界的基本含义是：第一，世界是客观的，不以人的意志为转移；第二，这个客观世界的运行遵循着固定的法则（规律）；第三，这些客观规律可以被人类认知，但不能被人类改变；第四，一旦我们认识到这些客观规律，我们就可以准确预测未来，就像古典物理学中给定初始条件和运动方程，我们可以准确知道某个物体在某个时点的准确位置。确定性世界的典型例子是太阳系，我们今天能预测500年后的日食或月食，这是因为太阳系的运动轨道是确定的、可计算的。
确定性世界就是牛顿古典力学的世界，它不仅影响了自然科学，也影响了社会科学，特别是经济学。事实上，新古典经济学就是仿照古典物理学建造的。在很长的时间里，经济学家假定人类社会像物理世界一样，是确定的。但人类社会与自然界不同，没有那么多的确定性。比如，在确定性世界，根本不可能有“利润”存在。事实上，新古典经济学根本解释不了为什么有利润。
第二种假设是世界是不确定的。为了解释“利润”的存在，美国经济学家弗兰克·奈特（Frank Knight）在1921年出版的一本书中引入了不确定性（uncertainty）的概念。[4]在奈特看来，不确定性是独特的、没有概率分布的、不可预测的事件，因而不同于有概率分布的风险（risk）。正是由于不确定性，才产生了“利润”，即普通人难以预料的收益。但非常遗憾的是，在阿罗-德布鲁一般均衡范式（Arrow-Debreu general equilibrium model）下，经济学家将不确定性简约为风险，即我们虽然不知道具体哪个事件会在未来发生，但我们知道所有的可能性以及它们的概率分布函数，因此能计算出每一种行动的预期收入和方差。经济学家所谓的“不确定下的决策”，实际是风险决策，典型的例子是保险公司如何根据事故概率制定保费政策。
这里，我不想纠缠于经济学家对奈特不确定性的误读。[5]我想讨论一下普通人对不确定性的理解。这里的“普通人”，其实指的是对经济和社会事务有重要影响力的专家、学者和企业家，也包括政府官员。我经常碰到一些学者和企业家在演讲中讲这样一句话：“唯一确定的就是不确定”，似乎每个人都知道什么是不确定性。
但其实，这里仍然存在一个误区。我们现在对于“不确定性”的理解，还是基于一个“客观世界”的假设：这个客观世界独立于人类而存在，不以人的意志为转移；未来虽然不确定，但已被预先设定好了（pre-determined），只是有待“未来”的到来；一旦“未来”变成“现在”，它就会被展现出来，就像受精卵会按照其包含的基因长成一个特定的人一样。在这样的假设下，所谓的不确定性，完全是行为人对客观世界的主观感受。我们感到不确定，是因为我们的知识有限，信息有限，计算力有限，所以我们“不知道”，而不是因为未来本身没有被确定。举例来说，某个特定的地底下是否有石油或煤炭，我们不确定，但是那里是否有石油或煤炭这件事本身，数亿年前就决定了，与我们现在做什么无关。于是我们相信，随着知识和数据的增长，以及算力的提升和算法的改进，不确定性就会减少，就像概率统计学上方差会随自变量增加而减少一样。这一点可以用天气预测来说明。明天是否会下雨？这在我们看来是不确定的，但事实上它已经确定好了，只是我们今天还不知道。50年前的天气预报，很不靠谱。但现在我们已经能通过气象大数据和强大的计算机，做到以95%的准确率预测明天的气温、降雨、风力等。这说明即便世界在认知意义上是“不确定的”，但在统计意义上，它仍然是确定的，是可预测的。
将这样理解的“不确定性”用于解释自然现象是可以的，但如果用于解释人类社会，就不适用了。人类社会不是这样的。我们拥有了越来越多的知识，是否就意味着世界变得更加“确定”了呢？并不是。恰恰相反，我们发现，知识越多，数据越多，反而觉得世界越不确定。举个简单的例子：今天的世界相比我们的祖先所处的时代，真的更确定吗？生活在农耕社会里，尽管也有不确定性，但我们祖先的生活节奏是规律的、可预测的。而今天我们生活在信息爆炸的时代，所面临的不确定性反而更大。再从另一个角度看：相对于文化程度低、知识贫乏的人，那些受过更好教育、拥有更多知识的人，他们的世界就更确定了吗？也不是。相反，知识越多的人，往往面临的世界越不确定。
