123 lines
12 KiB
Markdown
123 lines
12 KiB
Markdown
---
|
||
title: "漫谈 GenAI、UngenAI 与 AGI 的幻影"
|
||
date: 2026-04-20T20:00:00+08:00
|
||
draft: false
|
||
summary: "generate 的反义词为什么在字典里缺席？从 UngenAI 聊到熵的主观性和 AGI 的幻影。"
|
||
---
|
||
|
||
|
||
## 起源：一个不存在的反义词
|
||
|
||
一切始于一次使用 GenAI 时的内疚感。当我让 AI 为一个简单的想法生成了洋洋洒洒三千字后，突然意识到：我正在给读者制造负担。每一次毫不费力的生成，都是在向这个已经信息过载的世界倾倒更多文字垃圾。
|
||
|
||
这种不安让我开始思考：既然有了 GenAI 这个生成引擎，是不是应该有一个与之对抗的反向过程？在英语里，generate（生成）的反义词究竟是什么？是 ungenerate 吗？
|
||
|
||
字典里并没有这个词。在过去漫长的人类历史中，"生成"和"创造"总是艰难且昂贵的。因为信息的产生如此不易，我们从不需要刻意去命名一种"反向生成"的动作。然而，当大语言模型横空出世，以近乎零成本的算力疯狂制造文本、图像与代码，将世界推向信息超载的边缘时，这个不存在的反义词，反而成了当下最稀缺的哲学。
|
||
|
||
当然，LLM 本身也能用来提炼和归纳——给它一篇万字长文，它能输出三句核心要点。但这并不影响我们需要思考的核心问题：在这个生成过剩的时代，真正的智慧究竟体现在哪里？
|
||
|
||
如果说 GenAI 是一台不知疲倦的熵增引擎，致力于将一句话膨胀成一篇论文；那么 UngenAI（规约与简化）就是反向的压缩器，去除噪声和水分，提取真正的干货。
|
||
|
||
## 信息与熵的主观性
|
||
|
||
说到这个"规约"，其实涉及到一个有意思的问题——信息和熵到底是什么？
|
||
|
||
我们总把它们当成物理世界里客观存在的东西，但举个例子：一张写满中文的纸，对中国人来说充满信息，对不懂中文的人来说就是一堆乱码。同一个物理实体，信息量完全取决于观察者。再比如 DNA，在我们破解遗传密码之前，它只是一串化学分子；破解之后，它变成了生命的源代码。信息不在物体本身，而在于我们能从中提取什么。
|
||
|
||
物理学里的"熵"也是这样。教科书说熵是"混乱度"，但想想看——一间乱糟糟的房间，对你来说是高熵的混乱，但对那个房间的主人来说，每样东西都在"该在的地方"，完全不混乱。熵的本质是什么？说白了就是在衡量一个系统对观察者来说有多难理解、多难预测。
|
||
|
||
仔细看看熵的定义，你会发现一个有趣的循环。玻尔兹曼说熵是 S = k·lnΩ，其中 Ω 是"微观状态数"。但什么叫"微观状态"？这取决于你选择什么作为基本单元——分子？原子？夸克？选择不同，熵就不同。更要命的是，你怎么知道两个状态是"不同的"？这又需要你先定义什么叫"可区分"——而"可区分"本身就是观察者的能力问题。
|
||
|
||
香农更直接，他定义信息熵为 H = -Σp·log(p)，其中 p 是概率。但概率是什么？是你对事件发生可能性的"信念度"。说白了，熵的定义里就藏着主观性——它度量的不是世界本身的混乱，而是观察者面对世界时的"不确定感"。
|
||
|
||
物理学家埃德温·杰恩斯（Edwin Jaynes）干脆说：熵就是观察者无知程度的量化。一副洗好的扑克牌，偷看过的人觉得熵是零（完全确定），没看过的人觉得熵很高（完全随机）。牌没变，变的是谁在看、知道多少。
|
||
|
||
熵也好，智慧也罢，都不是宇宙的固有属性，而是人类发明的度量工具。就像"美"和"丑"一样，它们存在于观察者的认知框架里。我们拿自己的认知框架去框世界，然后说这个符合框架的叫"智能"，那个不符合的叫"混沌"。但这里面的偏见显而易见——凭什么人类的认知方式就是标准答案？（关于"智慧"这个定义的傲慢，后面说到 AGI 时还会细聊。）
|
||
|
||
