微软中国CTO韦青：AI风暴席卷全球，别忘了，人类才是那个“沉默的主角”

“没有过时的企业与个人，只有放不下过时思想的企业与个人。”

在信息浪潮与AI风暴之下，我们以为自己知道得越来越多，却越来越不确定自己究竟知道什么。当机器可以随时学习、生成、决策，人类的价值究竟还剩什么？

从90年代开始，韦青老师见证了DTP桌面排版让一代植字员失业；他在摩托罗拉，看着寻呼机被短信取代；他加入微软，经历了那十年股价的沉寂，也亲眼看着公司从谷底再度崛起。从“桌面出版”到“云计算”，从“功能机”到“智能体”，韦青老师一路见证了技术如何一再重塑人类世界，也不断追问：当机器越来越聪明，人该怎么办？

他带我们进入一场关于人机关系、认知重构与思想觉醒的深度对话。他提出一个问题，也许是每一个时代人都必须回答的：

当AI成为主角，人类如何不失去成为人的能力？

机器进步重塑人类的认知体系

作为一名工程师，我亲身经历了几十年来信息技术对社会的巨大冲击：从DTP桌面排版让植字员这个行业消失，到摩托罗拉寻呼机被小小短信代替，再到功能机被智能机取代，这些起起伏伏，让我对世界有了如假包换的认知。

我经历过微软十年股价的沉寂，我就觉得，没走过下坡的公司，真没资格谈成功，并真心认识到：没有过时的企业与个人，只有放不下过时思想的企业和个人。

“苟日新又日新”本来就该是常态，天天谈创新，可能说明我们自己出问题了。在这个百年未有之大变局、进入“无人区”的时代，我们必须相信人的主观能动性，把“尽人事，听天命”升级成“知天命、尽人事”——也就是《周易》里讲的自强不息、厚德载物。

所以今年我给大家准备的就是这门《沉默的主角》，就是想让大家训练出一个全面的视角，看清人的初心，看清机器该干什么，人该干什么，找到人类真正的未来。

随着技术的变化和人工智能的进步，现在可能每个人都会问自己：当机器变得这么厉害的时候，人类该怎么办？

原来我们总觉得只要比别人知道得多就行，但现在，有一个无所不知、随时在学习的机器在帮我们，我们整个生活、学习、工作的基本范式就得改了。我们的思维方式有没有进化到能充分利用这种无限知识的机器？这是一个巨大的挑战。

我给大家提一个维度，上世纪末科学家就提过一句很让人深思的话，叫 IT from Bit——物质（原子）也同样来源于比特（信息）。如果真是这样，我们就要问自己了：关于IT from Bit，到底会对我们的未来产生什么影响呢？

爱因斯坦也说过，新问题极大概率是由原来的思维方式和范式造成的，如果我们还用产生问题的方法去解决问题，那是不可能的。

在这个时代，像认识论这些本源性的东西都面临重构，首先要重构的就是我们的知识体系。大家想想，知识之上是智慧，但连知识这个概念，我们人类都还没有形成定论呢。机器进步最本源的冲击，是它彻底撼动了人类进化几千年的认知体系。

所以这关于人、机器、世界的这三类问题，并不是要给你一个标准答案（因为在这个巨变的时代，真的没有绝对的标准答案），而是要用它来做开场白，带入我们今天关于认知、知识和科学方法的话题。

如何成为一个明智的人？

沉默的主角，即技术之外的“那个东西”，我之前用盲人摸象、小马过河、看不见的大猩猩和屋子里的大象这几个故事来表达，就是我们有意无意看不到的，观察不到的这种现象而决定的另一个世界的原貌。

“沉默的主角”最终要回到人自身。我们要学会把人的还给人，把机器的派给机器。所以第一步，是成为“明智之人”。

古人说：“知人者智，自知者明；胜人者有力，自胜者强。”我稍作改写——知机者智，自知者明。因为今天，我们要面对的不仅是人与人的关系，更是人与机器的关系。只有了解机器，才能更有智慧；只有了解自己，才能更加明智。 明白人该干什么，机器该干什么，并能指挥机器去做该做的事，这就是明智。

要做到“明智”，得从“格致之学”入手——格物致知。知识从来重要，但如今知识已不再稀缺，我们能获取的信息远超以往。问题是：我们真的学进去了吗？能把知识内化为智慧吗？

