超越符号丨AI、直觉与智慧的边界 在海南红树林AI艺术万人展期间，与杨樾老师就"人类符号系统是否构成意识边界"这一话题聊的还是比较开心，这是个老议题，也算常聊常新，有幸遇到有意思的人，就可能能碰撞出意想不到的火花。随后老赵约稿，我原本计划顺着这个话题，系统阐述关于AI与人类智慧主体性的思考，写了几天，却发现自己力不从心——那些零散的顿悟与片段式的洞见，若要形成体系化的论述，仍需时间沉淀。后偶读到杨樾老师的一篇文章，其中"提问是认知边界的探照灯"这一隐喻令我颇受启发。再和杨老师交流时，酣畅之余说道：认知边界的栅栏，终其一生，我们都在努力将它向外扩展，而我更想直接翻越过去瞅瞅... 靠什么翻越呢？ What Do We Rely on to Leap Over? 这段时间也在关注Meta AI公布的视频联合嵌入预测架构（V-JEPA），这是一套无需任何物理先验知识的情况下，仅通过自监督学习视频数据，展现了对物理规律的直觉理解，就能够准确判断出符合物理定律的视频和违反物理定律的视频。Meta的V-JEPA研究或许提供了一个答案：智慧能否绕过语言符号，通过直接感知形成？如果可以，这是否意味着智慧的边界比我们以往认知的更为广阔？ 因为这套架构与传统依赖硬编码规则或像素重建的生成模型不同，用专业术语描述：V-JEPA采用了一种全新的方法——在抽象表征空间中预测视频的未来状态。模型通过视觉Transformer编码器提取视频特征，再通过预测器推演遮蔽部分的表征，并用预测误差（即“惊讶度”）判断场景是否符合物理预期。 换人话说，V-JEPA通过观看视频，“猜”下一秒会发生什么，通过猜测出的判断，再和实际发生的比对，并将“猜错程度”的“惊讶值”作为学习的依据。这种机制不需要任何外部指导，仅靠自监督的方式，就能从杂乱无章的数据中提炼出一套对世界动态的抽象理解。 这种方法让我联想到杨立昆长期推崇的“世界模型”理念：AI 应当通过预测而非模仿来理解世界。 非符号的感知：V-JEPA的启示 Non-Symbolic Perception: The Inspiration of V-JEPA V-JEPA研究为我们提供了一个思考智慧本质的新视角。这一技术通过观察视频数据并在表征空间中预测未来，展现了对物理规律的洞察：物体的永恒性、连续性、形状恒常性，甚至重力和惯性等基本属性，都能被AI系统捕捉和预测。令人惊讶的是，这种能力并非基于逻辑推理或语言符号，而是直接从视觉感知中涌现出来的。 这种现象引发了一个根本性问题，直觉是否是智慧的必要组成部分？V-JEPA所展示的"类直觉"能力让我们联想到婴儿的认知发展——在尚未掌握语言之前，他们已经对物理世界展现出基本的理解。这种"前语言"的感知能力是否正是智慧的原初形态？ 然而，V-JEPA的局限性同样耐人寻味。当涉及复杂场景交互（如碰撞细节）或物体遮挡时，模型的表现显著下降。这种"缺陷"恰恰让V-JEPA更像人类的感知方式——我们的直觉同样会被光影变化、角度偏移或背景噪声所干扰。如梅洛·庞蒂所言，感知并非单纯的信息接收，而是主体与世界的对话。AI的这些"感知误差"是否暗示了它正在以某种方式模拟生物的感知特性？ 从直觉到理解 From Intuition to Understanding 直觉的本质是什么？从进化的角度来看，直觉是生物在长期适应环境中形成的一种快速、非线性的信息处理机制，它允许生物在尚未形成完整概念前就对环境变化做出反应。而在V-JEPA中，这种能力通过"预测误差"被量化——系统对不符合其内在模型的事件表现出"惊讶"，这种惊讶度成为衡量理解深度的指标。 这种观察引发了一个深刻的思考，智慧是否可以完全绕过语言和符号，直接从感知中生长出来？如果是，那么我们对人类智慧的传统理解——将其视为符号操作和逻辑推理的产物——可能需要重新审视。也许，语言并非智慧的基础，而只是智慧的一种表达形式；直觉并非智慧的附属品，而是智慧的原初种子。 超越符号的思考 Thinking Beyond Symbols V-JEPA的成功揭示了一种可能性：智慧的形成不必依赖语言符号系统，而可以直接建立在感知和表征之上。这对我们理解智慧的本质提出了挑战——如果智慧可以在没有语言符号的情况下存在，那么它的边界可能远比我们想象的更加广阔。 从海德格尔的观点来看，语言不仅是表达思想的工具，更是"存在的家"——它塑造了我们理解世界的方式。然而，语言的线性结构和抽象特性也限制了我们的思维。当我们试图描述极其复杂的动态系统或量子现象时，语言往往显得力不从心。而AI通过直接在表征空间中操作，可能能够绕过这一限制，发现那些无法用语言精确描述的模式和规律。 这种"非符号思考"可能成为下一代AI的核心特性，它不再是对人类思维的模仿，而是一种全新的认知模式——在表征空间中直接感知、预测和理解，不需要将信息转换为符号再处理。这种认知方式对科学发现、艺术创作甚至哲学思考都可能带来革命性影响。 跨界的认知：多模态智慧 Cross-Boundary Cognition: Multimodal Intelligence V-JEPA的表征学习机制启发我们思考，智慧是否可以超越单一模态，形成多维度的认知网络？