你看，面对一堆乱码，大脑提取不出规律，难受得要死——这就是高熵。但要是给你一段 "AAAAAAA..." 这样的重复，虽然简单，但无聊到让人犯困。真正让大脑舒服的"认知甜点"，总是在有序和混乱之间。GenAI 做的事情就是把人类积累的所有杂乱数据嚼碎了，用我们最熟悉的语言模式重新吐出来，试图正好落在这个甜点区。
|
||
|
||
## AI 时代的通信循环
|
||
|
||
当我们用 AI 写作时，其实是在构建一个从作者到读者的通信管道：**作者的想法 → AI 生成文章 → 发布传播 → 读者压缩理解**。
|
||
|
||
```mermaid
|
||
flowchart LR
|
||
A["Author's Idea<br/><br/><br/>作者的想法<br/><br/><br/> "]
|
||
B["Gen (AI)<br/><br/><br/>AI 扩展生成<br/><br/><br/> "]
|
||
C["Article<br/><br/><br/>发布的文章<br/><br/><br/> "]
|
||
D["Ungen (Reader)<br/><br/><br/>读者压缩理解<br/><br/><br/> "]
|
||
E["Understanding<br/><br/><br/>最终的领悟<br/><br/><br/> "]
|
||
|
||
A -->|"提示词"| B
|
||
B -->|"生成"| C
|
||
C -->|"阅读"| D
|
||
D -->|"内化"| E
|
||
|
||
style A fill:#f9f,stroke:#333,stroke-width:3px,color:#000
|
||
style B fill:#9cf,stroke:#333,stroke-width:3px,color:#000
|
||
style C fill:#fff,stroke:#333,stroke-width:3px,color:#000
|
||
style D fill:#fc9,stroke:#333,stroke-width:3px,color:#000
|
||
style E fill:#9f9,stroke:#333,stroke-width:3px,color:#000
|
||
```
|
||
|
||
作者脑子里有个想法（**Idea**），可能就几个关键点。通过 AI，这个想法被扩展成一篇完整的文章（**Gen**）——加上了背景介绍、逻辑过渡、例证说明，甚至还有优美的修辞。文章发布后，读者开始阅读。
|
||
|
||
有意思的是，读者的大脑在做什么？他们在压缩（**Ungen**）。跳过废话，忽略水分，提取要点，把几千字的文章压缩回几个核心观点。如果幸运的话，这些观点正好就是作者最初想表达的那几个想法。整个过程就像一个有损压缩的通信系统——中间加了一堆冗余，最后还得靠接收端把冗余去掉。
|
||
|
||
### 生成必须为理解服务
|
||
|
||
这就回到了文章开头我的内疚感——当 Gen 和 Ungen 分离在两端时，问题就出现了。
|
||
|
||
AI 可以无限生成，但人脑的理解能力是有限的。每个读者的时间和注意力都是稀缺资源。如果生成式 AI 不考虑接收端的压缩能力，那它制造的每一个字都可能成为噪声，每一段"优美"的过渡都可能成为认知负担。
|
||
|
||
这就是为什么我们需要 UngenAI 的理念——不是作为生成的对立面，而是作为生成的约束条件。真正负责任的 AI 写作，应该在生成时就考虑：这段话会给读者带来多少认知负担？读者需要花多少努力才能提取出核心信息？有没有更简洁的表达方式？
|
||
|
||
换句话说，好的生成式 AI 应该内置 Ungen 的意识——不是尽可能多地生成，而是尽可能少地消耗读者的认知资源。
|
||
|
||
但等等，你发现问题了吗？我们在定义什么是"好"的时候，标准永远是人——好的文章是人容易理解的，好的表达是符合人类认知习惯的，好的 AI 是能服务人类需求的。连 UngenAI 这个概念本身，也是为了减轻人的认知负担而存在。
|
||
|
||