因为“看到、听到”不等于“知道”，“知道”不等于“理解”，“理解”不等于“做到”，“做到”也不等于“做好”。这正是当下信息文明对人类的最大挑战。

原来的学习方法还适用，但要加上“止”。《大学》说：“知止而后有定，定而后能静，静而后能安，安而后能虑，虑而后能得。” 今天我们太容易被信息牵着走，不停刷新、学习、追热点，却很少静下来。大脑分泌多巴胺，让我们以为自己在成长，其实只是幻觉——学得多，不代表掌握得多。

真正的学习，是知止、能定、能静，才能得。当知识泛滥、工具强大，机器能学、能算、能帮我们做很多事，人就更要练习“想、能、应、可”这四个判断：

想——我是否真正想做这件事；

能——我是否有能力去做；

应——它是否符合价值与道德；

可——它是否被规则许可。

有了这四重约束，我们才不被机器裹挟，而是能主导机器。

最后，人要守住本分。“初心、常识、本分”这些看似简单的道理，其实是沉默的主角。它们被我们默认存在，但恰恰需要重新唤醒。学习也一样，要回到“学问思辨行”：博学、审问、慎思、明辨、笃行。我们不是为了知道更多，而是为了知行合一。

在机器文明的时代，人类最大的挑战，不是机器太聪明，而是我们自己忘了，如何成为一个明智的人——“能够明白人该干啥、机器该干啥和能够指挥机器干啥的人 ”。

核心框架：成长之树

我整个分享的核心框架，其实就是这张“成长之树”的图。大家想想，我们观察一棵树的时候，都会感叹它高大、花漂亮、果子好吃，但有谁会用心去关注它的根系扎在哪儿了？其实，根和叶才是真正的沉默的主角。只有根扎得够深，叶子（叶绿素）能够不断吸纳阳光、雨露、空气，这棵树才能健康。

所以，我的这棵“认知树”就是扎在我的那五个初心、我的价值观、世界观和人生观上的，根吸收的都是最第一性的原理。

往上走，茎就是我们的主轴，它是我们思想坚持引导出来的“三观”，必须非常坚定。再往上是叶，这代表我们的能力，叶子不得了了，枝杈和叶子很多，但这次课我只会挑一些最当务之急的能力建设来聊。有了叶子不断吸纳阳光雨露，最先表现出来的就是花，这是企业和个人的表象，是结论的表现。

古人说“圣人为因，凡人为果”，花看起来像果，但它不是最终目的。所有人都去追求这朵花，但我们心里一定要明白，这朵花是由根茎叶推着成长起来的。而花的终极使命，是结出果——也就是我们人生的意义。

我用这棵树来做模型，是因为我相信它比那些已经直接结成果实的概念（比如怎么写提示词、怎么开发智能体）更有生命力。

统计学家乔治·博克斯说了，所有的模型都是错的，只不过有一些是有用的。一旦知识被总结成模型，它就可能是固化的，但树这种模型相对本源性更强。这其实就是“尾巴效应”：越往根部靠近，变化越少，价值越高，它是原则、是第一性方法；越往尾巴末梢（果）走，变动越大，越难跟进，但它能随时干点实际的事儿。

所以，学习还是尽量学根部的知识比较好，这样容易应对变化；但在用的时候，尽量用尾部的，这样才有实际的成效。这不是谁高谁低，是互相弥补的学习方式。

大家可以看到，思想有五种方式，都会慢慢展开。现在“以人为本”越来越不容易实现，我们天天被机器和信息侵扰，很难冷静思考我们到底是为了什么而活。甚至有人觉得，人是不是就要变成机器人，让位给硅基文明？所以我们得问：人的本质是机器能完备学到的吗？我们真的了解自己吗？只有不断产生疑问的人生，才是一个正在被思考的、有意义的人生。

当我们有了机器的帮助，很快就会面临人生的“意义”这个果实，这个过程可能要经历四部曲的挑战。

首先是新路德主义：除了躺平，还有一种是拜机器为神，变成一种完全没有警醒精神的迷信。接着，就算你拥抱变革了，你可能又会陷入 AI for Stimulation（用于刺激的AI） 的陷阱。本来应该是AI for Science（用于探索的AI），结果变成了用来刺激人感官、分泌多巴胺的AI，这已经在无形中把人往堕落里拉。第三关是，我们不能老想着输赢，万一这是个无限游戏的规则呢？而且，我们真的相信科学能解决所有问题吗？最终，我们面临的就是精神上的升华或坠落。就像一百年前科学进步时一样，接下来的几十年，也会因为新的信息文明范式造成人的精神上升或坠落，最终决定我们哲学、科学和人该怎么走。

