Transformer一作导师Kevin Knight来华：人类正把思考外包给AI
作者 ｜ 青和策划 ｜ 四月“把算术外包给计算器，把做饭外包给外卖，都没问题。但当我们一遇到问题就习惯性直接问 AI 时，最可怕的事情正在发生：人类正在自愿停止思考。”作为前国际计算语言学协会（ACL）顶会主席、经典 AI 教材作者，以及培养了 Transformer 奠基论文第一作者 Ashish Vaswani 和
把算术交给计算器、把做饭交给外卖，都没问题。可一旦遇到问题就习惯性地直接问AI，最可怕的事就来了：人类正在自愿停止思考。
前国际计算语言学协会（ACL）顶会主席、经典AI教材作者，还培养出Transformer奠基论文第一作者Ashish Vaswani和前OpenAI研究副总裁Barret Zoph——Kevin Knight在语言智能领域已经深耕三十余年。
近日钛动科技首届科技增长大会（TGC 2026）现场，这位亲手参与缔造、也见证了现代自然语言处理（NLP）兴衰的技术开拓者，没有给出通稿式的乐观预言。他用一种罕见的坦率与自嘲，撕开了当代AI繁荣背后的残酷切片与深层隐忧。
这场开场演讲横跨语言学、纯数学、具身智能与认知哲学。他给出的不只是一套关于AI进化的底层坐标，更是一份关于技术如何反噬研究者与整个人类思维的清醒诊断：
顶尖学者最后只能承认“语言已被攻克”，随后匆匆转向纯数学。大模型那种蛮力打法，一夜之间就把老一辈科学家攒了一辈子的经验窍门扫进了故纸堆，这更像一场没得选的技术撤退。
要看智能到底有没有长进，硬标准其实只有一个：抛开那些虚的 Benchmark 刷榜，关键在“无需人类干预的长程认知时长（Cognitive Runtime）”。模型眼下正从秒级的工具调用，往能连续自主攻坚数十小时、甚至“百年级”的方向跨。
围棋和数学最先被拿下，是因为这两样东西的自我反馈几乎不花成本，机器把自己关进“卧室”就能练成神。具身智能、生物医药和真实商业走得慢，问题则出在物理世界试错代价太高，算法没法凭空把它压下去。这就是“卧室假说”和物理世界那道墙。
技术奇点摆在面前，一线学者的反应分成了两个极端：有人抽起了烟，认定 AI 迟早攻克癌症；有人把家底花光，退休金也不存了，觉得毁灭就在眼前。可真正的危机不在乌托邦，也不在世界末日——机器长考能力爆发的当下，人类正把自己最核心的“困惑与思考”整个交出去。
以下为编译后Kevin Knight的分享整理。
大概十年前，我在家鼓捣出一台国际象棋机器人，它能在真实棋盘上落子对弈。到现在，我每天早上还是先冲一杯咖啡，再跟它杀一盘。这就是我的个人爱好，没别的。
那阵子前后，DeepMind 推出 AlphaGo 和 AlphaZero，轰动一时。它们一开始学的是人类大师的棋谱，后来干脆只靠自我博弈来学——从自己的对局里摸出赢棋的路子。
打个比方：AlphaGo 进了自己卧室闭关下棋，一周后下楼，已经是世界冠军。我当时并不焦虑，棋盘游戏不是我的研究方向，每天早上那盘棋我照下不误。
我真正做了几十年的，是自然语言处理（NLP）——教机器做英汉翻译、答问题、读文本。早年这些题目难到极点。读研究生那会儿，我妻子跟朋友聊起我，甚至觉得我可怜，因为我挑了个“不可能被解决的问题”当毕业课题。