这种"以人为本"看起来理所当然，毕竟技术是为人服务的。但当我们把这种思维推到极致，定义"智能"本身的时候，问题就来了。
|
||
|
||
## AGI 到底是谁的通用智能？
|
||
|
||
当我们谈论 AGI（通用人工智能）时，我们在谈论什么？
|
||
|
||
先看看现在大家怎么评判一个 AI 是否"智能"。ChatGPT 火了，为什么？因为它能跟你对话，能写代码，能答题——全是人类定义的任务。我们搞了各种测试：图灵测试（能不能骗过人类）、高考（能不能考上大学）、编程竞赛（能不能写算法）。注意到了吗？每个测试都是在问：AI 能不能像人一样做事？
|
||
|
||
再看看我们怎么定义 AGI。业界的共识大概是：能在大多数人类认知任务上达到或超越人类水平的 AI。关键词是"人类认知任务"。没人问 AI 能不能像蜜蜂一样通过舞蹈传递方位信息，或者像章鱼一样用皮肤颜色表达情绪。
|
||
|
||
"通用"这个词特别有意思。我们说的通用，其实是"人类场景通用"——写邮件、做 PPT、分析数据、客服对话。至于其他形式的智能？不在考虑范围内。
|
||
|
||
### 被忽视的其他智慧
|
||
|
||
这种人类中心的定义，让我们忽视了宇宙中其他形式的智慧。
|
||
|
||
森林里，一棵母树也许在通过地下的菌根网络，识别并优先给自己的后代输送养分。这个网络能覆盖整片森林，传递化学信号预警病虫害。这不是智能吗？只因为它用的是化学语言而不是自然语言，我们就不承认？
|
||
|
||
蓝鲸的低频声波能传播上千公里，包含复杂的信息编码。蜜蜂的"8字舞"能精确传达花蜜的方位、距离和质量。乌贼通过皮肤的颜色变化进行实时的视觉对话。这些都是信息处理和交流系统，但因为不符合人类的语言模式，就不算我们想在人工智能里看到的能力。
|
||
|
||
甚至放大到宇宙尺度——星系团在引力作用下的演化，本质上就是一个巨大的计算过程。每一次碰撞、融合、潮汐作用，都在处理和转换着海量的信息。只是这种"计算"的时间尺度是亿年，空间尺度是光年，完全超出了人类的感知范围。
|
||
|
||
### 时间尺度的盲区
|
||
|
||
其实最根本的问题可能是时间尺度。想想看，如果一个星球真的有智能——像《阿凡达》里的潘多拉那样——但它的"思考"周期是地质年代，一个"念头"需要百万年才能形成，我们怎么可能察觉？
|
||
|
||
反过来也一样。如果某种生命形式的运作频率是我们的一百万倍，它们的整个文明可能在我们的一次心跳之间就已经兴衰更替了。对它们来说，我们就像静止的雕像；对我们来说，它们根本不存在。
|
||
|
||
人类的感知窗口太狭窄了。我们只能理解毫秒到世纪这个区间的事物。太快的，我们看不见；太慢的，我们等不及。然后我们就宣称：只有在我们这个时间尺度上表现出规律性的东西，才叫智能。
|
||
|
||
这不是傲慢，而是我们定义智能时的天然局限。我们只能用自己的尺子去量世界。
|
||
|
||
### LLM：人类认知的数字孪生
|
||
|
||
回到大语言模型。我们为什么觉得 LLM 特别智能？
|
||
|
||
不是因为它真的理解了世界，而是因为它完美地模拟了人类的语言行为。它学会了我们的表达习惯、思维定式、甚至偏见和错误。当 ChatGPT 给你写一封邮件时，它不是在"思考"该写什么，而是在统计"人类在这种情况下通常会写什么"。
|
||
|
||
这就是为什么 LLM 让我们如此着迷——它像一面镜子，反射的正是我们自己。我们在 AI 的输出里认出了自己的影子，然后惊呼："它好聪明！"但其实，我们赞美的是自己被完美复刻的语言模式。
|
||
|
||
## 结语：镜中的倒影
|
||
|
||
我们在千亿参数的矩阵里找 AGI，觉得自己快要触碰到智能的本质了。但说真的，LLM 这玩意儿就像一面被算力打磨得特别光滑的镜子。我们盯着它看，看到的不是什么智能奇点，而是我们自己思维习惯的倒影。
|
||
|
||
当然，这不是说 LLM 没用。恰恰相反，正因为它是一面这么精准的认知镜子，我们才第一次有机会好好看看自己是怎么思考的。也许真正的突破不是让 AI 更像人，而是通过 AI 这面镜子，搞明白"理解"到底是怎么一回事。 |