“成长之树”之根

一棵树它要能够从大自然中吸取基本的养分，还需要扎根在现实的土地里，这样才能稳定。所以，我们经常说“根基不牢，地动山摇”。在AI越来越普及、智能机器越来越强大的当下，人之为人的根基在哪里？ 我给大家总结了一个“五维”的体系，实际上就是五个思维维度，它同时关乎我们的三观和身心健康。为了好记，我把它总结成了 SC BIG 的思路：S是系统思维（System），C是审辩性思维（Critical），B是贝叶斯概率性思维（Bayesian），I是反向逆向思维（Inversion），G则是我们成长必需的成长性思维（Growth）。

系统思维

这五维为什么重要呢？其实它们的核心最终都归结为一个——系统思维。那到底什么是系统？简单来说，它就是由很多组件构成的一个整体，但这个整体可不是随便凑的。组件之间必须有连接、有交互（物质、信息、能量），然后它们构成一个整体，并且这个整体还得有一个整体的目的性。更有意思的是，这个系统本身还是一个更大的系统的一份子，它是个递归的关系。一旦有了目标，它就得了解环境，随时吸取信息、判断，然后才能产生下一步行动。

互联互通这一点特别关键。在远古时代，社会是简单的“小国寡民”，但现在随着数字技术和物联网的普及，地球上人事物这三者全都互联互通之后，社会产生的复杂性就变成了指数级的。所以大家可能觉得技术很先进、生活便利，但同时也会觉得越来越不可预测。这是为什么呢？就是因为我们进入了一个极度复杂的、随时有涌现情况出现的时代。我们现在要问自己，这个世界真的是不可预判的复杂吗？还是说我们只是以人现在的认知水准和观测手段，还无法完全理解它？

当然，系统必然有反馈作用。谁能建立一个反馈的机制，谁就能极大地提高对这个系统的理解和把握能力。用系统观搭建的系统，其的根本不同，就在于如何进行反馈和纠偏。

这种系统观的搭建，可以从我们个人开始。个人跟智能体合作，就是一个系统，它就是我们后面要讲的“超级个体”。超级个体再进到组织中，就变成了具备强大感知能力和负反馈能力的“前沿组织”。

系统思想本身也在不断发展。早期大家抱有一种理想，就是用硬系统思维（HSTM）——认为只要通过精确的测量和计算，就能控制系统的行为，实现目标。但做着做着就发现，我们忘了把人的因素放进去了。人不是机器，不可能完全靠计算来预测行为。

所以，后来又出现了软系统思维（SSTM），它接受人是有主观能动性、有价值观的，它的反应是概率性的，不是完全可预期的。但软系统思维还是不够，因为人的文明程度参差不齐，价值观很难同步，于是又发展出了批判性系统思维（CST）。

到了这个阶段，就要问最本源的问题了：我是谁？我从哪里来？我要到哪里去？这三种思维不是非此即彼的，真正的成年人不会非要选边站，他背后的思维方式仍然是一个系统思维。

我们在用的时候，一定是因人因时因地制宜的：当系统本身在运作、人的因素还比较少的时候，用硬系统思维；但一旦human in the loop（人处在系统中循环）的时候，就必须用软系统思维，去关注利益相关方的反应。把硬系统、软系统和批判系统结合起来，才能应对无穷无尽、无法预测但又有其规律的社会组织发展。

接下来，我们来看看系统思维里一个特别常用、也特别形象的工具，就是冰山模型。这个模型跟我们刚才说的“成长之树”其实有异曲同工之妙。但我还是要强调那句话：所有的模型都是错的，只不过有些是有用的。我们不能把它当成“万金油”百搭。这个冰山，你水面上能看到的，只是那些具象的现象，但如果你只针对现象做反应，那效率太低，根本抓不住重点。

想要抓住重点，就得一层一层往下看。水面下的第一层是事物随系统时空变化的规律，你可以理解成一种微积分的概念，看它怎么微分、怎么积分，怎么随时间变化。但这还不是“透过现象看本质”，这只是让你抓住了事物表现出来的动态规律。再往下走，是更复杂的东西，就是系统的组件构成、它们之间的关系、连接和整体效应。

为什么我们总在强调这些思维模型呢？因为我们看待这个时代、看待自己、看待 AI 和社会的观点，核心是来源于我们的思维模式和三观。所以我们必须走到本源性的东西，才能知道我们到底在讨论什么。就像我们今天在聊 AI，但其实我们聊的不是 AI 的表面，而是水面下那些沉默的主角。沉默的主角之所以沉默，就是因为你不主动去探测它，它在水面下看不到。

