造出了智能，却不懂智能：Kevin Kelly论AI时代最大的空白
凯文·凯利（Kevin Kelly）又在The Technium上放出了一篇值得反复读的文章。这次他不谈空间智能，不谈镜像世界，而是指向一个几乎所有AI从业者都不愿正视的事实：我们正在用上千亿美元的算力制造智能，但人类至今没有一门关于智能的理论。我们能训练出通过律师考试的大模型，却回答不了"智能到底是什么"这个最基础的问题。KK的判断是：这个空白即将被填补，而填补它的工具，正是AI本身。
工具先于科学
KK的文章从一个科学史的铁律开始：重大科学突破几乎总是新工具的产物，而不是新思想的产物。显微镜的发明开启了微生物世界，细菌理论和细胞理论随之而来，人类的平均寿命因此大幅延长，DNA的发现也在它的延长线上。望远镜不只是让我们看清了星空，它直接参与催生了物理学定律——从牛顿力学到相对论，再到原子能、GPS和廉价计算机。示波器、电压表、气压计、回旋加速器，这些不只是测量工具，而是通向新大陆的门户。
KK的判断是：AI就是这个时代的回旋加速器。它的第一重革命显而易见——替我们干活、完成我们从未想象过的事。但真正的第二重革命常被忽略：AI将成为一台让我们看见自己心智的显微镜。它让我们可以解剖思维，把智能拆开来看它的零件；让我们可以在完整或残缺的心智上做无穷无尽的实验——这些实验我们永远不能、也不愿在人脑上做。
宇宙中可能的心智空间是浩瀚的。用AI这台仪器，我们将开始填充这个空间：专做数学证明的心智、服务日常的机器人心智、写故事的心智、管理全球气候的心智。当我们可以向内观看心智时，一门新的科学就诞生了。显微镜给了我们细菌理论，望远镜给了我们引力理论，KK说，AI这台新仪器将给我们智能的理论。
一张"我们不知道"的清单
文章中最刺眼的部分，是KK连续排出的无知清单。智能的最小载体是什么？我们不知道。人类智能和机器智能之间是否存在某种普适成分？我们不知道。智能的度量衡是什么——我们连怎么量化它都不知道。如果想要更多智能，配方是什么？不知道。智能是一维的还是多维的？还是不知道。
KK给了一个形象的表述：在我们能预测AI会做什么之前，我们就没有理论；而没有理论，我们就永远无法预测AI会做什么。这句话像个死循环，但科学史就是这么走过来的。
这张清单里藏着可能有巨大商业含义的一条：能量。人颅骨里的那台超级计算机只跑在25瓦上——大约一只灯泡的功率。这暗示智能所需的最小能量可能很小，而我们今天在建的巨型AI算力中心，也许最终被证明只是历史长河中的一个临时浪花，而非永久设施。对押注"算力即王道"的玩家来说，这个假设值得认真掂量。
蒸汽机的前车之鉴
KK用热力学的历史做了个精彩的类比。19世纪初，蒸汽机这个"人工动力"行业被热的理论的缺失拖累了整整几十年。工程师们盲目折腾，造出大量低效机器，走了无数弯路，直到卡诺们搞明白：动力来自温差，而不是温度本身。理论出现之后，工程问题依然存在——高压设备还得发明——但理论告诉了他们，哪些硬件问题值得花力气去解决。
今天的大模型产业像极了当年的蒸汽机时代：scaling law是经验规律，像工匠手感；万亿参数是巨型低效机器；我们不知道今天的大模型到底走到了物理极限的1%还是90%。KK指出，一个真正的智能理论能提前告诉你——而不是等一亿美元的训练费烧完之后——某条技术路线是否接近最优，认知浪费发生在哪里。信息论曾经彻底改造了电子产业，一个智能理论对科研和工作的影响只会更大。
对齐，可能必须先有理论
文章里最有分量的一段关乎AI安全。KK认为，真正的对齐（alignment）很可能必须以智能理论为前提。原因在于：要往AI心智里工程化地植入核心价值观——而不仅是外挂规则——我们可能得先理解思考的内部表征长什么样。而今天的对齐实践，用KK的话说，是"不科学的试错"：什么招都试，试图让AI既有创造性，又不做蠢事坏事。一个明确的智能公式，连同它的权衡与极限，才能给我们一个真正可操作的方向盘。
修好我们自己的大脑
这门科学不只服务于AI。我们自己也是思考机器，我们的智能也经常需要修理。KK在这里给出了全文最尖锐的一刀：现代医学对精神疾病和神经退行性疾病的分类，本质上还是按症状聚类（DSM那一套），而不是按"哪个具体的计算功能失效了"来分。人脑打不开、不能随便扰动，而人工系统可以被打开、探测、干扰、修改——这是神经科学从来不曾有过的访问权限级别。KK甚至下了个赌注：在真正的智能理论下造出一千个AI，我们对自身大脑的了解，将超过过去一百年神经科学的总和。
顺带地，智能理论还可能最终把智能和意识拆开——前者大概率是可计算量，后者是现象学量。当然，KK也诚实地留了一个口子：也许根本不存在普适的智能理论，智能也许像"生命"一样，是个黏糊糊、难以被数学公式封装的现象。他补了一句——如果真是这样，那很不幸，但早知道总比晚知道好。
大陆已经露出一角
这门新科学已经有了一批拓荒者。KK提到UC Berkeley的神经科学家Jacob Yates等人正在筹建"智能科学"这个领域，而且已经有了一些微光：随机热力学与变分推断的交叉工作，刻画数据可学习性的几何工具。一个成熟的理论可能会说，每单位学习需要X能量、Y比特数据；可能会预言规模效应的收益递减，或者任何系统智能的理论上限。
KK的结尾收得很高：从长远看，AI作为仪器的重要性，可能超过显微镜、望远镜和回旋加速器的总和。因为我们即将探索的，是"心智大陆"——已知宇宙中最复杂的东西。未来的人将很难想象，一个没有各种AI心智（每个都以略微不同的方式看世界）辅助观看的世界。就像今天我们已经无法想象没有显微镜和望远镜的世界一样。
从工程视角看，这篇文章的启示很直接：大模型时代的下一波突破，未必来自更大的参数量，而可能来自把AI当作研究仪器去逆向工程智能本身。对研究者来说，"智能科学"是一个正在成形的领域，现在入场，还是早期。
