來源：智能前沿社

　　宇宙里有一種東西，看不見，摸不著，不發光，不反射任何電磁波。

　　但如果沒有它，銀河系會在自身引力下土崩瓦解。

　　天文學家把它叫做暗物質——不是因為它神秘，而是因為它的存在只能從它的缺席里被推斷出來。星系轉得太快了，按照可見物質的質量根本撐不住，所以一定有什么東西我們還沒看見。

　　2026年3月，普林斯頓大學認知科學系、Amaranth基金會和Protocol Labs的三位研究者，用完全相同的邏輯，描述了他們在AI里看到的一個結構性缺口。

　　他們把它叫做認知暗物質。

　　先從一件讓人困惑的事說起

　　GPT-5、Claude Opus 4.5、Gemini 3.0 Pro——這些模型能通過律師資格考試，能解答奧數題，能看一張病理切片給出診斷意見，能在一小時內寫出一個功能完整的Web應用。

　　但研究者做了一個簡單的測試：讓這三個模型各自運行10次，完成同一個任務——

　　寫一個包含三道國際象棋"一步將死"殘局的網頁應用，要有拖拽功能。

　　沒有一個模型能穩定通過。

　　原因不是代碼能力不夠——它們生成的HTML、CSS、JavaScript幾乎無可挑剔，連拖拽邏輯都完美實現了。

　　失敗的地方是：它們生成的國際象棋殘局本身是無效的。黑方棋子已經被將軍了，根本還沒到白方走棋，殘局就已經結束了。

　　這是任何一個真正下過象棋的人一眼就能看出來的錯誤。一個初學者可能不會擺出這樣的殘局。

　　但AI沒有發現。

　　更奇怪的是：這個錯誤在代碼層面完全可以被檢測出來——這些模型在生成代碼時，已經導入了能驗證棋盤合法性的Python棋類庫。它們擁有發現自己錯誤所需的全部工具，只是從來沒有想到要用這個工具檢查自己的輸出。

　　研究者把這個現象起了個名字：鋸齒狀智能（Jagged Intelligence）——AI的能力不是一個完整的球體，而是一個奇怪的形狀，某些方向上突出得極遠，某些方向上有令人意外的深坑，而且你很難提前預測哪里會是坑。

　　他們的問題是：這些坑，為什么會在這里？

　　AI的訓練方式，決定了它不知道自己不知道什么

　　要理解這個問題，需要先理解AI是怎么被訓練出來的。

　　現有的AI模型，學習的材料是人類行為的數字痕跡——文字、圖像、代碼、對話記錄。這些都是行為的結果，而不是產生這些行為的認知過程。

　　舉個例子：你在網上看到一篇數學論文，最終呈現的是一個完整的證明。但論文背后是什么？是作者在某個下午突然想到了一個新思路，是他意識到之前的方向走錯了然后回頭，是他在白板前站了兩個小時發現了一個別人沒注意到的模式。

　　這些東西都沒有被寫進論文。

　　AI學的是那個證明，不是寫出那個證明的認知過程。

　　研究者把那些真正在人類智能運作中發揮關鍵作用、但很難從行為結果里推斷出來的認知能力，統稱為"認知暗物質"。

　　就像宇宙暗物質的存在是從"星系轉得太快"這件事被推斷出來的——認知暗物質的存在，是從AI在某些任務上的表現方式里被推斷出來的。

　　那些任務，AI完成得很奇怪：對的部分非常對，錯的部分非常奇怪，錯誤的類型不像人類會犯的錯，更像一個不知道自己缺了什么的系統在盲目推進。

　　七片暗物質，每一片都有名字

　　研究者列出了他們認為最關鍵的七個認知暗物質域。這七個能力，共同構成了人類智能里那個"看不見但撐起了一切"的隱形骨架。

　　第一片：元認知

　　知道自己知道什么，知道自己不知道什么，知道什么時候需要停下來檢查自己的推斷是否正確。

　　象棋殘局那個例子里，缺失的正是這個——模型生成了棋局，但從來沒有問自己"這個棋局合法嗎"。它沒有一個內置的聲音在說"等等，我在這一步可能犯了錯，讓我驗證一下"。

　　人類做復雜任務時會有這種內部檢查機制，即便犯了很多錯，也能在某個節點意識到"這個方向不對"然后轉向。AI的成功率隨著任務步驟的增加呈指數級下降，就是因為缺乏這個錯誤恢復機制——它每一步犯錯，卻不知道自己在犯錯，然后繼續走。