那沉默的主角到底是谁呢？它不是人或机器本身，也不是它们的技术，而是人与机器相互作用的关系，以及做出决策的人的责任。

比如现在大家都在说 AI 有幻觉、机器人可能会伤人，但你要知道，只要有人能想到这种能力并把它开发出来，机器就一定会有这种能力。所以市面上所有对未来的预判，只要是能想到的、有人正在做的，机器就一定能做到。那原因在哪里？按照系统思想，表面抓不住，你得看谁做了这个选择，让机器拥有了这种能力？哪怕你说：“我当初不知道它会这样，我只是在尝试。”问题是，你能不能在尝试的时候，就先对尝试的结果预设一个前提约束？

这就涉及到想、能、应、可这四个方面了：想是人的主观能动性；能是一种能力建设；可是跟章法规则相关的“许可”；而应（应该）这个字，它指的是跟人类的价值观、三观、文明文化相吻合。所以我们不能只看“能”和“可”，我们还要问“应”不应该。用这种系统思维来考虑机器问题，就是要求我们通篇考虑过去、现在和未来，守住人的本分，去观察那个未被观察到的屋子里的大象。

如果我们想用自己的价值观来判断人类社会该怎么走，就必须要走到这一步——新型人机关系的重新搭建，它的底层就是系统思想。

审辩性思维

我们接着聊 SCBIG 里的 “C”，也就是 Critical Thinking。大家注意到我把它翻译成“审辩性思维”，而不是“批判性思维”，这里面是有点说头的。语言是非常强大的武器，它能影响你对事物的判断。很不幸，在现代文明的演绎下，“批判”这个词已经被有点污名化了，一听到“批判”，大家就觉得我非得批倒它、驳倒它，好像是一种负面、对立的姿态。但其实，这种思维方式本质上是一种非常优秀的学习型、成长型思维，它就是个不断学习、不断进步、永远不认为能到达完美终点的科学思想。你非得冠之以“批判”，就把它变成了一些人眼中的洪水猛兽，这对于这种伟大的思维方式的有效利用是不公平的。

我们的古人早就讲过“博学审问，慎思明辨，笃行”，当我们用一种审辩的方式去思考每一个想法、每一个结论的时候，我们就天然具备了 Critical Thinking。它不是什么外来的新东西，它就是中华文明最擅长的“学、问、思、辨、行”里，问、思、辨这几个步骤。它的好处是立竿见影的，它能让你学会对学到的知识去问、思、辨，并通过“行”来实证，这才是真正得到知识的方法，也是“知止定静安虑得”里“止”的观点。

贝叶斯思维

紧接着我们来看“B”，贝叶斯思维。我想跟大家用一种更感性的方式来聊聊我对贝叶斯公式的理解。

首先，大家看这个公式，是不是觉得很神秘？但你有没有发现，只要你把右边的P(B) 乘到左边去，也就是P(A|B)•P(B），右边则是 P(B|A)•P(A)，它俩本身就是相等的！

从纯数学角度，它本来就相等，没有什么神秘的。所以，我们先把这个公式给祛魅了，从公式来讲，它就是交集相等。

那它厉害在哪里呢？厉害就在于它的使用方法。贝叶斯方法的核心，就是用新的现象、新的信息、新的数据（事件 B）来纠偏、优化、完善、补充你原来对事物的认知（事件 A）。这个跟我们刚才说的系统思维、审辩思维、科学方法，并没有本质的不同。

我们再脑补一下：人世间任何事都有一个概率空间，就像你预判你明天中午会去哪儿吃饭一样，有一个百分之百的所有选择的空间。但真正让你去的地方（粉红色区域）是未知的。我们能做的，就是基于过去的经验和数据，对它产生一个预判（白色区域），这叫先验概率。贝叶斯思维不是靠一次就能解决的，你需要不断地用观察、用实验（事件 B），来不断地描绘出那个未知的 A。

这个 P(B|A）算的是在 A 发生的条件下 B 的概率，你其实是拿着 B 去试 A，找到了交集，通过 B 的不断发生，来更新你对 A 的认知。它其实就是一种归纳法。

在这个过程中，你不可能把所有空间都测到，你只能无限接近真相。但没关系，因为这个世界本身就是不完备的，科学发现本身就是要不断地去纠偏和证伪。贝叶斯思维之所以重要，因为它就是一种科学精神。它告诉你，不要在乎百分之百的正确，而要无限接近真相。而且，根据我们刚才系统观的结论，这个真相本身也是在动的、波动的，所以我们需要靠不断抛出的B，去凑出一个随时在变的A出来。

