Nature重磅：AI和人腦的根本區(qū)別找到了，我們對“聰明”的理解可能全錯了

算泥社區(qū)是集 “AI 大模型開發(fā)服務(wù) + 算法 + 算力” 于一體的開源生態(tài)社區(qū)，歡迎關(guān)注！

一篇發(fā)表在2025年《自然·機器智能》（Nature Machine Intelligence）上的研究，像一顆深水炸彈，炸開了人工智能和人類認知之間最深的那道墻。

這篇由二十多位國際頂尖專家聯(lián)手的研究，它告訴我們，AI和人類在“泛化能力”上，壓根就不是一回事。

什么叫泛化能力？說白了，就是舉一反三、活學(xué)活用的本事。

你給一個小孩看幾把椅子，他就能認識世界上所有的椅子，甚至能把一個沒見過的墩子也叫“椅子”，因為他理解了“椅子是用來坐的”這個抽象概念。

AI呢？你給它看一百萬張椅子的照片，它能以極高的精度認出第一百萬零一張椅子。但如果這張椅子是一個沒見過的墩子，它可能就懵了。

咱們聊的不是一回事

研究牽頭人之一，Benjamin Paassen教授一針見血地指出：“‘泛化’對AI和人類來說，意味著完全不同的事情”。

這就是問題的核心。

人類的泛化，走的是一條“抽象”的路。我們看世界，會自動忽略掉那些不重要的細節(jié)，比如椅子的顏色、材質(zhì)、高矮，然后抓住最本質(zhì)的特征——“有個平面能支撐屁股”。這個過程，是概念思維。我們的大腦里形成了一個關(guān)于“椅子”的靈活框架，可以套用在任何新事物上。

AI的泛化，走的是一條“統(tǒng)計”的路。它沒有“概念”，只有“模式”。在它眼里，椅子不是一個功能性的東西，而是一堆像素點的特定組合。它通過學(xué)習(xí)海量數(shù)據(jù)，記住哪些像素組合最可能被標記為“椅子”。這更像是暴力破解，而不是真正的理解。

所以，人類的學(xué)習(xí)是高效的。一個概念，看幾個例子就通了。

AI的學(xué)習(xí)是笨重的。一個概念，需要成千上萬，甚至數(shù)百萬個數(shù)據(jù)樣本去喂養(yǎng)，才能勉強“記住”模式。

這就引出了一個更深層的問題：大腦和算法的底層邏輯，到底有什么不同？

一個靈活一個死板

我們的大腦里，有個叫“前額葉皮層”的地方，它就像一個總指揮官，負責認知靈活性。當老辦法行不通時，它會立刻跳出來，抑制住你的習(xí)慣性動作，讓你嘗試新的解決方案。那些前額葉受損的病人，做日常老一套的事情沒問題，但凡需要一點創(chuàng)新或適應(yīng)新規(guī)則，就抓瞎了。

大腦還有一套非常聰明的“雙過程系統(tǒng)”。

系統(tǒng)1，是直覺系統(tǒng)，快、自動、不費腦子，憑感覺走。比如你一眼認出朋友，或者開車時下意識地踩剎車。

系統(tǒng)2，是分析系統(tǒng)，慢、刻意、非常費勁，負責邏輯推理。比如你做一道復(fù)雜的數(shù)學(xué)題，或者規(guī)劃一次長途旅行。

人類牛就牛在，我們能在這兩個系統(tǒng)之間無縫切換，根據(jù)情況決定是“憑感覺”還是“過腦子”。

AI系統(tǒng)呢？它基本上只有一個“系統(tǒng)1”，而且還是個固化版的。它的模型在訓(xùn)練好之后，參數(shù)就基本固定了，形成一個固定的解決方案。遇到新問題，它不會靈活切換策略，最多就是在原有模式里找一個最像的答案。想讓它真正適應(yīng)，唯一的辦法就是“回爐重造”——用新的數(shù)據(jù)重新訓(xùn)練一遍。

這種底層架構(gòu)的差異，直接導(dǎo)致了性能上的天壤之別。

AI與人類PK

看看下面這張表，AI和人類在幾個關(guān)鍵任務(wù)上的表現(xiàn)，差異一目了然。

表1：AI與人類在不同任務(wù)上的性能對比

你看，在規(guī)則明確、環(huán)境可控的場景下，AI是神。比如自動駕駛，谷歌的Waymo系統(tǒng)在特定條件下，能把嚴重傷害事故減少91%，比人類司機穩(wěn)多了。