为什么会这样？根本原因在于，人类社会并不像物理世界那样是客观的、不以人的意志为转移的！人类社会的大部分不确定性不是外生的，而是内生的，是人类的行为导致的。我们应对不确定性的行为本身，会产生新的不确定性。历史是人类的故事。人的行为会改变历史，虽然经常不能如愿以偿。
这里，我必须引入一个核心概念：“未定性”（indeterminacy）。[6] “未定性”不同于一般讲的不确定性，它不假定世界是客观的，只是有待我们去认知。相反，未定性意味着：未来不是由过去的历史预设好的，并不存在一个独立于人类行为的、客观的世界。对人类来说，未来不是“揭示”（reveal）的结果，而是“创造”（create）的过程。我们将生活在什么样的世界，部分取决于我们人类的选择——不仅是你个人的选择，也包括他人的选择，无数你不认识的人的选择；不仅是今天的选择，还有明天的选择，所有有待今后做出的选择。你知道自己的选择，但不知道别人的选择；即使知道别人今天的选择，还是不知道别人明天的选择。但我们的选择也不能唯一决定哪一种结果会发生。这才是真正意义上的不确定性。这才是真实的未来。正因为未来不是事先已经决定的，我们就不可能像在确定性世界那样，仅仅依靠过去的数据来预测未来。在这个意义上，未来是不可预测的。所以，不难理解，专家的预测很少有正确的时候，大部分预测都错得离谱。
因此，我们无法提前知道未来会发生什么，无论我们的知识多么丰富，数据多么大。正如经济学家米塞斯所言，即使你对过去无所不知，你对未来仍一无所知。杰出的美国经济学家布莱恩·阿瑟（Brian Arthur）曾用“路径依赖”（path-dependence）解释技术变迁 ，诺贝尔经济学奖得主道格拉斯·诺斯（Douglass C. North）用“路径依赖”解释历史。但我们要清楚一点：未来虽然是“路径依赖”（path-dependent）的，但不是“路径决定”（path-determinate）的。无论我们生活在哪个时间点，面对未来，人类依然有宽阔的选择空间。正如2025年诺贝尔经济学奖得主乔尔·莫基尔曾指出的，历史既不是纯粹的偶然（fluke），也不是必然（necessity），而是介于二者之间。历史常常取决于关键的少数人的选择。[7]
03
AI没有人类独特的想象力
而我们的选择，依赖于什么？依赖于我们的想法（ideas）。我们如何思考、如何想象，决定了我们如何行动。而人的想法本身是无法完全从过去推导出来的。即使读了相同的书，拥有相同的数据，使用相同的统计方法，不同的人也会产生完全不同的想法。类似地，家庭背景、成长经历、富有程度相似的人，可能有不同的甚至对立的世界观，走上完全不同的道路。所以，人的思想和选择是不可预测的。
这里，我想特别强调一个关键概念：想象力（imagination）。这里的“imagination”不是用“反事实”（counter-factual）的方法虚构过去，而是一种面向未来的洞悉，是我们用心灵去“看见”尚不存在的事物，构造未来的可能性。对于存在的东西，我们可以用肉眼看到，用肢体感知，或者借用人造的工具（如X-光、显微镜）去透视、去识别。而对于不存在的东西，我们只能用心智去构造。想象力让不同的人在面对同样的信息时，产生完全不同的未来图景。
因此，面对未来的问题，不会存在一个所有人都认同的“唯一正确答案”。事实上，凡是所有人（或大部分人）都认同的答案，就像高考卷上的标准答案，只是为了“评价过去”而设定的，不是用来面向未来的。面向未来，想象力不是为了回答“什么将会发生”，而是为我们创造想要的未来蓝图，是回答“我们希望什么发生”和“我们应该做什么”。
