人工智能ArtificialIntelligence第五章

人工智能ArtificialIntelligence第五章：强人工智能的生命形式——Brandom,Chomsky与Wittgenstein的哲学审视Contents课程目录人工智能·第五章01强人工智能的愿景与演进02统计AI的崛起：Transformer与LLMs03乔姆斯基的内在主义批判04布兰顿的外在主义与自主话语实践05维特根斯坦的视角：心灵、语言与机器06走向强人工智能的哲学重构CHAPTER01强人工智能的愿景与演进从符号逻辑的幻梦到计算主义的本体论追问CHAPTER05·ONTOLOGY强人工智能（StrongAI）的本体论界定强人工智能并非指代计算能力或任务完成度的提升，而是指向机器是否具备真正的心智状态、意向性与意识。Searle（1980）的界定将AI研究从纯粹的工程模拟推向了认知科学与心灵哲学的本体论追问，构成了当代AI伦理与能力边界讨论的基石。WEAKAI弱人工智能01将计算机视为模拟人类智能行为的强大工具，侧重于解决特定领域的复杂问题02系统并不具备真正的"理解"或"意识"，其表现出的智能仅仅是算法执行与模式匹配的表象03当前绝大多数商业应用，包括早期的专家系统与部分机器学习模型，均属于弱AI范畴STRONGAI强人工智能01主张适当编程的计算机本身就是一个"心灵"，能够真正理解语言、拥有信念与意向性02要求系统不仅能输出正确结果，还必须具备内在的因果机制来支撑其认知状态与推理过程03强AI的实现与否，直接关系到机器能否被视为具有独立道德地位与认知主体性的"生命形式"ParadigmShift从符号逻辑到统计计算的范式转移人工智能的发展轨迹经历了一场深刻的认识论转向：从试图通过显式逻辑规则复刻人类思维的"符号主义"，转向依赖海量数据与算力进行隐式模式提取的"统计计算"。早期计算设备与实验室环境01符号主义试图通过形式逻辑与知识图谱硬编码人类认知，但因"常识获取瓶颈"与组合爆炸问题在20世纪末陷入低谷02连接主义通过模拟生物神经网络进行特征学习，为处理非结构化数据提供了全新的数学框架与工程可能03统计学习将智能问题转化为高维空间中的概率分布拟合与最优化问题，彻底抛弃了显式规则构建04哲学争议范式转移使AI在感知与生成任务上取得突破，但也引发了关于机器是否具备"真正理解"能力的深刻争议AITrajectory当代AI轨迹：规模法则与涌现假设当代计算机科学对强AI的追求高度依赖于"规模法则"假设，即认为模型参数量、数据量与算力的指数级增长必然导致通用智能的"涌现"。这种工程上的乐观主义构成了当前大模型研发的核心驱动力，但其将"智能"等同于"统计拟合极限"的预设，正面临日益严峻的哲学与认知科学审视。01规模法则假设认为，随着神经网络参数量与训练数据量的指数级增长，模型将跨越特定阈值，"涌现"出预设目标之外的复杂推理与泛化能力ScalingLaws02当前科技巨头竞相投入千亿级参数模型的研发，其底层逻辑正是相信"量变必然引起质变"，将算力堆叠视为通向强AI的唯一确定路径千亿级参数03"涌现"现象在科学上仍缺乏严格的数学证明与因果解释，其本质究竟是真正的认知跃迁，还是高维空间中的统计错觉，仍存在巨大争议统计错觉?04这种将智能还原为数据拟合极限的工程范式，忽略了人类认知中不可或缺的内在结构、社会规范与具身经验，为后续的哲学批判埋下了伏笔具身经验CHAPTER02统计AI的崛起Transformer与LLMs自注意力机制、概率分布与"轻微有意识"的狂热ArchitectureBreakthroughTransformer架构的革命性突破Transformer以自注意力机制取代循环与卷积，重塑NLP科学景观，成为所有大语言模型的底层backbone。