2026 年 10 月 7 日
公众往往将 ChatGPT 等大型语言模型的运作机制想象为数据库查询或逻辑步骤的执行。这种类比虽然直观，但并不准确。要理解人工智能为何表现出当前的行为特征，必须追溯其起源中认知科学的核心影响。
人工智能的发展史并非单纯的计算机科学演进，其关键突破源于旨在解析人类思维的研究者，而非仅仅为了辅助日常任务。这一背景差异解释了当前 AI 系统的“行为”模式。作为认知科学家，我们观察到在讨论 AI 功能时，其跨学科的历史渊源常被忽视。
被遗忘的血统：从规则到学习
“人工智能”一词于 1956 年在达特茅斯学院的研讨会上提出。当时的主流观点认为，只要编写正确的规则集，机器即可实现智能化。
然而，心理学家弗兰克·罗森布拉特（Frank Rosenblatt）在 1958 年构建了感知器，这是一种能够从实例中学习的设备。罗森布拉特并未参与达特茅斯研讨会，但他探索了一条更贴近人类认知的路径：建立模仿大脑结构的人工神经网络。这一理念建立在唐纳德·赫布（Donald Hebb）等心理学家的研究基础上，特别是关于神经连接随使用而增强的发现。
20 世纪 80 年代，随着心理学家致力于解释单词识别和记忆形成等复杂认知任务，David Rumelhart、Geoffrey Hinton 和 Ronald Williams 共同发现了训练多层人工神经网络的方法，即后来所称的“深度学习”。这些多层网络能够处理更复杂的任务，并将所学应用于新案例。
此后几十年间，计算机科学家和工程师通过扩展计算能力、开发图形芯片及 Transformer 架构等技术，推动了现代 AI 的实现。若无这些硬件与架构进步，AI 仍难以超越简单的字母识别，无法进行自然语言对话。
核心洞见在于：现代 AI 并非基于预设规则，而是基于实例学习。这种生长式的特性使其不如基于规则的系统那样具有可预测性。
起源决定行为：为何 AI 像大脑而非数据库
用户对技术运作的直觉直接影响其使用方式。将 AI 视为“确定性事实检索”软件的概念，导致了对输出结果的误解。
“幻觉”现象在聊天机器人中常见，若视 AI 为数据库，这种行为便显得令人困惑——系统如何找到不存在的答案？但人类记忆并非搜索过程，而是重建过程，常以可信细节填补空白。伊丽莎白·洛夫图斯（Elizabeth Loftus）的研究表明，错误记忆在人类中极为普遍。
一个“查找”系统对同一问题始终给出相同答案，但适用范围有限；而人类大脑及 AI 系统不同，为了对新问题和任务进行泛化，必须接受一定程度的不确定性。认为 AI 类似原始大脑有助于解释其他费解行为，例如对同一问题给出不同答案。由于 AI 以概率方式运作，交互框架至关重要，系统可能被引导生成特定偏好的答案。
但这并不意味着 AI 必须像人类一样思考。两者通常拥有不同的“感知”方式。计算机视觉能发现人类忽略的微细异常，但也可能误解某些信息，如有损的道路标志。
起源的重要性与现实意义
面对不可预测的现代 AI，理解其起源是建立准确心智模型的关键。意识到 AI 更像大脑而非数据库，有助于用户更好地把握其工作原理。
- 过度信任风险：许多 ChatGPT 用户将其当作搜索引擎使用，这种误解可能导致用户跳过必要的验证步骤。
- 机构思维冲突：教育界在禁止 AI 工具与将其融入课程之间存在分歧，教师和学生对于是将 AI 输出视为需核查的答案还是可信的合作者感到混乱。
- 可解释性的回归：当前 AI 系统对其构建者而言亦是不透明的。研究人员正转向可解释性方向，试图打开模型查看内部机制，这在方法论上更接近神经科学，而非早期的行为主义探究。
这种互动是双向的。计算机科学借鉴认知科学的问题与方法，而认知科学也利用 AI 模型的可访问性来测试和完善思维理论。这两个学科曾在一个共同目标下分离：理解智能如何工作。如今，重新审视这段历史，将使人类处于更有利的位置。