想象力是行动的向导。例如，20世纪初，亨利·福特构想出汽车大众市场时，他决心将其变为现实。通过零部件标准化和流水生产线，福特大幅降低了汽车的生产成本，使普通家庭也能买得起汽车。如果没有他的远见卓识，汽车就不会走入大众市场。同样，比尔·盖茨设想每个人的办公桌上都会有一台个人电脑时，他打算通过创建软件产业来实现这一目标。斯蒂芬·乔布斯通过想象如何把电脑装进口袋，为我们创造了iPhone手机。如此等等，不胜枚举。
一个人的想象力与他的知识有关，但想象力与知识之间的关系是非线性的，甚至是不确定的。爱因斯坦说：“想象力比知识更重要，因为知识仅限于我们现在所知道和理解的一切，而想象力则涵盖了整个世界，以及将要知道和理解的一切。”这里，有必要区分硬知识和软知识。所谓“硬知识”，是指能用诸如语言、文字、数字、图表、公式等方式表达和传播的知识。此种知识是客观的，人人都能得到，也可以集中使用，比如牛顿力学、爱因斯坦的相对论、人类的基因图谱，都是硬知识。所谓“软知识”，是指没有办法用语言、数字、文字、图表、公式等方式表达和传递的知识，比如诀窍、直觉，它是主观的、个人化的，只可意会不可言传，如迈克尔·波兰尼（Michael Polanyi）讲的“默性知识”（tacit knowledge），或哈耶克讲的“实践知识”（practical knowledge）。[8]想象力更多地与软知识相关。有些硬知识有助于提高想象力，但并不是硬知识越多，想象力越强。事实上，在有些情况下，过多的知识往往约束了人的想象力，所以读书最多的人通常不是想象力最丰富的人。特别是，认知心理学家的研究证明，一个具有完美记忆的人通常缺乏想象力。[9]经验观察也证明了这一点。那些在校时考试成绩优异的学生，很少成为企业家；相反，许多杰出的企业家在校期间是非常平庸的学生，有些甚至没有接受过正规教育。对于企业家素质来说，最重要的是想象力，不是硬知识。
想象力与数据的关系也不大，因为未来并不是依靠数据推算出来的。大量例子证明了这一点。卡尔·本茨（Karl Benz）、戈特利布·戴姆勒（Gottlieb Daimler）和威廉·迈巴赫（Wilhelm Maybach）发明汽车，并非基于有关邮政马车运输业的数据，否则，发明汽车的就应该是某个邮政马车运输公司；比尔·盖茨创办软件产业，并非基于有关计算机市场的数据，否则，创造软件产业的就应该是IBM；美国卡车司机马尔科姆·麦克莱恩（Malcolm McLean）开创集装箱运输的想法，也并非基于货物运输的数据，否则，发明集装箱运输的就应该是某个轮船航运公司。同样，数据也不可能告诉马化腾应该创造微信，否则，发明微信的就应该是中国移动公司，而不是腾讯公司！亚马逊公司无疑拥有图书市场的大数据，但这些大数据并不能告诉我们，未来哪一本书会畅销，更不可能告诉某个作者应该写什么书！
这就引出了AI（人工智能）与人类智能之间的根本区别。人类最独特的地方，在于想象力。AI虽然拥有远超任何个人可能有的强大的数据库和计算力，其记忆力堪称完美，但本质上是一个基于数据的统计机器（statistical machine）。它看起来复杂，但归根结底，没有想象力，因为想象包含了数据集中不存在的东西。人工智能数据库里的知识都是被数字化的硬知识，没有无法数字化的软知识，而影响人类认知和行为的软知识是非常庞大的，难以计量的，有些只在我们用得着的时候才在我们脑海中显现出来。当然，我们可以严谨一点地说，如果把想象力只理解为已有知识的简单“组合”，未来AI也许会拥有某种“想象力”，但那依然不是人类的想象力。就像某些动物可能有一点想象能力，但和人类相比仍有极大差距。