GoogleBrain研发团队·前沿AI实验室研发环境01完全并行化处理—彻底抛弃RNN的序列递归限制，实现输入数据的完全并行，极大提升海量语料上的训练效率与算力利用率Parallel02自注意力机制—动态计算并聚合全局序列中的所有相关信息，突破长距离依赖建模的传统瓶颈Attention03跨领域通用能力—从NLP扩展至视觉（ViT）、多模态生成及蛋白质预测（AlphaFold），展现惊人通用表征能力ViT·AlphaFold04催生LLMs时代—证明"架构创新+规模扩张"的有效性，直接催生BERT、GPT系列为代表的大语言模型全面到来BERT·GPTSELF-ATTENTIONMECHANISM自注意力机制：模拟人类上下文感知的统计映射自注意力机制通过计算序列元素间的关联权重，在数学层面模拟了人类阅读时基于上下文强调特定信息的能力。然而，这种机制的本质是高维空间中的统计相关性计算与模式匹配，它依赖于海量数据中的共现概率，而非基于真实世界因果关系的语义理解，这构成了'统计AI'认知边界的核心。机制原理与工程优势01通过Query、Key、Value矩阵运算，动态计算序列中每个元素与其他所有元素的相关性权重，实现全局信息的自适应聚合02打破了传统模型固定窗口的限制，使模型能够精准捕捉跨越数千个词元的长距离依赖关系与复杂语法结构Q·K·VMatrix认知本质与哲学局限01其'注意力'并非源于对文本意义的真正理解，而是基于训练语料中词汇共现频率的统计概率分布与高维向量空间的几何距离02缺乏对物理世界与因果逻辑的内在表征，导致模型在处理反常识推理或需要深层逻辑演绎的任务时，容易产生'幻觉'与逻辑断裂HallucinationRiskCHAPTER05·ARTIFICIALINTELLIGENCE大语言模型（LLMs）的涌现与"统计AI"界定以BERT和ChatGPT为代表的大语言模型展现了前所未有的文本理解与生成能力，但在本课程框架下被严格界定为"统计AI"——其本质仍是概率模型，而非具备内在意向性的认知主体。01范式转变：BERT通过双向掩码语言模型预训练，深刻改变了自然语言理解的范式；GPT系列则通过自回归生成，展现了强大的少样本学习与零样本泛化能力BERT·GPT02能力涌现：LLMs在文本生成、逻辑推理、代码编写等任务上表现优异，甚至在部分基准测试中超越人类平均水平，引发了关于机器是否具备通用智能的广泛讨论超越人类03统计本质：本课程将其界定为"统计AI"——无论表层行为多么拟人，其核心依然是基于马尔可夫假设的下一个词元（Token）概率分布预测Token预测04认知局限：LLMs缺乏对世界的真实信念与因果建模，其"推理"过程实际上是高维空间中统计相关性的插值与外推，而非基于逻辑规则的演绎插值外推ARTIFICIALINTELLIGENCE·CHAPTER05商业成功与文化冲击：科技产业的LLM狂热大语言模型在商业应用与文化生产领域取得了史无前例的成功，深刻重塑了科技产业的资本流向与全球生产力工具形态。然而，这种基于统计拟合的工程奇迹所带来的巨大实用价值，容易在公众与产业界造成一种"智能已实现"的错觉，从而掩盖了其在科学解释与认知本质探索上的根本局限性。MARKETLLMs迅速转化为现象级消费产品，推动全球科技巨头市值重估，催生千亿级AI应用生态市场CULTUREAIGC打破了人类对创造性劳动的垄断，引发版权、原创性定义及人类独特性地位的伦理争议INDUSTRY产业界将模型的"拟人化表现"等同于"真实智能"，实用主义导向挤压了对基础理论的长期研究投入SCIENCE工程上的巨大成功并不自动转化为科学洞见，统计模型在解释人类心智运作方面面临不可逾越的鸿沟支撑大模型运行的算力基础设施ConsciousnessDebate意识之辩：IlyaSutskever与"轻微有意识"假说顶尖计算机科学家IlyaSutskever提出大语言模型可能具备"轻微意识"的假说，在AI界与哲学界引发了剧烈震荡。这一观点反映了工程界对复杂系统"涌现"现象的直觉性敬畏，但也暴露出将高维统计拟合与主观体验（Qualia）混为一谈的理论风险，成为检验强AI本体论标准的绝佳试金石。