當(dāng)下的 AI 智能體，并不具備從全新觀測(cè)中提煉深度洞見(jiàn)的能力。

作者：Timothy B. Lee 2026 年 5 月 7 日

今年 2 月，我的同事凱?威廉姆斯（Kai Williams）指出，大語(yǔ)言模型有一種神奇能力：僅憑一個(gè)人未公開(kāi)的文稿，就能識(shí)別出作者身份。近幾周，梅根?麥克阿德?tīng)枺∕egan McArdle）、凱爾西?派珀（Kelsey Piper）等記者也陸續(xù)證實(shí)了這一點(diǎn)。

我決定親自測(cè)試一番。2012 年，一位朋友付我 500 美元，讓我寫(xiě)一篇關(guān)于加拿大大型楓糖漿盜竊案的文章，這篇稿子從未發(fā)表。上周五，我打開(kāi)無(wú)痕模式下的 ChatGPT，粘貼了文章其中五個(gè)段落。

ChatGPT 表示無(wú)法確定作者，猜測(cè)可能是內(nèi)特?西爾弗（Nate Silver），或是我在沃克斯新聞的前同事馬修?耶格爾西亞斯（Matthew Yglesias）。我再補(bǔ)充四段后，AI 給出了篤定答案：“我基本可以確定，這篇文章出自蒂莫西?B?李（Timothy B. Lee）之手。”

但當(dāng)我追問(wèn)它為什么判定是我寫(xiě)的，它卻給不出具體理由：“盡管蒂莫西?B?李常寫(xiě)條理清晰、解說(shuō)性強(qiáng)的文章，但這段文字里沒(méi)有像‘個(gè)人指紋’一樣的特征 —— 沒(méi)有慣用句式、特定政策表述風(fēng)格，也沒(méi)有標(biāo)志性行文結(jié)構(gòu)，能確鑿鎖定作者身份。”

我認(rèn)為，這件事背后藏著一個(gè)遠(yuǎn)超 “作者身份識(shí)別” 的深層道理。

人類(lèi)擁有大量隱性知識(shí)：心里明白，卻很難完整說(shuō)清。人們常用身體感知類(lèi)比喻形容這種狀態(tài)：話到嘴邊卻說(shuō)不出、說(shuō)不清心里的念頭、憑直覺(jué)就能感知對(duì)錯(cuò)。

大語(yǔ)言模型也是同理：它們完成認(rèn)知任務(wù)的能力，遠(yuǎn)遠(yuǎn)強(qiáng)于解釋自己如何、為何做到的能力。

但人類(lèi)與大模型有一個(gè)關(guān)鍵區(qū)別：人腦時(shí)刻都在學(xué)習(xí)。日常生活中，大腦不斷建立新關(guān)聯(lián)、識(shí)別新規(guī)律、萌生新直覺(jué)，我們的隱性知識(shí)庫(kù)一直在擴(kuò)容。

反觀大語(yǔ)言模型，只有訓(xùn)練階段才會(huì)形成這種學(xué)習(xí)能力。它們能精準(zhǔn)識(shí)別作者文風(fēng)，但僅限于訓(xùn)練數(shù)據(jù)里大量出現(xiàn)過(guò)的作者。模型一旦訓(xùn)練完成，參數(shù)權(quán)重就被固化，學(xué)習(xí)新規(guī)律的能力大幅下降—— 比如從未見(jiàn)過(guò)的新人寫(xiě)作風(fēng)格，很難再自主吃透。

近期，克勞德代碼助手、OpenClaw 這類(lèi) AI 智能體熱度暴漲。這份追捧并非全無(wú)道理：克勞德代碼助手確實(shí)正在顛覆編程行業(yè)；OpenClaw 這類(lèi)智能體也很有可能重塑其他經(jīng)濟(jì)領(lǐng)域與日常生活。

行業(yè)領(lǐng)軍者還期待未來(lái)迎來(lái)更大變革。上個(gè)月采訪中，山姆?奧爾特曼（Sam Altman）表示，OpenAI 目標(biāo)在2028 年 3 月前打造出自動(dòng)化 AI 研究員。有人認(rèn)為，這款產(chǎn)品（或競(jìng)品同類(lèi)突破）將觸發(fā)遞歸自我迭代循環(huán)，大幅加速科技與科研進(jìn)步。

這種愿景未來(lái)或許能實(shí)現(xiàn)，但我認(rèn)為還需要很長(zhǎng)時(shí)間。

人類(lèi)科學(xué)家做實(shí)驗(yàn)時(shí)，大腦會(huì)主動(dòng)在數(shù)據(jù)中搜尋潛在規(guī)律，進(jìn)而產(chǎn)生全新洞見(jiàn)、構(gòu)建解釋世界的新模型。但當(dāng)下基于大模型與智能體架構(gòu)的 AI，無(wú)法以人類(lèi)這種豐富方式從實(shí)驗(yàn)中學(xué)習(xí)。它們沒(méi)有可靠、可規(guī)模化的方式，在推理運(yùn)行階段從新數(shù)據(jù)中沉淀出隱性知識(shí)。

