Kevin Knight来华：语言已被攻克，人类正把思考外包给AI

算数交给计算器、吃饭交给外卖，这些都没毛病。可一旦碰上问题就下意识去问 AI，麻烦就来了：人正在自己选择不再动脑。

在语言智能领域深耕三十余年，Kevin Knight 的身份不少：前国际计算语言学协会（ACL）顶会主席、经典 AI 教材作者，Transformer 奠基论文第一作者 Ashish Vaswani 和前 OpenAI 研究副总裁 Barret Zoph 都出自他门下。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。相反，他用罕见的坦率与自嘲，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，更是一份清醒诊断：技术如何反噬研究者，又如何反噬整个人类的思维。

• 一次无可奈何的技术败退：大模型的暴力美学，一夜之间把老一派科学家毕生的经验技巧扫进了历史垃圾堆。顶尖学者不得不承认“语言已被攻克”，随后仓皇转行，逃向纯数学。

• 判断智能有没有进化，硬指标只有一个——别去看那些虚头巴脑的 Benchmark 排名，AI 发生质变的关键，是“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”课题的方向跳。

• 所谓“卧室假说”，讲的是物理世界那道坎：围棋和数学最先被拿下，原因是这两样的自我反馈几乎不花钱，机器关起门来在“卧室”里就能练成神。具身智能、生物医药和真实商业走得慢，则是因为物理世界试错的代价，算法没法凭空抹平。

• 圈内人身上出现了两种荒诞的极端，也敲响了认知上的警钟：技术奇点当前，一线学者们的反应走偏了——有人抽起了烟，因为他笃信 AI 早晚搞定癌症；有人把家底花光、退休金也不存了，因为他认定毁灭就在眼前。可真正的危机既不是乌托邦，也不是世界末日。机器长考能力爆发的当下，人正把自己最要紧的“困惑与思考”整个交出去。

以下为编译后 Kevin Knight 的分享整理。

一、从每天早晨与机器下棋说起

差不多十年前，我在家攒了个国际象棋机器人，它是在一块真实的实体棋盘上落子的。到现在，我每天早起头一件事还是先给自己冲杯咖啡，再跟这机器人杀一盘。这纯粹是我个人的爱好。

几乎同一时期，DeepMind 推出了轰动世界的 AlphaGo 和 AlphaZero。它们一开始学的是人类大师的棋谱，后来转向纯自我博弈——靠自己对弈的经验去摸索赢棋的路子。打个比方：AlphaGo 进了自己的卧室闭关下棋，一周后从楼上走下来，已经成了世界冠军。那会儿我并不焦虑，棋盘游戏不是我的研究方向，每天早晨那盘棋我照下不误。

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。这些在早期都是难到极点的题目。读研究生那阵，我妻子跟朋友聊起我还会感慨，说我这人挺可怜，选了个“不可能被解决的问题”当毕业课题。

几十年来我们干的核心事情，就是搭“语言模型”。这条线能追到 1950 年的克劳德·香农（Claude Shannon）。我们给机器派了个看着挺怪的任务，比如这句：“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）。机器该挑哪个？人凭常识就知道，她多半想要的是玩具（them），不是橱窗（it）。要预测对，机器就得理解现实世界、理解人类社会运转的那套逻辑。也正是靠预测下一个词这么个简单任务，我们一点点把机器翻译等一堆大问题解决了。

到 20 世纪 80 年代，IBM 做出了里程碑式的突破：只用前两个词来预测下一个词。我们顺着统计这条路搭出第一代系统，机器开始靠读文本学习、跟人交流。再后来，Google 按这套传统思路做出了更大的模型。当时学术界的共识是：这条路会一步一步走下去，自然语言处理上的进展会是线性的、慢慢改良的。

但到了 2016 年前后，质变发生了。

二、当一辈子的经验归零，我逃向了数学

从循环神经网络（RNN）、Transformer 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，整个学术界猛然发现：语言问题居然被我们彻底解决了。机器不光能理解、能翻译，还能流畅地生成语言。

它靠什么做到的？最底层的动力，首先是训练规模：全网量级的文本灌进模型，人不用插手，机器自己就能从中摸出统计规律；其次是后训练（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；

• 统计学浪潮到来：一部分人很兴奋，因为机器能从文本中学习了；另一部分热爱传统语言学、厌恶统计学的人则极其痛苦；

• 平稳推进期：英汉翻译这类技术在几十年前行得很慢但很稳，甚至可以成立机器翻译初创公司；

• 神经网络和大模型这场革命，让整整一代研究者陷进了巨大的焦虑和混乱。过去几十年攒下的技巧、算法和经验，几乎一夜之间被扫进垃圾堆，只能硬着头皮切换到全新的体系。

到了 GPT-4 时代，传统 NLP 研究体系甚至有点找不着北：作为核心命题的“语言理解”基本已被攻克，研究者们一时都不知道该往哪儿走。

我当时的想法很直接：这一局既然机器赢了，那就换个更难打的战场。

几十年来我始终觉得，人类最刁钻、最耐人寻味的创造物就是“语言”——一个词能有好几层意思，怎么排列组合都难以预料；反观“数字”，一步一步来，乘法口诀表摆在那儿清清楚楚。可真正扎进纯数学领域研究了几周，我才意识到数学乱起来比想象中厉害得多，连全球最顶尖的数学家，碰上最基础的数学猜想也没辙。

