AI为何解不开智力谜题？人类能否更胜一筹

谜题与游戏，从来不只是人类娱乐的载体。在人工智能的发展历程中，它们是衡量机器智能的标尺，也是推动算法进化的催化剂。然而，最新一系列智力测试结果显示，当前最先进的AI模型在这些看似简单的谜题面前频频失误——这不禁令人深思：机器的“智能”究竟缺了什么？

从图灵测试到智力谜题

1950年，艾伦·图灵提出了著名的“图灵测试”，而真正让“机器学习”一词走入大众视野的，是1959年阿瑟·塞缪尔发表的开创性论文。在那之后的数十年里，谜题、棋类游戏和逻辑推理题始终是AI研究者的“试金石”。从跳棋程序到深蓝战胜卡斯帕罗夫，再到AlphaGo击败李世石，每一次里程碑式的突破都伴随着人类对“智能”边界的重新定义。

如今，大规模语言模型在文本生成、代码编写等领域展现出惊人能力，但当面对需要空间想象、逻辑跳跃或常识推理的智力谜题时，它们常常给出荒谬的答案。这并非偶然，而是揭示了当前AI范式深层次的缺陷——它们擅长模式匹配，而非真正的因果理解。

AI的“盲点”：为何谜题成为照妖镜

研究人员设计的一系列智力测试中，包含经典的三根火柴拼三角形、水面上升问题以及需要多步规划的迷宫挑战。AI模型在这些任务上的成功率不足30%，而普通人类受试者的平均正确率超过70%。有趣的是，当把同样的题目转化为文字描述时，模型表现略有提升，但依然无法与人类相提并论。

“AI可以写出流利的十四行诗，却算不清一个浴缸里同时注水和排水需要多久才能灌满——这种反差让我们意识到，语言的流畅性并不等于思维的严密性。”——某位参与测试的研究员评论道。

这背后的原因可能在于，训练数据中充斥着人类生成的内容，AI学会了模仿人类的表达方式，却从未真正体验过物理世界的因果关系。谜题恰恰要求解题者将抽象规则映射到具体情境中，这种“具身认知”能力正是当前AI所欠缺的。

通往比邻星：技术愿景与人类智慧

值得关注的是，同一期《The Download》还讨论了一项雄心勃勃的太空计划——向距离我们最近的恒星系统比邻星发射光帆探测器。该项目由突破摄星计划推动，目标是让微型探测器以20%光速飞行，在20年内抵达4.24光年外的比邻星b。

然而，宇宙射线防护、星际尘埃碰撞、长时间自主导航等问题，使得这一任务比任何AI谜题都更具挑战性。若要实现如此遥远的星际航行，探测器必须具备高度的自主决策能力——它无法等待地球的实时指令，因为光速延迟长达数年。

编者按：人类与AI的互补未来

从智力谜题到星际航行，我们看到AI的强项和弱点同样鲜明。也许，我们不应苛求AI像人类一样思考，而应学会如何将机器的计算能力与人类的直觉智慧有机结合。正如一位技术评论家所言：“AI不是我们的替代品，而是我们的望远镜——它让我们看得更远，但仍然需要我们来判断该看向何处。”

当人类最终踏上比邻星b的表面时，帮助我们的未必是那些在一切测试中都取得满分的AI，而是那些能与人类协作者坦诚说“我不知道”的系统。承认局限，正是通往真正的智能，乃至未来星际文明的起点。

本文编译自MIT Technology Review