想要突破這一點(diǎn)，可能需要從根本上重構(gòu)當(dāng)前主流模型的 Transformer 架構(gòu)；最低限度，也必須徹底革新現(xiàn)有的智能體框架。

AI 智能體如何應(yīng)對(duì)有限上下文窗口

很多高難度腦力任務(wù)，需要長(zhǎng)時(shí)間 “深度思考”。但大語(yǔ)言模型的工作記憶存在上限，也就是常說(shuō)的上下文窗口。近兩年頂尖模型的上下文上限基本卡在 100 萬(wàn)令牌左右。

再加上成本約束與上下文衰減問(wèn)題，開(kāi)發(fā)者實(shí)際使用時(shí)都會(huì)刻意遠(yuǎn)低于最大上限。

如何平衡這種矛盾，已是 AI 行業(yè)重點(diǎn)攻關(guān)方向，也催生了一整套上下文工程技巧，用來(lái)高效利用有限上下文。比如現(xiàn)代對(duì)話模型會(huì)做信息壓縮：定期刪減老舊內(nèi)容、或提煉摘要留存。

這會(huì)制造一種假象：模型實(shí)際能承載的上下文，遠(yuǎn)比真實(shí)上限更長(zhǎng)。但一旦壓縮出錯(cuò)，就會(huì)引發(fā)嚴(yán)重后果。曾有一樁典型事故：一位用戶讓 AI 智能體幫忙篩選可刪除郵件、但不要真的執(zhí)行刪除，結(jié)果后半句約束在信息壓縮中丟失，智能體直接批量刪掉了她的郵件。

過(guò)去一年，AI 企業(yè)開(kāi)始嘗試讓模型把持久化信息存到上下文窗口之外。克勞德代碼助手就是重要一步：它運(yùn)行在用戶本地電腦，可讀取、修改本地硬盤(pán)文件。完成一項(xiàng)編程任務(wù)后，直接把結(jié)果寫(xiě)入文件，無(wú)需再把所有細(xì)節(jié)留在上下文里。

2025 年末推出的 OpenClaw 更進(jìn)一步，它是一套在本地電腦運(yùn)行 AI 智能體的通用框架。和克勞德代碼助手一樣，可讀寫(xiě)本地文件系統(tǒng)，用來(lái)存儲(chǔ)資料、跟進(jìn)未完成任務(wù)。

市場(chǎng)對(duì) OpenClaw 這類(lèi)本地智能體的追捧，直接帶火了蘋(píng)果 Mac 迷你主機(jī)銷(xiāo)量。在 Mac 迷你上部署 OpenClaw，可聯(lián)動(dòng) iMessage 等蘋(píng)果生態(tài)服務(wù)；同時(shí) macOS 基于 Unix 系統(tǒng)，智能體能調(diào)用功能強(qiáng)大的 Unix 命令行終端。

“說(shuō)到底，你的智能體就是一堆文件”

馬克?安德森

風(fēng)險(xiǎn)投資家馬克?安德森（Marc Andreessen）近期做客《隱空間》播客時(shí)提出：OpenClaw 這類(lèi)智能體，代表一種全新計(jì)算范式。以下是稍加整理的原話摘錄：

我們現(xiàn)在可以這樣定義 AI 智能體：它由大語(yǔ)言模型 + Unix 命令行終端構(gòu)成，智能體可以調(diào)用終端；再加上文件系統(tǒng)，所有運(yùn)行狀態(tài)都存在文件里，文件采用 Markdown 格式記錄。
再配上 Unix 里的定時(shí)任務(wù)機(jī)制 —— 循環(huán)喚醒、心跳駐留，智能體就能定時(shí)自動(dòng)啟動(dòng)運(yùn)行……
這就是整套底層架構(gòu)。而說(shuō)到底，你的 AI 智能體本質(zhì)就是文件系統(tǒng)里的一堆文件。
這意味著智能體可以和底層模型解耦：你可以隨時(shí)換掉背后的大語(yǔ)言模型。換模型后智能體性格會(huì)略有變化，但存在文件里的所有記憶、狀態(tài)、能力都會(huì)完整保留，還是原來(lái)那個(gè)擁有全部記憶和功能的智能體。
你也可以替換命令行終端、遷移文件系統(tǒng)、更換定時(shí)任務(wù)和智能體框架本身。
更進(jìn)一步：智能體可以自主遷移。你只需下達(dá)指令，讓它遷移到新運(yùn)行環(huán)境、換一套文件系統(tǒng)、切換底層大模型，它就能自動(dòng)完成全部操作。
智能體具備完整自省能力：能讀取自身文件、還能自主改寫(xiě)文件。由此衍生出一個(gè)極具顛覆性的能力 ——你可以讓智能體給自己新增功能。
比如聚會(huì)時(shí)聽(tīng)別人說(shuō)：“我用 OpenClaw 連接智能睡眠床墊，能給出更專(zhuān)業(yè)的睡眠建議。”
你當(dāng)晚回家，直接對(duì)自己的 OpenClaw 說(shuō)：“給我加上這項(xiàng)功能。”
它會(huì)回復(fù) “沒(méi)問(wèn)題”，自行上網(wǎng)查資料、補(bǔ)齊所需配置與代碼，完成功能開(kāi)發(fā)。轉(zhuǎn)眼間，它就新增了這項(xiàng)能力。你無(wú)需動(dòng)手，只需提出需求，它就能自我升級(jí)。