既然聊到这里了，我们顺便再展开一下。这提醒了我们 21 世纪的新素养。为什么数理化还是这么重要？大家有没有发现，微积分、线性代数、概率论，这些看似高深的大学数学，其实都跟系统思维、科学方法异曲同工。比如微积分中的导数，尤其是偏导，它就是机器学习中反向传播（纠偏、更新）算法的核心算子。而表征我们这个世界的现象，靠的是线性代数。用矩阵与矩阵相乘来表征物理世界和虚拟世界中的所有现象，比如游戏里对象的行动、旋转，这些都是矩阵在表达。你把系统方法走到底，就会发现，所有的大模型、显卡、算力，最后要解决的，就是如何做好最基本的乘法和加法（矩阵乘法的基本单元）。

为什么很多人对数学没有感觉？理查德·费曼就说过，如果这么直观、美丽、方便的数学你都不喜欢，那一定不是你的问题，而是老师的问题。当然，不能全怪老师，是整个社会系统把我们工业化、异化了，让我们被训练成了一个“机器”，从而感受不到那些优美、美好的事物和原理。更麻烦的是，这么变化多端的原理，居然能让我们靠背下来、多做题就能通过考试，但在一个开卷的环境中，这是行不通的，因为那里可没有标准答案。

逆向思维

逆向思维其实也是起源于数学，像著名的雅可布，他发明的雅可布导数矩阵也是用来解导数方程的。这些在机器学习中计算偏导时应用非常广泛，但把这个思维发扬光大、让它走出象牙塔的，是查理·芒格。

逆向思维的核心，用芒格的话来说，就是“永远反着想”。比如，你想知道“我怎样才能成功？”，不如反过来想：“我怎样才能失败？”然后竭尽全力避免那些失败的原因。

在闭卷考试里，它默认标准答案 A 就画在那儿了，你只要找到那个A就满分。但现实世界是变化的，你再刻舟求剑去找那个 A，就可能找不到。

所以这就引出了一个非常重要的概念：充分条件思维和必要条件思维。

我们都喜欢待在充分条件的状态下，因为它的特点是“有 A 必有 B”。我今天只要一跑步，明天体重就降了；我一做这件事，我的成就就有了。我们都希望自己的行动 A 能够百分之百保证结果 B 的出现。但你看到，在 B 这个大圈里，还有很多其他的方式也能让你达成 B。

而必要条件思维，它的特点是“没 A 必没 B”。它的重点不是保证你成功，而是保证你不会死、不会大错特错。再往深了讲，逆向思维的底蕴就是老子说的：“反者道之动，弱者道之用”。

“反”是让系统动起来，是改变的动力；“弱”在用的时候，它不是说你本人要很弱，而是相对于你所处的系统环境，你得调整你的强弱。如果你所有的动作都是顺着的，系统就不会动了，它就会一直按照原来的方式走，也就没有进步、没有成长了。系统需要阻力、需要压力，需要这种“反动”的力量来驱动它。所以，逆向思维不仅仅是一种工具，它就是冰山模型最底下那一层，有关我们的三观和底层逻辑。

成长型思维

我相信大家对“成长思维”这个词已经非常熟悉了，很多企业都在讲。但我想强调的关键词是两个，一句是“Know it all”（我都知道），另一句是“Learn it all”（我永远学习）。

从“我都知道”转变为“我永远学习”，说起来容易，但真正能做到的人微乎其微。我观察到一个现象：越是简单、越是基础的道理，人们越容易“以为学到了，以为理解了”，但做不到。在信息爆炸的时代，我们看到和听到的信息量，已经远远大于我们大脑能够处理和学到的知识。如果按照以前的转化率，我们可能会误认为自己学到了很多，但实际上，人的处理能力是有瓶颈的。就算你看听了三万件事，你真正能学到的，可能还是只有那么一件事。

当你真正吃透了 SCBIG 这五种思维时，你会接受一个大概率事件，那就是所有伟大的发明家、科学家都接受的观点：犯错是必然的，如果不犯错就没有进步。

三错法就是这种思维的极致应用：默认我就错了。

你可能会问，既然知道是错的还做它干什么？答案是为了更好地进入第二步：用技术、用 AI 机器让你尽快知道错在哪里，偏差在哪里，并马上改错。改完错，下一步就不错了吗？不是的，下一步还是错的，只不过错得小一点，再小一点。