可一旦環(huán)境變得復(fù)雜多變，AI就立刻“拉胯”。比如語音識別，在安靜的實驗室里，AI的錯誤率可能極低，可一到嘈雜的馬路邊，它的錯誤率能飆升到50%以上，連話都聽不清了。人類卻沒這個問題，我們在菜市場照樣能聊天。

為什么？因為AI的泛化是“域內(nèi)”的，它只能處理和訓(xùn)練數(shù)據(jù)分布相似的情況。一旦遇到“域外”（Out-of-Domain）的情況，比如沒見過的口音、突如其來的噪音，它的性能就會斷崖式下跌。

這背后的機制差異，下面這張表總結(jié)得更清楚。

表2：AI與人類泛化機制對比

AI是個偏科嚴重的“天才書呆子”，在它擅長的領(lǐng)域能碾壓人類，但綜合素質(zhì)和適應(yīng)能力被人類吊打。

為了更精確地量化這種差異，我們還可以看一些更硬核的技術(shù)參數(shù)。

表3：AI系統(tǒng)在不同泛化任務(wù)上的性能參數(shù)

再看看人類大腦這個“生物處理器”的性能參數(shù)。

表4：人類認知系統(tǒng)性能參數(shù)

對比這兩張表，你會發(fā)現(xiàn)，AI在算力上是怪物，但在效率、適應(yīng)性和抽象能力上，離人腦還差得遠。

那么，搞清楚這些差異，到底有什么用？

未來是人機協(xié)作，不是誰取代誰

用處太大了。它徹底改變了我們設(shè)計人機協(xié)作系統(tǒng)的思路。

以前，我們總想讓AI變得更像人，甚至取代人。現(xiàn)在我們明白了，這是條死胡同。它們根本就不是一個“物種”。

未來的方向，不是替代，而是互補。

就像一個完美的搭檔，AI負責它擅長的：處理海量數(shù)據(jù)、執(zhí)行重復(fù)性任務(wù)、在規(guī)則明確的領(lǐng)域里做決策。人類則負責我們擅長的：處理模糊和不確定的情況、進行創(chuàng)造性思考、做出涉及倫理和價值觀的判斷。

在醫(yī)療領(lǐng)域，AI可以像個不知疲倦的顯微鏡，在成千上萬張醫(yī)學(xué)影像中標記出可疑的病灶，但最終的診斷和治療方案，必須由醫(yī)生來定奪。因為醫(yī)生不僅看片子，還看病人，他需要結(jié)合病人的情緒、家庭狀況和倫理考量來做決策，這些是AI無法量化的。

在自動駕駛領(lǐng)域，AI可以處理99%的常規(guī)路況，遵守交通規(guī)則比任何人都嚴格。但當遇到一個皮球滾到馬路上，后面可能跟著一個孩子的極端場景時，需要人類的常識和瞬間決斷力來介入。

這種“AI輔助人類”或“人類監(jiān)督AI”的協(xié)作模式，效果驚人。

表5：人機協(xié)作系統(tǒng)性能參數(shù)

數(shù)據(jù)清晰地顯示，當人機形成有效協(xié)作時，無論是速度、準確率還是適應(yīng)性，都遠超任何一方單打獨斗。

這篇《自然·機器智能》的研究，為我們指明了方向。未來的AI發(fā)展，重點不再是單純地刷榜、追求更高的測試分數(shù)，而是要研究如何讓AI更好地理解人類，如何設(shè)計出更透明、更可解釋的系統(tǒng)，讓人類能夠信任并與之高效協(xié)作。

這需要計算機科學(xué)家、認知科學(xué)家、神經(jīng)科學(xué)家甚至人文社科學(xué)者一起努力。

你覺得在你的工作領(lǐng)域，AI應(yīng)該扮演一個什么樣的角色？

參考資料：

https://www.nature.com/articles/s42256-025-01109-4

https://neurosciencenews.com/human-ai-adaption-neuroscience-29689

https://techxplore.com/news/2025-09-machines-struggle-unknown-exploring-gap.html