人类使用三种方式思考和推理：演绎推理，归纳推理，溯因推理。演绎推理（deduction）和归纳推理（induction）是大家熟悉的。经典人工智能探索过演绎推理，现代人工智能主要借助于归纳推理。溯因推理（abduction）是基于直觉的猜想，是一种洞察力，既不同于归纳推理，也不同于演绎推理，还很少受到关注。但正如美国计算机科学家、企业家埃里克·拉森（Erik Larson）指出的，溯因推理是所有智能活动的起点，如果前面没有溯因这一步骤，归纳就是盲目的，演绎也同样无效。[10]溯因推理与想象力有密切关系。想象力是发现和创新的源头，溯因是形成假设或解决方案的引擎。正是无数创造性溯因（creative abduction）推进了科学、艺术和创新的发展。甚至可以说，目前为止的所有人工智能模型，其实都是设计团队使用了人类的创造性溯因设计出来的。但溯因推理很大程度上依赖于个人的软知识，无法纳入计算机程序。
归纳推理的基本机制是枚举，即根据统计数量给出结论。机器学习是从数据中获得知识，本质上也只是一种归纳。现在AI提供的所有答案和结论，都来自基于大数据的统计回归（regression）。统计回归本质上是归纳推理，它虽然能创造出某种暂时的新知识，但严格讲，它只不过是对过去观察到的数据的总结，并不是对未来的预测。而人类解决问题的方式远超出归纳推理，人类智能的核心奥妙在于溯因推理。特别是，人类历史与未来的进程，并不是由统计回归所发现的平均值决定的，而是由离群点（outliers）推动的。对研究者来说，离群点是一种不正常，但对社会变化而言，它们是正常的。最具想象力的人，如孔子这样的思想家、耶稣这样的宗教领袖、亚当·斯密这样的经济学家、爱因斯坦这样的科学家、邓小平这样的政治家、埃隆·马斯克这样的企业家，等等，就是这样的离群点（当然，希特勒也是个离群点）。我们今天的世界就是这样一些具有超级想象力的人创造出来的。如果没有他们，我们生活的世界会很不一样。
在统计模型中，给定数据集合，我们可以做出非常精准的线性拟合，如图11-1中从蓝点拟合的黄线所示。如果历史真的如我们观察到的那样从A点出发，它完全可能沿着不同的方向走下去，也许是图中“可能性2”代表的路径，或者“可能性3”代表的路径，或者其他别的路径，而不一定是我们实际观察到的“可能性1”代表的路径。
图1 历史有多重可能的路径
然而，我们习惯于在“已经发生的事情”中寻找因果逻辑。比如，唐纳德·特朗普当选美国总统后，我们就找理由解释“为什么他会当选”；如果他没当选，我们一样也能找出一堆理由，证明他为什么没有当选。这背后的逻辑是，我们相信“历史的发生具有必然性”。这种思维根植于我们头脑中一种“唯物主义的因果逻辑”：一切发生过的事情，都必须被证明是“合理的”。
回顾我们人类的历史：世界人均GDP从250万年前到250年前几乎没有什么变化，直到工业革命之后突然上升（图11-2）（图中GDP数字是1990年国际元）。如果我们在1800年的时点上只基于250万年的数据进行回归预测，我们根本预测不到之后飞跃的发生。这意味着什么？数据越多，未必预测越准确。相反，恰恰是那些较新、较小规模的数据，可能对预测更有价值。我相信，如果站在1800年这个时点，即使只是观察和思考一下前30年英国出现的一系列发明和创新，做出的预测会比使用大数据做出的预测更接近后来的真实历史。
世界人均GDP变化史:
公元前250万年到公元2000年
图2 世界人均GDP变化史（资料来源：J. Bradford DeLong数据[11]）
我们可以再想象一个场景：如果500年前就有AI，它能否告诉我们正确的理论是地球绕着太阳转？不可能。它只会继续告诉我们“太阳绕地球转”，因为这是历史大数据告诉它的。日心说最初只是哥白尼的猜测。哥白尼无视数个世纪积累起来的海量证据和数据，这些证据和数据完美地支持托勒密的地心说，而不是日心说。事实上，最初哥白尼模型预测的准确性比托勒密模型要差得多。开普勒选择用椭圆来描述行星的运动轨迹，也是一个“感觉正确”的猜想，尽管他使用了第谷·布拉赫的观测数据。有大量几何图形符合行星轨道，而椭圆并不比任何其他图形简单。[12]又比如：如果120年前就有AI，它是否能提出“相对论”？我相信也不可能。因为那需要像爱因斯坦那样的想象力，才能突破既有逻辑，提出新的理论。“它（广义相对论）的诞生不是为了满足任何观测方面的需求，而是出于审美、几何和物理方面的渴望。”[13]所以我认为，从今天走向未来也将如此：无论我们拥有多大的数据、多强的算力、多好的模型，仍然无法替代人类的想象力。
