在办公室水 cooler 的闲聊中，常有人脱口而出：“我用 ChatGPT 看 Q3 报告，结果很失望——这根本不是人工智能，就是个搜索加摘要工具。” 这种说法虽常见，却误解了当前 AI 的本质。 我们常把“人工智能”想象成科幻电影里的超级智能，如《终结者》的天网或《沙丘》中的毁灭性 AI。可现实远非如此。今天的人工智能，尤其是大语言模型（LLM），并不具备真正的“思考”或“理解”能力。它们不是在“推理”，而是在“模仿”——基于海量文本中学习到的统计模式，预测下一个最可能的词。 这种运作方式，本质上属于归纳推理（inductive reasoning），正如心理学家丹尼尔·卡尼曼所说的“系统1”：从具体观察出发，归纳出一般结论。比如“太阳每天升起，所以明天也会升起”——这听起来合理，但并非必然，因为它依赖于一个未被证实的假设：过去的经验会延续到未来。这种推理天然带有不确定性，容易受偏差影响。 相比之下，演绎推理（deductive reasoning）才是“系统2”的逻辑：从普遍前提出发，得出确定结论。比如“所有人都是会死的，苏格拉底是人，所以苏格拉底会死”——只要前提成立，结论必然成立。这是确定性的、可复现的。 但大语言模型做不到这一点。它们无法真正“推理”，即便输出看似逻辑严密的步骤（如“让我们一步步思考”），也只是一种提示工程（prompting）技巧，即“链式思维”（Chain of Thought, CoT）。CoT 通过引导模型分步生成答案，降低单次错误风险，提升输出质量。但本质仍是基于模式的预测，而非真正的逻辑推导。模型生成的“推理”可能听起来合理，实则可能完全错误，甚至编造事实。 更关键的是，LLM 处理的不是“已知知识”，而是“可能的模式”。面对从未出现过的组合，它不是“知道”答案，而是“猜”出最可能的表达。这就像用有限的拼图块去还原一幅无限可能的图像——拼得像，不代表真实。 因此，我们应清醒认识到：当前 AI 并非“思考”，而是“模拟思考”。它擅长生成流畅、连贯、看似合理的文本，却无法保证真实性或逻辑正确性。与其期待它成为“超级智能”，不如把它当作一个强大的语言模式匹配工具——高效、聪明，但仍有局限。 理解这一点，才能避免过高期待，合理使用 AI，真正发挥其价值。