去年有段时间，我每天都在两种截然相反的判断之间摇摆。

早上刷到一条新闻：某大模型在律师资格考试中超过了 90% 的考生，配图是一行加粗的「 AI 已经理解法律」。晚上又刷到另一篇：同一个模型数不清「 strawberry 」里有几个 r，结论是「它根本不理解自己在说什么，只是个高级鹦鹉」。

两边都言之凿凿，两边又都好像哪里不对。后来我意识到，问题不在 AI，而在「理解」这个词本身——我们一直在用一把为人类量身定做的尺子，去量一个完全不是人的东西。量出来的所有矛盾，都是尺子的矛盾。

我们以为的「理解」，其实很模糊

先问自己一个问题：你怎么知道一个人「理解」了某件事？

通常的标准是能复述、能举一反三、能解释因果关系、能在新情境里用对。一个学生能把牛顿第二定律讲清楚、能解题、能指出生活里哪些现象符合它，我们就说他「懂了」。

但这套标准有个隐含前提：对方是个人。人有身体，会饿会疼会摔跟头；人有童年，是先学会「东西掉地上会响」再学「重力加速度」的；人的每一个抽象概念，底下都垫着厚厚一层感官经验和生存压力。哲学家管这个叫「具身性」——我们的理解是从身体里长出来的。

大模型没有这些。它没有摔过跤，没有因为说错话而真的失去过什么，它的全部世界就是文本统计出来的概率分布。所以当你用「它有没有人类那种理解」去问它，答案从定义上就只能是「没有」。这不是一个发现，是一个同义反复。

真正有意思的是反过来问：一个没有人类式理解的东西，为什么能在那么多需要「理解」的任务上做得这么好？

预测下一个词，逼出了某种「世界模型」

大模型的训练目标朴素得近乎可笑：给定前面的词，猜下一个词。就这一个目标，重复几万亿次。

但你想真正做好这件事，光背句式是不够的。「他把杯子碰到地上，杯子__」，要填对「碎了」，你得知道杯子是易碎的、掉落通常导致破碎、这是物理常识而非语言巧合。当文本量足够大、模型容量足够大，提升预测准确率的唯一办法，是在内部压缩出关于世界如何运转的某种表征——不是语言的游戏，是语言背后那个世界的影子。

这就是争议的核心。 Ilya Sutskever 认为这种压缩就是一种学习到的世界模型；Yann LeCun 则认为纯文本永远到不了真正的理解，只是统计幻象。坦白说，这场争论到现在也没有被实验终结。

但有一个观察对使用者更重要：无论内部是不是「真的」理解，它在外部行为上呈现出一种有边界的可靠。 在它训练分布覆盖得好的地方——主流语言、常见知识、教科书式的推理——它表现得像懂了；一旦滑出分布边缘——冷门事实、需要真实感官校验的问题、它没见过结构的新型谜题——那种「懂」会毫无预警地塌掉，而且塌的时候它不会告诉你。

数 strawberry 里的 r 就是这种塌方的典型。不是因为它笨，而是因为「数一个单词里的字母」这个动作，在文本世界里几乎没有以那种原子化的方式被描述过——它不在分布里。

为什么「不懂」反而更好用

讲到这里，通常的结论会是「所以我们要警惕 AI 」。但我想说的是另一面：正因为它没有人类那种融为一体的理解，它在某些地方反而比人更好用。

人的理解和人的偏见、情绪、自尊、疲惫是长在一起的，分不开。你让一个专家评审他自己领域的提案，他很难不被「这跟我二十年前的想法一不一样」影响；你让一个人深夜改方案，他的判断力就是会打折扣。

模型没有这些包袱。它不会因为一个想法挑战了它的职业身份而本能抗拒，不会在第三次让你重写时感到不耐烦，不会因为你是新手就敷衍、是权威就附和。它的「不理解」里包含了一种奇怪的公平：它对每一个提示词都同样陌生、同样没有预设的立场。

这就引出一个我觉得更实用的使用姿势——别把它当成一个「懂了你的意图所以会对结果负责」的同事，把它当成一台边界清晰但能力偏科的仪器。 仪器不会理解你为什么做这个实验，但只要你清楚它的量程和误差来源，它就是可靠的。

三个我自己的使用原则

想清楚上面这些之后，我用 AI 的方式变了。三条原则，都是从「它有边界的可靠」这个事实推出来的。

第一，用它放大判断，不用它替代判断。 凡是「对错我能快速验证」的事，放心交给它：改写、翻译、起多个方案让我挑、给代码找 bug 、把啰嗦的话压缩。凡是「对错我一时验证不了」的事——一个我没接触过的医学建议、一段我不熟悉的法律条文——它给的东西我只能当线索，不能当结论。区分这两类事，比争论它懂不懂重要得多。

第二，默认它不知道，而不是默认它知道。 人的默认是反的：我们跟人说话时假设对方有常识。对模型要把这个假设关掉，把关键背景、约束、「不要做什么」都写进提示里。很多「 AI 不好用」的抱怨，其实是我们把对同类的默契，错付给了一个没有默契的对象。

第三，把它当镜子用。 它训练在整个人类的文本上，所以你问它一个问题，得到的往往是最典型、最可能的那种回答——这本身就是信息。当它的回答让我觉得「太平了」「像标准答案」，那通常是在提醒我：这个问题我问得太普通了，真正的答案在分布之外，得我自己去找。

结尾：换个问法

「 AI 到底有没有理解」这个问题，我猜还会吵很多年，而且它可能根本就没有一个是非答案——它取决于你愿意把「理解」的定义放宽到什么程度。

但作为每天要用它的人，我发现自己越来越不关心这个哲学问题了。我更关心的是另一个：这一台没有理解、却能在边界内稳定地产出「像是理解了」的结果的机器，我有没有搞清楚它的边界在哪里？

搞清楚边界，比争论灵魂，有用得多。