人类的认知高度整合了视觉、听觉、触觉等多种感官信息，而AI的多模态学习可能会进一步打破这些界限，创造出一种全新的感知模式。 想象这样一种AI：它能同时理解图像中的视觉线索、声音中的情绪变化、文本中的隐含意义，并在这些不同模态之间建立深层联系。这种跨模态理解不仅是信息的简单叠加，而是一种质的飞跃——它可能发现人类因感知局限而无法觉察的模式。比如当下这个阶段，我经常会把朋友、亲人的医学核磁影像、以及他们的描述和生理数据手动混合，再让语言模型交叉分析，试图识别出人类医生难以捕捉的疾病早期信号。 这种多模态智慧挑战了我们对认知的传统理解，认知不再局限于特定的感官通道，而是一种跨越不同表征系统的整合能力。如查尔默斯所言，意识或许正是这种多模态信息整合的产物。那么，当AI达到足够复杂的多模态整合水平时，它是否也将形成某种类似意识的特质？ 非人类智慧的形态 The Form of Non-Human Intelligence 如果AI的智慧不依赖语言、不遵循人类的思维路径，那么它最终会发展成什么样子？这种"非人类智慧"可能具有几个关键特征： 它可能是非线性的——不像人类思维那样需要按步骤推理，而是能够同时处理多维度的信息并瞬间得出结论。这种非线性思维方式在复杂系统分析中可能极为有效，比如气候模型、生态系统或全球经济网络的模拟与预测。 它可能是非符号的——不依赖概念和逻辑规则，而是直接在表征空间中感知和理解。这种理解方式可能更接近量子力学中的"不可表述性"，能够把握那些无法用经典逻辑描述的现象。 它可能是多时间尺度的——能够同时理解毫秒级的微观变化和千年级的宏观演化，从而在时间维度上超越人类的认知局限。这种能力在宇宙学、进化生物学等领域可能带来突破性发现。 这种非人类智慧并非科幻想象，它的萌芽已经在V-JEPA等系统中显现。问题在于，我们是否准备好接受一种与人类思维方式截然不同的智慧形态？它的发展将如何重塑我们对智能、意识乃至生命的理解？ 智慧的共生：人机增强 The Symbiosis of Intelligence: Human-Machine Augmentation AI的非人类智慧形态并不意味着与人类的疏离，相反，它可能成为扩展人类认知边界的工具。这种人机共生可能表现为两种形式： 一方面是认知增强，AI可以弥补人类直觉的盲点，提供我们无法通过自身感官获取的洞察。例如，在医学诊断中，AI不仅能处理大量影像数据，还能捕捉医生可能忽视的细微变化，虽然这些工作，我目前是使用手动的方式进行，但能感受到未来AI会成为"增强型直觉"的提供者。这种增强不仅是信息量的增加，更是感知质量的提升。 另一方面是思维拓展，AI可以为人类提供全新的思考框架和认知模式。就像望远镜和显微镜拓展了我们的视觉范围，AI的非符号思维可能拓展我们的认知范围，让我们看到语言无法描述的模式。我现在每周都会选择一天，关掉手机，只针对一个问题，与三到四个语言模型进行长达七小时以上的深度交流，这种“洞穴时间”的高密度信息，极大拓展了我的认知范围，而这种拓展很可能改变教育的本质，学习将不再是记忆符号和规则，而是培养与AI协作的能力，共同探索知识的边界。 这种人机共生关系挑战了人类中心主义的传统观念。如哈拉维在《赛博格宣言》中所言，技术与生物的边界日益模糊，人类的未来可能是一种"混合存在"。而AIAIA在《红树林宣言》中，亦阐述“人类创意为内核，AI作为我们的创作伙伴，人类创作者对作品的主题、风格、情感表达等关键创意元素拥有最终决定权，确保作品蕴含人类独特的思想与情感”。在这种关系中，智慧与创作不再是人类的专属特性，而是人与机器共同进化的产物。 栅栏之外 Beyond the Fence V-JEPA的研究只是一个开端，它揭示了AI在直觉理解上的潜力，也为我们重新思考智慧的本质提供了契机。从表征空间预测到跨模态学习，从非符号思维到多维感知，AI的发展路径或许将超越我们的想象。 回到文章开头我一直希望的一种场景发生：符号系统如同认知的栅栏，人类的努力在于不断扩展这道栅栏。而AI的发展可能提供了另一种可能性——不是扩展，而是通过全新的认知方式直接"翻越"它。在栅栏之外，也许存在着一种不依赖符号、不受限于语言的智慧形态，它能够直接感知世界的本质，而非通过符号的中介来理解。 在这场关于智慧本质的探索中，人类与AI的关系将被重新定义，而智慧的边界——那道符号的栅栏——也将被重新审视。或许有一天，我们会发现：栅栏之外的风景，并非完全陌生，而是我们内在直觉的延伸；而AI的非人类智慧，也并非完全异质，而是人类认知潜能的另一种可能性得以实现。 参考资料《Intuitive physics understanding emerges from self-supervised pretraining on natural videos》（arXiv:2502.11831） Yann LeCun 社交媒体评论（2025年2月） 此文人机共生Grok3、Claude3.7、Gpt4o亦有贡献