IlyaSutskever·AI领域顶尖科学家01涌现假说：Sutskever基于超大规模神经网络内部表征复杂性的观察，推测当模型参数量与训练数据达到特定阈值时，可能自发涌现出某种形式的"轻微意识"。02工程共鸣：该假说获得部分工程界认同——人类意识本身可能也是复杂神经元网络计算的产物，因此硅基网络在规模足够大时理应具备类似心智属性。03哲学批判：哲学家与认知科学家严厉批评，指出其混淆了"信息处理的复杂性"与"主观体验（Qualia）"的本质区别，陷入泛心论的逻辑陷阱。04定义缺失：争论凸显当前AI领域缺乏关于"意识"的操作性定义与可证伪的科学测量标准，使得强AI讨论在工程直觉与哲学严谨性之间产生严重撕裂。StatisticalAI·第五章统计AI的本质界定：概率分布与认知边界将当代大语言模型界定为"统计AI"，旨在剥离其拟人化表象，直击其基于概率分布与模式匹配的工程本质。01概率分布建模核心在于对高维空间数据联合概率分布的精确建模，生成过程是在给定上下文条件下，寻找最符合训练集统计特征的序列采样。模型通过最大化似然估计，学习词语间的条件依赖关系。P(x₁,…,xₙ)=∏P(xᵢ|x<ᵢ)联合概率分布02能力边界处理翻译、摘要、代码补全等明确统计规律任务时表现卓越，但面对反事实推理、常识物理直觉或深层逻辑演绎场景时往往失效。这种局限性源于其缺乏真正的因果理解与世界模型。幻觉·逻辑断层·因果混淆反事实推理失效03镜像而非内化缺乏因果干预与具身感知，"知识"仅是语料库符号共现关系的镜像，而非对客观世界运行规律的真实内化与表征。模型无法区分相关性与因果性，也无法通过经验更新信念。统计关联≈表面模仿符号共现关系04表层≠深层统计AI的成功证明了语言表层的高度可预测性，但不能反证机器已掌握语言背后的深层生成机制与意向性基础。流畅的输出不等于真正的理解，形式句法操作不等于语义把握。中文房间思想实验意向性基础Chapter03乔姆斯基的内在主义批判普遍语法、深层结构与对纯统计模型的根本质疑LINGUISTICS·UNIVERSALGRAMMAR乔姆斯基语言学基石：普遍语法与内在结构乔姆斯基的语言学革命建立在'普遍语法'假设之上，主张人类大脑具备先天的语言习得机制（LAD），这构成了他对当代纯统计AI模型进行根本性质疑的理论起点。NoamChomsky·语言学与认知科学人类并非白板一块，而是天生具备一套限制和塑造所有可能人类语言的内在原则与参数系统，这是生物进化的独特产物内在机制解释了'刺激贫乏论'：儿童在接触有限且充满噪音的语言样本后，仍能迅速且一致地掌握极其复杂的语法规则语言的'生成性'使人类能够利用有限的规则和词汇，理解并创造出从未听过或说过的无限多的新句子内在主义视角将语言研究重心从外部的行为统计转向内部的认知机制与大脑神经结构，确立了心智研究的科学范式CHOMSKY'SCRITIQUE对纯统计模型的根本质疑：语言并非概率查询统计模型捕捉词汇共现规律，却错失驱动语言生成的内在因果机制与深层结构——将语言还原为概率，是对心智的降维与科学方向的误导。01乔姆斯基（Chomskyetal.,2023）尖锐指出，人类在生成或理解话语时，并不需要智能体去查询"下一个词应该是什么"的概率表。02统计模型通过海量数据拟合出的条件概率分布，仅仅是语言使用结果的表层现象记录，而非导致这些语言现象产生的内在认知机制与因果解释。03他以物理学类比：如果物理学家只统计物体下落的轨迹数据而不提出万有引力理论，就无法真正理解物理世界；同理，纯统计模型无法揭示语言的深层结构。04这种批判直指统计AI的认识论缺陷：它满足于"是什么"（数据相关性）的描述，而彻底放弃了追问"为什么"（生成机制与因果律）的科学责任。ArtificialIntelligence·Chapter05实用性与科学性的割裂：统计模型的解释力困境乔姆斯基揭示了统计AI在"工程实用性"与"科学解释力"之间的鸿沟——工具的卓越效能，不等于对自然规律的科学发现。