几年前我索性转行做数学，在学术期刊上发论文，想用 AI 给数学研究提提速。结果就在前段时间，AI 的浪潮也冲进了数学界：系统不光拿下了价值百万美元的千禧年数学难题之一，OpenAI 还一口气发了 300 多篇论文，用全新证明思路解决了 300 多个分量极重的数学问题。数学界这下也尝到了当年 NLP 学者那种被震到的滋味。

大模型凭什么在数学上完成这一跳？一头是互联网上攒了从古到今顶尖数学家的海量论文，模型读完之后练出了跨领域的强关联本事；另一头，也是更要害的，是推理加自校验。跟 AlphaGo 一个道理，在形式化数学系统里，证明站不站得住，机器自己就能验。机器又一次进了它的“卧室”，闭关演算一周，下楼时已经是顶尖数学家了。

三、机器能离开人类“自主思考”多久？

AI 进化在提速，这是不少人的直觉，我自己感受也一样。语言也好，数学也好，隔几个月就冒出一次把旧认知掀翻的突破。

可这种“加速”怎么量化？我看的角度是：机器在没人插手的情况下，能独立、自主地替你解决问题多久。

• 最早它只能自主跑 15 秒，答完一个单轮问题就停住，等你敲下一句；

• 后来能自主跑 10 分钟，上网收集材料、梳理事实，交一份结构完整的调研报告给你；

• 再往前一步，1 小时之内，它完全照着你的产品需求，自己写出一个小型软件；

• 到最近，它已经能连着干 10 个小时，自主搭出一个庞大的软件系统，全程不用找人帮忙。

把这套逻辑推到顶：近期被拿下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——说具体点，是 10,000 个智能体在无人介入的情况下，高度协同、完全自主地连续推演了 88 个小时。

人类现实里碰到的大多数商业和实际业务问题，复杂度差不多就落在这个区间：攻克某种癌症，也许要超过 10 小时的连续深度推演；解决企业内部的复杂增长与运营问题，同样得跳出单轮对话的框框。AI 的核心跃迁，说到底是这种“长程自主思考时间”在不停拉长。

四、下一轮飞跃的试金石

语言和纯形式化数学都已被相继攻破，下一个突破口在哪儿？方向集中在几处：机器人（具身智能）、生物医药，还有让 AI 完全自主地运营一家企业。

这几个领域推进得快还是慢，关键在于反馈机制（Feedback Loop）从哪儿来。

AlphaGo 和纯数学模型能飞快进化，靠的是近乎零边际成本的自闭环环境——试错、判定，机器在数字世界里自己就能完成；现实物理世界可没有现成的“卧室”：

• 机器人这边：机械臂把任务做完就算成，失败了就得回头反思重来。可实体硬件不能只靠脑内模拟，仿真环境做得再逼真，物理世界里的受力、摩擦和损耗照样躲不掉；

• 生物医药这边：大模型能把生物化学文献全读完，提出漂亮的分子构型，但这些假说成不成立，得靠现实中的湿实验去验，还得熬过漫长的人体临床试验周期；

• 自主商业实体这边：将来一定会冒出由机器完全接管运转的公司，跟人类企业同台竞争。商业世界的反馈又狠又直接——就是现金流和利润。问题是机器公司可能还没跑通正确的商业模型，手里的钱就已经烧光了。

物理世界的规律没法被算法压缩。凡是得靠物理世界给真实反馈的领域，AI 的演进节奏都会被现实客观规律拽着走。

五、最大的危机不是 AI 毁灭世界，而是人类停止思考

这种加速度一起，整个产业里弥漫着极度撕裂的气氛。

我身边的 AI 研究同行里，乐观派和悲观派各自走到了尽头：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给退休存钱了，在他们看来 AI 早晚带来挡不住的灾难，不如及时行乐。

我自己不抽烟，钱也照存。科幻片里那种邪恶 AI 毁天灭地的设定，我并不太担心；真正让我忧虑的，是另一种正悄悄发生的变化。

算术交给计算器，这没问题；粮食生产交给农机、做饭交给外卖配送，也没问题，反倒给我们腾出了宝贵时间，人类的核心主体性并没因此受损。

可一旦把“思考本身”外包给机器，事情的性质就完全变了。

哪怕是我这样一个人，日常里也开始冒出一种惯性：碰上复杂问题，本来该自己推演、琢磨、攻关，现在的本能反应却是“直接问 AI 吧”。认知推演、逻辑碰撞、深层困惑，统统让渡给系统之后，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，它还在学着自主行动、理解整个数字世界，并在极其复杂的领域不断积累优势。对每一个身处其中的人而言，唯一的应对办法是：快速跟上技术转向，同时始终把住独立判断的缰绳。

推演可以交给机器，但思考永远不能让机器替你完成。