在日常业务中，很多现象都源于冰山模型最底层的问题：我们的价值观就不认为错误可以被接受。于是，人们倾向于用伪造的不犯错来掩盖一个本来就是错的现实，这叫错上加错。所以，我们要大胆呼吁：犯错不寒碜，不承认犯错才寒碜，但最寒碜的是不去改错。

小结

至此，SCBIG 这五种思维方式——系统思维、审辩思维、贝叶斯思维、逆向思维、成长思维——就分享完了。它们将极大程度地决定我们对于未来的机器的驾驭能力。

现在，我们接着刚才的 SCBIG 思维方法论，来做一次“知行合一”的演练，那就是用系统的视角来看待一个核心问题：智能的本质究竟是什么。

我们通常谈智能，都会借鉴人脑。如果把人的智能抽象出来，它其实是一个多步的流程：我们首先通过感觉器官接收外部信号，然后经过知觉的加工——注意，知觉已经是一个过滤和计算的过程了，不是简单的感知。这就像一个生物算法，把信息过滤一遍，最后能进入大脑被思考的现象，其实极其有限。进入认知层面后，我们进行推理、判断、规划，结合记忆，最后产生行动。而行动的结果，必然要有一个反馈过程，就像你闭着眼睛走路一定会偏一样，需要睁开眼睛获取偏差信息，才能完成从 A 点到 B 点的任务。

这个流程，正是我们用来抽象人工智能的简易模型，但它还不是最普适的。

更普适的、可以用来描述任何复杂系统的原模型，叫做 IPOF。它结合了系统工程、认知神经科学和控制论：I（Input，输入）、P（Process，处理）、O（Output，输出）、加上一个 F（Feedback，反馈）。输入代表了你的目的和对外部环境的解读，处理是内部的计算和思考，输出是行动和结果，反馈就是内循环的纠偏。无论是公司、组织、社会、机器、还是人机系统，甚至更大到星系，都遵循着 IPOF 这个基础模型在运行。如果说得更精确一点，反馈应该是 F²，因为还有一个前馈（Feedforward）在里面，这跟控制工程更相关。

所有具备学习能力的复杂系统，都必然表现出三环学习的特征，这其实也是 IPOF 的一种体现，并且它是一个递归的关系——每一环里头又藏着一套三环，子子孙孙无穷尽也。这三环就是我们一直在强调的：

Why（初心）： 要想清楚（对应知止）。

What（常识）： 要说清楚（对应学问思辨）。

How（行动）： 要做到、做好（对应笃行）。

所以，智能机器的本质是什么？它就是体力机器（Mechanical）和脑力机器（AI/学习力）的结合体。它有行动力，有学习力，做的事情无非就是不断地循环迭代 IPOF 模型，去理解和驾驭环境。

这棵“成长之树”的根，归根结底，就是一个活的、有机的系统。它永远在不断学习、演变、优化、适应，一个“想清、说明、做到、做好、优化”的做人做事系统。当我们对时代感到迷茫的时候，不是说我们人类不行了，而是我们没有去努力地改变自己、修正自己。

“成长之树“之茎

我们都知道，树干是支撑整棵树生存和发展的支柱。所以，这根柱子的核心，首先就得是我们的三观，要坚持以人为本。人是目的，其他的一切，包括机器和技术，都只是实现这个目的的手段。

在当前技术文明急速发展的时代，我们很容易产生一种错觉，这种错觉其实早在一百多年前一战前后就被反思过。技术的进步，比如一战那些大规模杀伤性武器的出现，彻底摧毁了人类最基本的世界观判断。因为人类没有准备好驾驭那种力量。

我们现在面临的情况也类似：智能机器可以 7x24 小时消化海量信息，信息世界的效率越来越高。我们过去知道了物质和能源是相通的（像量子物理说的），现在又知道能源、物质和信息也是相通的（IT from bit）。

在这种多重因素的叠加下，就很容易出现一种类似“科学拜物教”的现象，也就是对技术本身产生一种狂热的追求或迷信。更糟糕的是，在这种迷信里，人居然可以被置于机器之下，机器似乎具备了超越人的地位。

所以，这再次把我们拉回原点：我们是不是被误导了？我们现在对科学的敬仰，是不是像对待宗教一样？但科学本身，它从来没有承诺过要解决人世间的所有问题，它也从来不具备管理所有事件的能力。这时候，我们的信仰和三观就显得尤为重要。

罗素的经历就很能说明问题。他经历了两次世界大战，是科学家、哲学家、数学家。在他晚年，当被问到如果给 1000 年后的人类留下一句话，会说什么时，他想了想，留下了两点：