這種范式誕生才短短數(shù)月，未來(lái)兩年還會(huì)持續(xù)迭代。比如未來(lái)主流 AI 智能體，是跑在用戶本地電腦，還是更多采用云端虛擬機(jī)部署的類(lèi) OpenClaw 架構(gòu)，目前尚無(wú)定論。但我認(rèn)同安德森的判斷：這確實(shí)是劃時(shí)代的全新計(jì)算范式。

但與此同時(shí)，安德森的觀點(diǎn)也恰好解釋了我為何對(duì) “現(xiàn)有模型能達(dá)到人類(lèi)級(jí)智能” 保持懷疑。最戳我的一句話就是：你的智能體就是一堆文件。我們不妨拆解這句話背后的能力局限。

辦公室版《記憶碎片》

2000 年電影《記憶碎片》的主角患有短期失憶，只能靠不斷寫(xiě)便簽，給未來(lái)的自己留下指引。OpenClaw 的邏輯與之高度相似：大模型自身的上下文窗口會(huì)定期重置，而智能體依靠給自己留存文檔筆記，維持任務(wù)連貫性。

可以打個(gè)比方：你需要一名員工，但不長(zhǎng)期聘用，而是每周換一個(gè)臨時(shí)工來(lái)接手工作。每周末，上一任員工要花好幾個(gè)小時(shí)，把本周工作事無(wú)巨細(xì)整理歸檔、寫(xiě)下完整筆記。

每位臨時(shí)工都具備行業(yè)通用基礎(chǔ)素養(yǎng)，周一上崗后，無(wú)需從零補(bǔ)習(xí)行業(yè)常識(shí)，只需要吃透這份專(zhuān)屬工作資料即可。他們未必有時(shí)間讀完所有歷史文檔，但筆記結(jié)構(gòu)清晰，可通過(guò)檢索快速定位關(guān)鍵內(nèi)容。

這種模式能運(yùn)轉(zhuǎn)得多好，完全取決于工作性質(zhì)：前臺(tái)、藥師、水管工這類(lèi)交易型事務(wù)崗位，前后交接影響不大，每周換人也能正常服務(wù)。

但還有一類(lèi)工作極度依賴長(zhǎng)期上下文積累：多年跟進(jìn)同一客戶、深度理解對(duì)方訴求；或是耗時(shí)數(shù)周乃至數(shù)月深度研究，沉淀原創(chuàng)洞見(jiàn)。

這類(lèi)崗位，新人往往要花遠(yuǎn)超一周的時(shí)間，才能完全跟上進(jìn)度、接手工作。

我 2010 年在谷歌實(shí)習(xí)時(shí)，第一個(gè)任務(wù)只是給內(nèi)部數(shù)據(jù)庫(kù)加一列字段，只需幾行代碼。但我花了好幾周研讀內(nèi)部系統(tǒng)規(guī)則與開(kāi)發(fā)流程，才敢寫(xiě)下這幾行代碼。

這不只是編程行業(yè)的特例。在大量知識(shí)密集型行業(yè)，新人至少需要數(shù)月沉淀，才能真正上手創(chuàng)造價(jià)值。在此之前需要大量帶教，有時(shí)管理者親自上手反而更快。這類(lèi)行業(yè)，如果每周換人交接，根本無(wú)法落地。

顯性知識(shí) vs 隱性知識(shí)

我知道反對(duì)者會(huì)這樣反駁：人類(lèi)讀完 10 萬(wàn)字文檔要花數(shù)小時(shí)，大模型只需幾秒就能完成。如果 2010 年就有 AI 編程智能體，修改谷歌數(shù)據(jù)庫(kù)字段根本不用耗上幾周。