　　第二片：認知靈活性

　　當規則變了，或者反饋表明當前策略不管用時，快速切換到另一種策略的能力。

　　研究者嘗試給Claude Code連續反饋，告訴它殘局是無效的，讓它換一個思路。失敗了——模型反復使用同一種方法，哪怕每次都得到了"這條路走不通"的明確信號。

　　人類碰到這種情況會有一種認知層面的"卡住感"，然后主動尋找為什么卡住、有沒有別的思路。這個機制在AI里大體缺失。

　　第三片：情節記憶

　　記住"這件具體的事是什么時候發生在我身上的"，然后用這段記憶來指導未來的行動。

　　當前部署的語言模型沒有真正意義上的情節記憶。它們有訓練數據里蒸餾出來的通用知識，但沒有"我上次做類似任務時犯了這個錯誤"這種可以被檢索和利用的個人化記憶。每次對話都是全新開始，之前積累的經驗教訓無法被內化。

　　第四片：終身學習

　　在不忘記已有知識的前提下，不斷學習新東西，適應新環境的能力。

　　人類的神經系統在一生中都在持續更新，學新技能不會讓之前的技能消失。現有的AI模型要更新知識，需要在海量數據上重新訓練。這被稱為"災難性遺忘"問題——給模型加入新知識，舊知識就被覆蓋了。

　　第五片：溯因推理

　　從已知的結果，推斷出最有可能的原因——即便那個原因是全新的、之前從未被明確提出過的。

　　這是科學發現的核心機制。達爾文看到加拉帕戈斯群島上不同的雀類，推斷出了自然選擇。牛頓看到蘋果落地，推斷出了萬有引力。這種從零散觀察里"跳躍"到一個全新解釋框架的能力，極難被編碼進訓練數據，因為真正的"跳躍"在它發生之前沒有人知道它會在哪里發生。

　　第六片：社會常識推理

　　理解人和人之間那些不成文的規則，理解"他知道我知道他知道什么"這種多層嵌套的社會認知。

　　人際交往里有大量的意義是通過沉默、語氣、時機傳遞的，而不是通過字面意思。一個真正理解社會規則的系統，不需要被明確告知"在這種情況下不應該說這種話"——它有一個關于人類社會互動的內建模型。

　　第七片：情緒智能

　　識別、理解自己和他人的情緒狀態，并據此調整自己的行為。

　　這不是在問"AI有沒有感情"這個哲學問題。這是在問：在一個情緒高度敏感的對話場景里，AI能不能感知到對方的情緒信號，并給出在情感層面恰當的回應？相關事件顯示，這個能力目前存在相當大的缺口。

　　為什么這七件事這么難補上

　　你可能會問：這七件事，不就是更多的訓練數據，或者更大的模型能解決的問題嗎？

　　研究者的回答是：不是，因為問題不在于量，而在于類型。

　　他們分析了目前最大規模的神經成像數據集，發現了一個讓人警覺的模式：

　　那些已經被AI掌握得很好的認知能力（視覺感知、語言理解、語言生成），有大量專門為AI訓練而設計的大規模神經數據集。

　　那些AI還完全沒有掌握的認知能力（元認知、認知靈活性、情緒智能），對應的大規模數據集幾乎不存在。

　　這不是偶然。AI研究者收集和使用那些容易被測量、能產生明確正確或錯誤答案的數據。元認知發生在內部，通常不留痕跡；溯因推理的"靈感時刻"稍縱即逝，無法被大規模記錄；情緒智能的微妙信號很難被標注成訓練標簽。