第一，我们要保持善良和包容性；第二，要永远坚守对真实、真相、事实的追求。

为什么是他这样的人，在见证了两次大战后留下这两句话？因为他看到，科技昌明并不保证人类文明能够进步。当一个文明没有进步的族群拿到了一把既能杀人也能救人的工具时，它会怎么做？这不取决于技术本身，而取决于使用和驾驭技术的人类的价值观、世界观、道德观。

这跟我们现在的情况有什么两样？京特在几十年前就写了一本《过时的人》，里面提到了“普罗米修斯的羞愧”，说的就是这种造物者因为缺乏价值观引导，让人类成了“过时的人”。他当年针对的是原子弹的发明，而现在，这套逻辑完全适用于 AI。人类确实走到了这个十字路口。

所以，我们要搭建的这个“树干”这个“茎”，它本身也是一个系统。它的核心就是要明确冰山模型下的三观，而它最终的表现和成果，就是身心健康。只有以人为本的思想保住了，我们才能将这个支柱立起来，支撑起我们想要的未来。

真正阻碍我们的是思想

我们刚才说了，通讯、计算、互联网这些技术在进步，但有一个沉默的主角，大家可能谈得不多，但它将是未来的一个关键转折点，那就是物联网（IoT）。

这么多年来，大家感觉物联网的投入似乎“没啥动静”，其实它只是在水面下蓬勃发展。一旦它破土而出，就会像一座巨大的冰山。为什么说它挑战巨大？因为物联网自带了实时性、覆盖性，更关键的是它有物理行动能力，也就是大量的行动器和传感器。

行动器一直都在等什么？等一个强大的计算单元。而人工智能的出现，恰恰补上了这个最后的拼图。一旦 AI 和过去多年投资的物联网结合，机器就能感知、思考、行动。这种行动，就不只是符号层面的（比如在屏幕上显示一个 Token），而是物理性的行动。那时候，社会将面临比现在 AI 和互联网结合更彻底、更巨大的挑战。我们是否做好了准备，或者会不会被误导它的应用方向？

这又回到了那句核心：人不是机器，机器也不是人。 这条线不是不能跨，而是我们想不想、应不应该、可以不可以被人类社会许可去跨。尤其是当我们人类本身就不擅长抵御符号诱惑时，挑战就更大了。

DeepMind 的联合创始人，后来成为微软 AI 部门 CEO 的穆斯塔法·苏莱曼，他在博客里就提出了一个发人深省的问题：“我们要打造为人类服务的 AI，而不是成为人的 AI。”

他最担心的是什么？不是真正的意识（Consciousness），而是 SCAI——看起来像人的 AI（Seemingly Consciousness AI is Coming）。这就是我们一开始说的，智能时代的核心挑战叫能所之辩，如有非实。符号表现出来的能力，和它的本质是不是一回事？

人类很不幸，只能通过感觉器官感知，用符号和信号来加工。我们没有超越电和化学信号产生的能力，没人知道，这已经不是一个科学能解决的问题了。所以，现在令人担忧的潮流是，很多人以把机器拟人化为荣、为傲、为未来。这已经不是技术能力问题，而是价值观、世界观、人生观，一个有关信仰的问题。

微软年度大会上请到了心理学家迈克尔·杰拉夫（Michael Girafe），为什么现在全球五百强企业纷纷请心理学家、经济学家、跨界学者来讲座？因为大家发现，尤其在科技领域，有些问题靠科技本身解决不了，那就是人的问题、思想的问题、以及对未来经济社会的判断问题，说白了，都是非技术性问题。

比如，有的公司请经济学家讲“如果你能活到 100 岁，该怎么规划人生？”我们想想，以前人为什么六十多岁退休？因为寿命差不多就到那儿了。现在技术发展，如果平均寿命能到 100 岁，你用 40 年积累的知识和财富，真的能支撑再活 40 年甚至更久的生活品质和成就感吗？

这延伸到“退休”这个词。在英文里叫 retirement，它其实是一个误用的词。什么样的对象才能“退休”？是报废的、过时的机器。人能这么对待自己吗？古代中国官员“乞骸骨”，叫告老还乡，那是主动决定自己的未来；而退休是被动的。这里面没有绝对的好坏对错，但它体现了我们如何看待和规划自己的生活。

心理学家迈克尔·杰拉夫的观察结论更直接：真正阻碍人类创新、进取、成功或失败的所有原因，在技术领域，跟技术根本就没关系！全是跟心理、心态、思想相关的因素。

这个要素，是微软全球员工大会上共享的。这说明，真正阻碍我们理解、应用、驾驭、改变技术能力的，不是技术本身，是我们的思想。

从“物理性加”到“化学性乘”

