一支由意大利、斯洛文尼亚和韩国的心理学家、计算机科学家及物理学家组成的团队，在人类与人工智能（AI）之间划定了七道“断层线”。研究人员质疑 AI 到底在多大程度上产生了真正的智能——至少，它是否具备和人类一样形式的智能。以前的统计自然语言处理（NLP）技术主要是检索和排序现有信息，再由人类用户来做判断。如今的生成式 AI 则会直接给出一个流畅、且“看似权威”的答案。作者指出，这两者之间发生了根本性的转变。简而言之，虽然大型语言模型（LLM）生成的内容看起来像是经过了深思熟虑，但其背后的生成机制与人类的认知过程截然不同。
作者强调，人类与 AI 最根本的分歧之一，在于双方使用语言的方式。人类大脑在处理语言时会提取其中的意义，但 AI 并不能像人类这样理解语言。相反，AI 只是在识别那些从人类文本中收集来的统计学规律：“（大语言模型）不关心事情真伪，也不懂因果逻辑；它们只追踪文本中词汇一起出现、相互关联和顺承延续的统计规律。”作者认为，开发人员给模型加上了检索增强生成等各种补充机制。这些机制只是让大语言模型的输出显得更靠谱、更有说服力，但并没有让模型真正学到更多知识。
为了剖析人类与 AI 的差异，作者提出了七条“认知断层线”。这正好对应了人类做出判断时依次经历的七个阶段：
- 事实基础断层：作者指出，人类的判断建立在多层信息之上，比如面部表情、语调和社交暗示。这些信息大语言模型根本接触不到。正因如此，模型往往很难听出反讽或嘲弄等人类特有的表达方式。虽说现在的模型似乎越来越擅长识别这些语气，但这主要归功于更高效的预训练和条件设置，并非因为它们真的“懂”了。
- 信息解析断层：接收到感官和社交信息后，人类在处理信息时，会同时思考其中的含义与该如何回应。我们还会结合文化背景和社会常识，来判断哪些信息最关键。而大语言模型只是把文本信息拆解成“词元（Token）”，然后一门心思去计算这些词元之间的统计学关系。
- 经验断层：人类和模型都会调用已有知识，但机制完全不同。人类靠的是物理常识与心理直觉。我们通过情景记忆回想细节，以此应对新情况。在物理层面，我们能（在一定程度上）感知物体的客观存在、坚硬度、重力以及因果关系；同时，我们通过社会教化、文化熏陶以及过往经验，掌握了各种分类标准、行为模式和社会规范。反观大语言模型，它们依靠的只是统计规律或语言中词汇一起出现的概率。最关键的是，它们没有情景记忆或个人经历，更没有直觉上的物理常识与心理认知。
- 动机断层：人类的行为受情绪、动机和目标驱动；而模型受机械程序的优化算法驱动。基于人类反馈的强化学习确实能微调模型的算法权重，但这并不能赋予它们人类那样的情感与目标感。
- 因果逻辑断层：经历前述步骤后，人类会开始推理。我们会进行推断、整合信息、做反事实假设，并形成符合长期规划的因果解释。而大语言模型只是在拼凑缺乏人类推理过程的文本上下文，它靠的纯粹是“相关性”。
- 元认知断层：为了让推理更严谨，人类会调用“元认知”进行自我评估。我们会考虑不确定性、排查错误、估测自身的把握程度，甚至决定“暂不表态”。这一过程会融入社会与认知规范，权衡社交环境和可能付出的声誉代价。作者指出，大语言模型完全不具备元认知，这也是导致 AI 频发“幻觉”的原因之一。
- 价值观断层：综上所述，人类的推理过程犹如万花筒般丰富。它能融合个人价值观、文化规范、声誉考量和具体目标，并在行动时时刻留心对人际关系与自我身份认同可能造成的后果。而大语言模型生成的，只不过是被训练数据统计结构所驱动的、基于概率与文本的判断。
作者用“epistemia”这个术语，来描述这样一种现象：语言上的合理性，压倒了对事实与认知的评估。这种差异影响深远。如今，人们越来越喜欢向 AI 请教复杂问题，甚至用它来解答私密的心理困惑，这就使得该现象尤为关键。大语言模型（LLM）的输出与人类写作非常相似，正因如此，人们在“跟 AI 聊天”时才会觉得越来越顺畅自然。然而，在表面之下，AI 的底层运作机制与人类截然不同。这项研究指出，就算 AI 模型变得越来越流畅、低级错误越来越少，也不代表它们拥有了和人类一样的推理能力。
参考文献
W·夸特罗乔基、 V·卡普拉罗与 M·佩尔茨（2025）。《人类与人工智能之间的认识论断层》（Epistemological fault lines between human and artificial intelligence）。 arXiv 。 https://doi.org/10.48550/arXiv.2512.19466
编译自 Psychology Today，原文链接：点击阅读。