　　結果就是：AI學會了大量可以被測量的東西，但那些真正塑造人類行為、但難以被測量的東西，從來沒有進入過任何訓練集。

　　研究者還做了另一個分析：檢查了GPT-5.2、Claude Opus 4.5、Gemini 3.0 Pro的發布文檔里用到的所有評測基準——37個基準，分析每一個主要在考察什么認知能力。

　　結果：幾乎所有基準都集中在中等難度的認知能力層級，對真正困難的認知暗物質域的測試幾乎為零。

　　換句話說：AI在哪些方面進步，取決于我們在哪些方面給它出卷子。我們沒有出這七道題，所以這七塊地方從未被認真建設過。

　　它如何失敗，比它是否失敗更重要

　　論文里有一段話，讀完之后會停在腦子里：

"問題不只是任務失敗，而是失敗的方式。在一個精良的象棋應用里硬編碼了無效殘局，不只是錯誤，更是陌生的。人類犯錯有規律可循：忽略邊緣案例，算術出錯，注意力渙散。這些失敗模式是可被理解的，這讓協作成為可能。以不可預測的方式失敗的AI，很難被整合進人類的社會網絡。目標不只是減少失敗，而是確保失敗是可被發現和可被解釋的。"

　　這句話說的是一件比能力本身更根本的事：可靠性的前提，不是永不出錯，而是出錯的方式讓人能看懂。

　　一個人類同事犯了錯，你大概能理解為什么——太累了，信息不夠，理解有偏差。你知道下次怎么補救，知道在哪些環節多核查。這讓人類之間的分工成為可能。

　　一個缺乏認知暗物質的AI犯了錯，那個錯誤經常是莫名其妙的——它做對了99個步驟，然后在第100步犯了一個初學者都不會犯的錯，沒有任何預兆，沒有任何你能事先檢測到的信號。

　　這不只是技術問題，這是人機協作的根本挑戰。

　　研究者說，解決這個問題會有雙重收益

　　這篇論文最后的結論，有一種不常見的誠實：

　　研究者承認，他們提出的解決方向——收集大規模的過程數據、眼動追蹤數據、神經成像數據，來訓練AI學習認知過程而不只是行為結果——可能來不及在常規AI研究進展之前發揮作用。

　　如果scaling law繼續下去，也許這七片暗物質會在某個未知的方式下被部分解決，而不需要等待神經科學數據的介入。

　　但他們認為，即便如此，這項研究依然值得做。原因是雙重的：

　　一方面，這些數據能幫助AI變得更通用、更少鋸齒。

　　另一方面，這些數據能幫助我們更好地理解人類自己的認知是怎么運作的——元認知究竟發生在大腦的哪個部位，情緒智能的神經基礎是什么，溯因推理時大腦里在發生什么。

　　研究AI缺什么，結果幫我們更清楚地看到了人類有什么。

　　這個視角，讓這篇論文的意義超出了單純的AI研究邊界。

　　最后

　　回到開頭的那個比喻。

　　宇宙暗物質之所以重要，不是因為它神秘，而是因為如果它不存在，我們觀察到的宇宙就無法成立——那些星系根本不該轉得那么穩定，那些結構根本不該那么完整。

　　認知暗物質之所以重要，是同樣的邏輯：如果這七種能力真的只是可有可無的附加功能，那人類就不該如此穩定地在復雜的、不確定的、充滿情感張力的真實世界里生存和合作。

　　它們一直在那里，支撐著我們，只是在AI被設計出來之前，我們從來沒有需要給它們一個名字。

　　原論文：Patrick J. Mineault（Amaranth基金會）、Thomas L. Griffiths（普林斯頓大學）、Sean Escola（Protocol Labs），《Cognitive Dark Matter: Measuring What AI Misses》，arXiv:2603.03414，2026年3月5日