我们都习惯说“互联网+”、“AI+”，听起来很有道理。但我前段时间跟一个直辖市的领导交流，他的一个见解让我茅塞顿开。他说他要求员工做的“AI 加”，要的不是物理性的加，而是化学性的加。

物理性加，就像胶水粘在一起，拧上就完了。化学性加，是要起反应，从分子和原子层面结合，构成一种全新的物质。这才是真正的 AI 化。

用数学符号来表示，我们心目中的“AI 加”，应该把那个“加号”转个 45 度角，变成乘号，甚至是指数级的关系。

这个乘法公式是这样的：

最终成果 =人x 技术能力

在技术领域，右边这个技术变量的差距其实没那么大，大部分公司都在 100 到 150 之间波动。真正的竞争力，来自于等式左边的这个被乘数——人。

如果“人”是平均值 1，1 乘 100 是 100。如果“人”是 2，2 乘 100 就是 200。但最糟糕的是，在三观不正、患有“思想肥胖症”的情况下，人这个变量往往是 0.5、0.2、甚至 -1。

-1（人）＋100（技术）=99

-1（人）x100（技术）= -100

你看，这就是最大的挑战。当这个左边的变量是负数时，技术越强大，结果越糟糕。这才是我们要内化理解的：不要老盯着右边的技术高低，它是一个系统短板效应，左边的“人”不行，就会满盘皆输。 这就是那位领导所要求的：不接受物理性的 AI 加，只接受化学反应式的 AI 加。

信息工业化与思想肥胖症

接下来我们聊聊身心健康，尤其是精神食粮的问题。

我们身体的“食粮”在工业化之后发生了什么？过去人类总以为物资匮乏，身体进化出一个“永远认为没下顿”的机制。工业文明普及后，食物无处不在，结果就是不断地吃，导致糖尿病、高血压、肥胖症。这叫身体肥胖症。

现在，当我们的精神食粮被大规模工业化之后，思想肥胖症就来了，视频、音频、图片、代码，几乎一夜之间呈指数级增长，塞满了我们的信息通道。就像我们身体需要吃有机食物，需要节制“少糖”一样，我们的精神是不是也需要这种节制和选择？

扪心自问，我们每天看数字信息的方式，跟“捡起什么吃的都往嘴里塞”有没有本质不同？

传播学的原理告诉我们，一旦信息通过算法推荐，揣摩你的意思来推送，就会造成一个不可逆的结果：我们看到的全是极端的、被放大的信息。 平常的信息不具备传播的“熵值”（惊讶度）而越来越不被看到。

这样一来，我们对世界的理解就严重偏离了实际分布。你看到的全是“明天世界就要完了”、“地震就要来了”、“机器人要把我们代替了”——全是真实发生的极端情况。

这就形成了信息茧房：你转发的，不是知识体系中的“异常值”，就是跟你的价值观高度吻合的“你想听的”。这种系统对我们自己的反馈，造成了一个巨大的幻象。最麻烦的是，每一个单点消息都可能是真的，但它是偏的。

我们的应对：零信任原则与第四条定律

既然我们已经进入了思想肥胖症时代，解药是什么？

我提出一个原则：数字信息的零信任（Zero Trust）。注意，零信任不是不信任，也不是信任，它就是 0。这意思就是，你接收到的任何信息，都需要验证和确认之后，才可被你接收和处理。这很累，但事实就是，信息过载造成了注意力稀缺，我们必须把宝贵的注意力用在“验证”上，而不是“接收”上。

第二个核心是关于拟人化的问题。

我们都知道阿西莫夫的“机器人”（Robot，本意是自动机、劳力）三定律。我个人认为，中文语境把 Robot 翻译成“机器人”是带有误导性的，它让我们潜意识认为机器可以成为人。这造成了几十年的思想误导。

我提出了自动机的第四级定律：

在未经许可、未达成共识的前提下，机器不允许自我标注为人。反之，它必须明确标注自己是机器生成的。

这非常重要，尤其对老人和孩子——他们因为孤独或脆弱，比较容易对机器产生共情和依恋。政府要求明确标识“机器生成”的规定，迈出了非常关键的一步。

我们要打造的是帮助人类的人工智能，而不是成为人类的人工智能。这是一个关乎信仰、价值观的根本性选择。

本文来自微信公众号 “混沌大学”（ID：hundun-university），作者：混沌学园，36氪经授权发布。