几十年来，我们所做的核心就是构建“语言模型”。这项探索可以追溯到 1950 年克劳德·香农（Claude Shannon）。我们给机器设定了一个看似奇怪的任务，比如这句话：“Mary saw toys in the window and wanted [it / them]”（玛丽看到橱窗里的玩具，想要它 / 它们）。机器该选哪个？人类凭常识知道她大概率想要的是玩具（them），而不是橱窗（it）。
机器要预测得准，就得懂现实世界，懂人类社会怎么运转。而恰恰是靠预测下一个词这件看似简单的事，机器翻译等一连串大问题被我们一点点啃了下来。
20 世纪 80 年代，IBM 拿下了一个里程碑式的突破：只用前两个词来预测下一个词。我们顺着统计这条路搭起第一代系统，机器开始靠读文本学习、跟人交流。再后来，Google 沿用这套老思路，把模型做得更大。当时学术界的普遍判断是：这条路会一步一步走，自然语言处理上的进步会是线性的、慢慢改良的。
但到了 2016 年前后，质变发生了。
从循环神经网络（RNN）到 Transformer，再到 ChatGPT，机器预测下一个词的本事出现了断崖式跃升。走到这一步，整个学术界忽然发现：语言问题居然被我们彻底解决了。机器不光能理解、能翻译，生成语言也流畅得很。
它靠什么做到的？最底下的动力首先是训练规模：全网量级的文本灌进去，人不用插手，机器自己从中摸出统计规律；再往后是后训练（Post-training），把人类反馈强化学习（RLHF）引进来，由人来判断模型回答的好与坏。
如果把 1950 年到 2030 年拉一条时间线，不画准确率或困惑度（Perplexity），而是画我们这群 NLP 科学家的“心理情绪曲线”，那会非常戏剧化：
起初我们很快乐：虽然进度停滞不前，但因为不知道未来在哪，大家探索得津津有味；
统计学的浪潮涌来时，圈内人的反应分成两拨。一拨很振奋，机器终于能从文本里学东西了；另一拨偏爱传统语言学、对统计学反感至极，日子过得相当煎熬。
之后是一段平稳推进的岁月。英汉翻译这类技术几十年里走得慢，却走得扎实，甚至足以撑起一家机器翻译初创公司。
神经网络和大模型的出现，把整整一代研究者推进了焦虑与混乱。几十年攒下的技巧、算法和经验，几乎一夜之间被扫进垃圾堆，所有人只能硬着头皮切换到一套全新体系。
等到了 GPT-4 时代，传统 NLP 研究体系反倒有些迷茫。“语言理解”这个核心命题基本被攻克，研究者一时不知道该往哪儿走。
我当时的想法很简单：这一局机器赢了，那就换个更难的战场。
过去几十年我一直认定，“语言”才是人类最狡黠、最深奥的产物——词语多义，排列组合变幻莫测；“数字”则按部就班，乘法口诀表清清楚楚。可真正扎进纯数学领域研究几个星期后我才发现，数学的混沌程度远超想象，全世界最顶尖的数学家面对最基础的数学猜想也束手无策。
几年前我因此转行做数学，在学术期刊上发表论文，想借 AI 加速数学研究的进程。结果就在前段时间，AI 浪潮同样席卷了数学界：系统不仅攻克了价值百万美元的千禧年数学难题之一，数学界也感受到了当年 NLP 学者经历过的那种冲击。
大模型为什么能在数学领域完成这一跃迁？
一个原因是，互联网上沉淀着古往今来顶尖数学家的大量论文，模型通读之后掌握了跨领域的超强关联能力。
更关键的一点在于推理与自校验机制。跟 AlphaGo 一样，在形式化数学系统里，证明对不对，机器自己就能验证。机器又一次走进它的“卧室”，闭关演算一周，走下楼时已经是顶尖的数学家。
不少人凭直觉感到 AI 进化的步子正在加快，我的切身体会也是如此。语言和数学领域，几乎每隔几个月就会冒出一项彻底颠覆旧认知的突破。