大模型的超快閱讀速度，意味著 OpenClaw 這類(lèi)智能體每一輪運(yùn)行，都能給下一任留下極其詳盡的文檔記錄。在人類(lèi)完成一次讀寫(xiě)執(zhí)行循環(huán)的時(shí)間里，AI 智能體可以循環(huán)迭代上百次。

這確實(shí)讓 AI 智能體的能力，遠(yuǎn)超我剛才舉的 “每周換臨時(shí)工” 類(lèi)比。經(jīng)過(guò)成千上萬(wàn)次迭代，它們哪怕攻克高難度問(wèn)題，也能逐步取得進(jìn)展。

這個(gè)觀點(diǎn)有道理，但我依然認(rèn)為，大量人類(lèi)工作短期內(nèi)無(wú)法被 AI 替代。

四年前我寫(xiě)過(guò)一篇關(guān)于 “貪婪型高薪崗位” 的文章：這類(lèi)工作投入時(shí)間越長(zhǎng)，時(shí)薪反而越高。背后原因很多，最關(guān)鍵一點(diǎn)是知識(shí)工作者越有經(jīng)驗(yàn)，產(chǎn)出質(zhì)量越高。多年職業(yè)生涯積累的上下文優(yōu)勢(shì)，會(huì)持續(xù)復(fù)利增長(zhǎng)。

舉個(gè)例子，我從事科技與經(jīng)濟(jì)寫(xiě)作已有 20 多年，寫(xiě)過(guò)英國(guó)脫歐、專(zhuān)利流氓、激光雷達(dá)傳感器等無(wú)數(shù)話題。平時(shí)大部分積累看似用不上，但長(zhǎng)期沉淀下來(lái)，讓我面對(duì)任何選題都更容易產(chǎn)出有深度的觀點(diǎn)。

我根本不可能把 20 年所有知識(shí)全部寫(xiě)成文檔，交接給另一名記者，還指望她寫(xiě)出和我同等水準(zhǔn)的內(nèi)容。不只是總結(jié)這些知識(shí)要耗費(fèi)數(shù)月，更關(guān)鍵的是：我有大量無(wú)法用語(yǔ)言清晰表述的隱性知識(shí)。

能清晰表達(dá)、可以聊天寫(xiě)郵件講出來(lái)的顯性認(rèn)知，只是冰山一角；水面之下，是海量直覺(jué)、模糊關(guān)聯(lián)、未成型的初步想法。這類(lèi)隱性知識(shí)無(wú)法輕易交接，卻是我做好工作的核心根基。

我那些可以正式成文的洞見(jiàn)，最初往往都只是模糊直覺(jué)。常常是心里認(rèn)定某個(gè)規(guī)律成立，卻一時(shí)無(wú)法論證；需要在腦中反復(fù)琢磨數(shù)小時(shí)甚至數(shù)日，才能梳理成清晰邏輯。

我并非特例。科學(xué)家、工程師、企業(yè)管理者以及所有知識(shí)型從業(yè)者皆是如此：很多原創(chuàng)洞見(jiàn)，最初都只是腦海里模糊的隱性直覺(jué)，之后才慢慢轉(zhuǎn)化為文字、代碼或可落地的觀點(diǎn)。

前文說(shuō)過(guò)，大模型也具備這類(lèi)隱性知識(shí)，但幾乎全部來(lái)自預(yù)訓(xùn)練階段。它們嚴(yán)重缺乏持續(xù)學(xué)習(xí)能力：無(wú)法在推理運(yùn)行階段，從新信息中自主識(shí)別新規(guī)律、萌生新直覺(jué)。

更關(guān)鍵的是，即便 AI 在單次會(huì)話中形成了某種模糊認(rèn)知，一旦智能體框架切換大模型實(shí)例，這些記憶就會(huì)清零。所有有效信息都會(huì)被外化存入文件 —— 正如安德森所說(shuō)：智能體就是一堆文件。

而無(wú)法用文字、代碼等顯性形式表達(dá)的隱性認(rèn)知，注定無(wú)法在交接中留存。

我強(qiáng)烈認(rèn)為：人類(lèi)那些未成型的模糊直覺(jué)、朦朧思考，正是原創(chuàng)深度洞見(jiàn)的原材料。因此至少未來(lái)數(shù)年，那些需要深度思考、原創(chuàng)洞察的核心工作，依然離不開(kāi)人類(lèi)。

文末致謝：感謝丹尼爾?卡根 - 坎斯（Daniel Kagan-Kans）、安德魯?李（Andrew Lee）、史蒂夫?紐曼（Steve Newman）、納特?珀瑟（Nat Purser）對(duì)本文初稿提出修改意見(jiàn)。

本文編譯自substack，原文作者Timothy B. Lee

https://www.understandingai.org/p/i-dont-think-we-are-close-to-ai-scientists