问题——如何判断机器“更聪明”，以及能否“像人一样思考” 上世纪八十年代，计算机应用加速普及，“机器能否具有人类思维”成为跨学科焦点。1985年9月，费曼东京学习院大学演讲时被问及：未来是否会出现能像人一样思考、并在智力上更胜一筹的机器。费曼将提问拆为两层：其一，机器能否像人一样思考；其二，机器是否可能在智力层面超越人类。他的回答强调：若以人类心智体验、理解与自我意识为尺度，机器难以等同；但若将“智力”界定为在既定规则下解决问题的能力，机器在某些领域存在超越可能。 原因——工具进化往往追求效率而非复制自然，人脑机理亦难以完全被“写成规则” 费曼用“思考像心灵、智力像肌肉”的类比指出：肌肉可通过训练与外部增强达到更高水平，而心灵并非简单的部件叠加。更重要的是，人类创造工具通常不按自然模板“等比例复刻”，而是选择更高效的工程路径：高速移动依靠轮子而非仿生“四足奔跑”，远距离飞行依靠固定翼而非完全复制鸟类振翅。这意味着，即便未来机器在计算上远超人类，其实现方式也未必接近人脑神经系统工作机理。 在他看来，机器擅长执行“给定模式”，而人类擅长在不完备信息中形成判断、并在无明确模式时产生创造。尤其在现实场景中，光照、角度、噪声、遮挡、污染等变量叠加，会使许多看似简单的识别与归纳问题骤然复杂化。人脑可以在经验、联想与语境中完成综合判断，但人类往往难以用可穷尽的规则明确说明自己“为何这样判断”，这使得将其直接转写为程序或算法面临天然困难。 影响——机器可在特定赛道改写竞争格局，但“胜出”不等于“理解” 当时国际象棋仍被视为衡量机器能力的重要试金石。费曼提醒，即便机器在棋类对弈中终将取胜，其优势也更多来自海量数据与高强度搜索，而非人类棋手所依赖的直觉、洞察与创造性策略。棋类胜利能够改变“规则明确、边界清晰”领域的竞争格局，却不足以证明机器具备对世界的整体理解。 费曼对“人工智能”这个称谓持审慎态度，原因在于“智能”概念边界模糊：会下棋不等于会思考，会识别指纹也不等于理解现实。将工具能力直接等同于心智能力，容易导致社会对技术的期待失真，在政策制定、产业推广与公共认知层面产生偏差。 对策——以应用边界为核心推进治理：把能力说清、把责任压实、把风险管住 面向新一轮技术应用扩展，应当从费曼所强调的“定义”入手，推动形成更清晰的能力表达与评价框架：区分通用理解与专项技能，区分规则明确场景与开放复杂场景，区分计算性能指标与可靠性、安全性、可解释性等综合指标。 一是强化面向复杂场景的工程验证与责任体系。对于身份核验、公共安全、司法取证等高风险领域，应坚持“人机协同、以人为主”的审慎原则，完善数据来源、流程记录、误差边界、复核机制和责任追溯，避免将工具输出当作唯一依据。 二是推动关键岗位技能升级与复合型人才培养。费曼以指纹比对等任务说明：经验、语境与综合判断仍具有不可替代性。应加强对专业人员的训练，同时提升其对技术工具的理解与使用能力，使技术成为“增强器”而非“替代品”。 三是加强公众沟通与科学教育。对新技术既不神化，也不污名化，强调“在什么条件下有效、在什么条件下失效”，减少因概念混用造成的误解与恐慌，形成合理预期。 前景——算力与算法仍将推动机器能力扩展，但“像人一样思考”仍是开放命题 从发展趋势看，机器在计算速度、存储规模与专项任务优化上仍会持续突破，在规则清晰、数据充分、目标明确的领域不断提升效率，推动产业升级与公共服务提质。但在开放环境中的稳健识别、跨情境迁移、常识理解与创造性生成等，仍面临多变量耦合与解释困难等挑战。即便技术持续进步，“会算得更快”与“会想得更深”之间依然存在需要长期跨学科探索的鸿沟。
当ChatGPT等工具引发全社会对人工智能的热议时，回顾费曼38年前的冷静思考显得尤为珍贵；这位物理学家通过猎豹与飞机、肌肉与心灵的比喻，不仅揭示了技术局限，更捍卫了人类的独特性。在算法日益渗透生活的今天，保持对思维本质的清醒认知，或许才是应对技术浪潮的基石。