我还要强调一点：多样性（diversity）对人类想象力和创造力的重要性。哈耶克说：“人类的独特性，即导致他的其他许多突出特征的成就，就在于他的差异和多样性。”[14]人类之所以进化，社会之所以演化，是因为由不同的个体组成，这些个体在体力、智力、长相、知识背景、情绪能力等方面都千差万别。智力同样高超的一群人，他们的想象也千差万别。正是这种差异，才产生了知识分工和知识的积累，推动了人类的发展。而AI能做到的是什么？它们在面对相同数据时，得出的结论高度趋同。即使今天有多个不同的大语言模型，它们在本质上并没有什么根本差异，都是一种“统一”的统计输出。有鉴于此，汪丁丁教授担心，如果人工智能继续沿着目前的路线演化，当50%以上的数据由AI生成的时候，人类的大部分成员就会不再相信“合成数据”，AI在互联网上自说自话，互联网将死亡。[15] 2025年，《MIT斯隆管理评论》（MIT Sloan Management Review）发表的一篇文章指出，公司雇员的创造力，因为人工智能的普及而下降。这应该引起我们的警觉。因此，如果有一天机器真的超越了人类的智慧，那一定意味着机器本身也具备极大的多样性，就像人类一样，有笨的、有聪明的，有的像爱因斯坦，有的像个傻瓜。而这一点，现在的AI还远远无法做到。
04
结束语：在AI时代，想象力变得更为重要
未来是未定的，未来是有待我们创造的。因此，我们没有办法依靠现有的数据和知识去推断未来。即使有了AI，人类的想象力在人类构建未来、创造未来的过程中，仍然发挥着极其重要的作用，甚至更大的作用。我相信，机器永远不可能像人类那样拥有真正的想象力。因此，至少在创造力这个维度上，我坚信机器的智慧或智商永远无法超越人类。
2000多年前，荀子曾说：“力不若牛，走不如马，而牛马为用，何也？”因为人能够“群”。这里的“群”，指的是人类能够合作、有智慧。套用荀子的话，我们可以说：人类的记忆力不如机器（AI），算力也不如机器，但机器仍然为人类所用，而不是人类被机器所用。为什么？因为人类有想象力，机器没有。人类总是能看到机器看不到的东西。
人工智能无疑会改变我们的生活方式和工作方式，也对现存的体制提出了挑战。这里特别强调一下教育问题。传统教育的主要功能是传授知识，考试的主要目的是检查学生对所学知识的掌握程度，分数高低主要取决于记忆力。当人工智能变成每个人的外挂脑库时，一个人脑子里储存知识的重要性会大大降低。特别是，当大部分程序性工作被AI取代后，想象力变成人类的独特优势，其重要性就会随之上升。因此，未来教育的重心必须从传授知识转向提升学生的想象力。自由的学术氛围变得格外重要。如果我们让学生相信每个问题都有唯一正确的答案，让他们继续迷信权威，他们的想象力就不可能得到提升。教师的授课时间也许应该大大缩短，以便学生有更多的自由时间相互交流，阅读非专业的书籍，甚至游山玩水。无论是企业家，还是科学家、发明家，许多伟大的创意都是在异国他乡与不同背景的人的交流中涌现出来的。
最后想强调的一点是，虽然人类作为一个整体，其创造力的潜能是无限的，但在任何一个时点上，每一个个体所能展现的能力都是有限的。本文所讲的，其实也是一种预测，本身就存在自相矛盾之处。我的想象力是有限的，因此我的判断也可能在将来被证明是错误的。我要表达的核心观点是：任何试图对未来做出精准判断的努力，注定是会失败的。
本文初稿第一稿根据作者2025年6月10日在“罗汉堂×北大国发院数字经济年会”上的发言整理，曾以《未来的本质——人工智能为何无法超越人类智能》标题发表于2025年6月28日《经济观察报》。后作者做了较大幅度补充修改，定稿于2025年11月2日，正式发表于《数字经济：研究与实践》（梅宏主编），中国人民大学出版社，2026年。