这种“加速”该怎么量化？我看的维度是：没有人类干预，机器能独立、自主地为你解决问题多长时间。
最早，它只能自主运转 15 秒，回答一个单轮问题，然后停下来等你输入下一句；
后来，它能自主运转 10 分钟，上网收集材料、整理事实，交给你一份结构完整的调研报告；
再进一步，它能在 1 小时 内完全照着你的产品需求，自主写出一个小型软件；
到了近期，它已经可以连续工作 10 个小时，自主构建一个庞大的软件系统，全程不需要向人类求助。
把这个逻辑推到极致：近期被攻克的那道百万美元级数学难题，背后相当于 机器自主思考了 100 年 的算力消耗——具体来说，是 10,000 个智能体在无人类介入的情况下，高度协同、完全自主地连续推演了 88 个小时。
人类现实中遇到的绝大多数商业和实际业务问题，复杂度大致就落在这个区间：攻克某种癌症也许需要超过 10 小时的连续深度推演，解决企业内部复杂的增长与运营问题，同样得突破单轮对话的局限。
AI 的核心跃迁，正是这种“长程自主思考时间”被不断拉长。
语言、纯形式化数学先后被攻克，接下来该往哪儿走？眼下看好的方向有这么几个：具身智能也就是机器人，生物医药，还有让 AI 独立运营一家公司。
这些领域推进得快还是慢，本质瓶颈在于 反馈机制（Feedback Loop）从何而来。
AlphaGo 和纯数学模型能飞速进化，靠的是近乎零边际成本的自闭环环境——机器可以在数字世界里自我试错、自我判定；现实物理世界却没有现成的“卧室”：
落到机器人身上，机械臂把任务干完就算成功，没干成便回头复盘、重新来过。可实体硬件没法只在脑子里推演，仿真环境再逼真，物理世界里的受力、摩擦和损耗照样躲不掉。
生物医药这边也一样。大模型能把生物化学文献全部读完，给出漂亮的分子构型，可这些假说能不能站住，得靠现实中的湿实验去验证，还得熬过漫长的人体临床试验周期。
自主商业实体同样如此。将来一定会有机器全盘接管运营的公司，跟人类企业同场竞争。商业世界的反馈残酷又直接，看的就是现金流和利润。问题是，机器公司也许还没跑通正确的商业模型，手里的钱就已经烧光了。
物理世界的规律，算法压缩不了。凡是得靠物理世界给出真实反馈的领域，AI 往前走的节奏都会被现实规律拽住。
这种加速度之下，整个产业弥漫着一股极端的撕裂感。
我身边的 AI 研究同行里，乐观派和悲观派走到了两个极端：极端的乐观者甚至抽起了烟，他们认定 AI 很快就能攻克肺癌，身体健康不必再操心；极端的悲观者干脆不再为退休存钱，他们觉得 AI 很快就会带来不可抗的灾难，不如及时行乐。
我不抽烟，钱也照存。科幻小说里那种邪恶 AI 的毁灭设定，我并不担心；我真正深切担忧的，是另一种正在悄然发生的变化。
把算术外包给计算器，一点问题没有；把粮食生产外包给农业机械，把做饭外包给外卖配送，这些替我们省下了宝贵时间，人类的核心主体性并没有受损。
可一旦人类开始把“思考本身”外包给机器，事情的性质就完全变了。
就连我这样的人，日常里也开始频繁冒出一种惯性：过去碰到复杂问题，得自己推演、琢磨、攻关，如今的本能反应是“直接问 AI 吧”。当认知推演、逻辑碰撞和深层困惑统统被让渡给系统，无论个体还是整个社会，都要面对认知能力的系统性退化。
AI 不只是在思考，它正在学会自主行动、读懂整个数字世界，并在极其复杂的领域里持续建立优势。对每一个身处其中的人来说，唯一的应对办法，是在快速适应技术转向的同时，始终把住独立判断的缰绳：
让机器去做推演，但永远不要让机器替你思考。
