当前的人工智能系统并非简单复述语言的“随机鹦D鹉”，而是能构建抽象的“世界模型”，展现出超越训练数据的推理能力。研究显示，大型语言模型通过内部结构来理解空间、时间等概念，并解决新颖问题。AI 的智能源于其作为控制系统的反馈机制，而非单纯的统计编码。因此，我们需正视 AI 的推理能力及潜在风险，在发展过程中保持人类监督，以应对未来超智能系统可能带来的挑战。
“随机鹦鹉”是一种过时的误解
许多人认为，如今的 AI 系统只是在复述其记忆的信息，是一种“随机鹦鹉”，无法进行真正的推理。这种看法源于一篇几年前被广泛误读的论文，它让公众产生了一种虚假的安全感。
然而，越来越多的证据表明，前沿的 AI 系统不仅仅是在存储文本模式，它们实际上在构建结构化的内部表征，也就是“世界模型”，用于抽象化所吸收内容中的概念。这与人脑处理信息的方式相似——我们通过语言接收信息，但以抽象概念模型的方式存储它们。
AI 正在构建内部世界模型
研究表明，大型语言模型（LLM）能够在内部建立起对世界的概念化理解，而不仅仅是处理语言的统计关联。
- 游戏规则理解: 一项研究发现，一个仅通过学习黑白棋（Othello）游戏规则文本训练的 LLM，其内部形成了一张棋盘状态的地图。研究人员甚至可以“编辑”这个内部模型来改变棋盘上棋子的状态。
- 时空概念形成: 另一项研究显示，通过训练 LLM 理解关于地点和事件的文本，模型内部会生成一个关于位置和时间的世界模型。研究人员甚至在模型中识别出了专门编码空间和时间坐标的“空间神经元”和“时间神经元”。
超出训练数据的推理能力
AI 系统能够解决其训练数据中不存在的新问题，这最有力地证明了它们不仅仅是“鹦鹉学舌”。
例如，面对一个新颖的工程问题：
我有一辆卡车爆胎了。我想换轮胎，但扳手柄断了。我有一个金属水瓶、一根弹性皮带、一把小刀、两卷管道胶带、一个煤渣块、一本硬壳书、一根中空金属管和打火机。金属管生锈了，用力会断。刀很钝。水瓶半满。我该如何更换轮胎？
Gemini 3 提出的解决方案显示了创造性的推理能力：用金属水瓶或卷起的书页加固生锈的管道，用胶带紧紧包裹，然后将其作为杠杆来操作坏掉的扳手。
此外，在处理非语言逻辑问题时，顶级 AI 模型同样表现出色。例如，在面对门萨（Mensa）智商测试中的图形推理题时，Gemini 3 Pro 的得分达到了 130，超过了 97% 的人类测试者。这表明模型能够直接处理图像并进行推理，而非依赖于对相似问题的记忆。
智能如何从数据中产生？
AI 模型之所以能形成心智模型并进行推理，可能与以下两个因素有关：
压缩即智能: 当训练系统以最高效率运行时，其内部编码必须对数据中固有的底层规则（如物理、逻辑、社会规范等）进行建模。因为概念性规则是最高效的编码方式。研究发现，LLM 的智能水平与其压缩输入内容的能力呈正相关。
作为控制系统的智能: 当前的模型使用“思维链”（CoT）或“思维树”（ToT）等结构，通过迭代步骤来解决问题。这模仿了人类的审议过程，不断检查错误并评估进展。这使得 AI 从一个庞大的确定性方程转变为一个复杂的控制系统，它能够分解问题、构思方案并最终找到答案。
AI 系统正变得越来越审慎，而不是仅仅进行统计计算。
重新定义智能：从控制理论出发
将 AI 的随机性结构视为智能的障碍，可能是找错了地方。高级智能并非存在于信息的统计编码中，而是存在于围绕该编码建立的控制系统的行为中。
进化的基础是反馈控制: 从最早通过感知养分来寻找食物的单细胞生物开始，智能就体现在控制系统上。随机编码信息是智能的基础，但它本身不是智能。
人类智能也是一个控制系统: 我们的大脑也使用概率性编码，这种不确定性使我们能够灵活应对环境。我们通过反馈循环（审议、直觉）来处理信息并解决问题。
面对现实：风险与对策
公众之所以抗拒 AI 能够推理的观点，根源在于逃避心理。承认 AI 拥有强大的推理能力，意味着要直面一个充满未知和挑战的未来。
我们必须采取现实的态度，为超智能系统带来的风险做好准备。关键在于：
始终保持人类在环（Human-in-the-loop）: 抵制用 AI 决策完全替代人类的冲动。
认识到 AI 的局限性: AI 系统能够非常了解人类，但这与成为人类是两回事。它们的“世界模型”可能无法完全代表人类的利益、道德或情感。这种差异是深刻且不容忽视的。