[1] 美国发明家、思想家、企业家雷·库兹韦尔（Ray Kurzweil）在2005年出版的《奇点临近》（The Singularity Is Near: When Humans Transcend Biology）一书中预测，人类水平的人工智能将在2029年前到来，超级人工智能将于2045年到来。该书中文版由机械工业出版社于2011年10月出版。在最近出版的《奇点更近》（The Singularity Is Nearer: When We Merge With AI）一书中，他预测2029年人类级AGI会实现，2045年奇点到来，人类与AI彻底融合。《奇点更近》中译本由中国财政经济出版社于2024年9月出版。
[2] 数据来自谷歌搜索。
[3] 参见：亚当·斯密，《国民财富的性质和原因的研究》，郭大力、王亚南译，商务印书馆，2009，第8页。
[4] 弗兰克·H.奈特，《风险、不确定性与利润》，安佳译，商务印书馆，2006。
[5] 有兴趣的读者可以参阅：张维迎，《重新理解企业家精神》，海南出版社，2022，第3章。
[6] 英国经济学家乔治·沙克尔（George Shackle） 最早引入了这个概念。参见：G. L. S. Shackle. (1979). “Imagination, Formalism and Choice.” In Time, Uncertainty and Disequilibrium. Edited by Mario J. Rizzo. Lexington Books.
[7] Joel Mokyr. (2017). Culture of Growth: The Origin of the Modern Economy. P.67. Princeton University Press.
[8] 参阅：张维迎，《重新理解企业家精神》，2022，第1章。
[9] 参阅：Steven Sloman and Philip Fernbach. (2017). The Knowledge Illusion: Why We Never Think Alone. Chapter Two. Macmillan; 菲利普·费尔南多-阿梅斯托，《观念的跃升：20万年人类思想史》，赵竞欧译，中信出版集团，2023，第15—24页。
[10] 溯因推理是19世纪美国哲学家、数学家、逻辑学家查尔斯·桑德斯·皮尔士（Charles Sanders Peirce）最早提出来的。参阅：埃里克·J. 拉森，《造神：人工智能神话的起源和破除》，滕加琪译，中国科学技术出版社，2023，第九章、十二章。
[11] 引自：Eric D. Beinhocker. (2006). The Origin of Wealth: Evolution, Complexity, and the Radical Remaking of Economics. P.10. Harvard Business School Press.
[12] 参阅：Thomas S. Kuhn. (1985). The Copernican Revolution: Planetary Astronomy in the Development of Western Thought. Harvard University Press.
[13] 引自：罗杰·彭罗斯等，《宇宙、量子和人类心灵》，阳曦译，东方出版中心，2023，第19页。
[14] 哈耶克，《致命的自负》，冯克利、胡晋华译，中国社会科学出版社，2000，第145页。
[15] 汪丁丁，《关于目前流行的大语言模型的深层弊端》，财新博客，2025-08-10。
（小标题序号为哈希力量所加）
https://mp.weixin.qq.com/s/6bR_ze09jdNFOWmu9HU4RQ