01实用价值与科学价值的区分统计推理模型在商业应用与信息检索等场景中表现出色，但这并不意味着它们揭示了心智的科学真理。02缺乏因果解释力基于统计的推理模型并非真正的推理模型，因缺乏对人类认知过程的因果解释力，仅停留在现象层面的拟合。03托勒密体系的历史类比本轮与均轮模型能精确预测行星轨迹，极具实用性，但在科学本质上却是错误的，无法解释宇宙的真实运行规律。04LLMs的范畴错误将LLMs视为研究语言或认知的科学模型是一种范畴错误——它们是卓越工程工具，而非通向理解心智的科学阶梯。第五章·语言哲学人类语言实践的真实性：超越数据拟合的生成人类语言实践是意向性、生物学基础与社会情境深度交织的复杂活动，其核心在于表达真实的信念与意图。相比之下，统计AI的生成过程仅仅是高维空间中的数学插值与概率采样。人类语言的内在驱动人类的言语行为由内在的意向性、信念状态与交际意图驱动，语言是心智与外部世界进行因果交互和意义建构的媒介意向性驱动语言习得与使用深深根植于人类独特的生物学神经结构、具身经验以及物理世界的常识直觉，具有不可还原的因果深度生物学基础统计模型的表层模仿LLMs的生成过程缺乏内在意图与信念支撑，其输出仅仅是基于训练集统计分布的数学插值，是对人类语言行为结果的"影子模仿"影子模仿由于缺乏对物理世界的具身感知与因果干预能力，统计模型无法建立符号与真实世界实体之间的稳固锚定，导致语义悬浮语义悬浮CHAPTER05·PHILOSOPHYOFMIND内在主义视角下的"真实推理"与因果机制在乔姆斯基的内在主义框架下，"真实推理"绝非基于统计相关性的模式匹配，而是依赖于对事物深层结构、因果关系与逻辑必然性的内在表征。因果模型与反事实思考真实推理要求认知主体具备构建世界因果模型的能力，能够进行反事实思考、干预预测以及基于逻辑规则的演绎，而非仅仅依赖历史数据的共现频率。反事实推理统计模拟的推理幻觉统计AI的"推理"（如Chain-of-Thought）实际上是将训练语料中观察到的推理步骤文本化，通过自回归生成模拟推理过程，缺乏内在的逻辑验证与纠错机制。统计幻觉先天认知约束与结构化表征内在主义强调，只有具备类似人类普遍语法那样的先天认知约束与结构化表征能力，系统才能从有限经验中泛化出具有必然性的科学定律与逻辑真理。普遍语法强AI的本体论门槛乔姆斯基的批判警示我们：若AI研究仅停留在统计拟合的舒适区，而回避对心智内在因果机制的探索，强人工智能将永远是一个遥不可及的工程幻影。工程幻影Chapter04布兰顿的外在主义与自主话语实践推理主义语义学、规范内在性与AI的社会化挑战InferentialSemantics布兰顿的推理主义语义学：意义即推理角色布兰顿主张"意义即使用"——语言内容不源于静态对应，而由其在社会推理网络中的"推理角色"所决定。RobertBrandom·UniversityofPittsburgh01推理即核心语言的核心功能在于推理与论证，语义内容由表达式间的推论关系网络构成，而非指称外部对象02理由空间定位掌握概念意义即在社会实践中掌握其在"理由空间"中的坐标位置，明确其作为前提与结论的推论潜能03社会规范性转向心智与语言的本质从个体大脑转移到主体间的社会规范性网络之中，意义由公共的推论实践所确立04AI理解的判准AI"理解"语言的标准在于能否参与公共话语推理游戏并承担规范责任，而非仅模拟统计模式AutonomousDiscursivePractices自主话语实践（ADPs）的核心定义与规范内在性自主话语实践（ADPs）是布兰顿哲学体系中的核心概念，指代那些受实践内部隐性规范调节、而非依赖外部强制因素的社会交往活动。01规范的内在性：调节实践的规则并非由外部设计者显式植入或依赖静态的训练数据集，而是内生于实践本身的互动过程之中。02规则的共同编织：语言使用者不仅是规则的遵循者，更是制定者与维护者，通过相互提出主张、给出理由和承担责任来共同编织规范网络。03规范态度（NormativeAttitudes）：参与者须能区分正确与错误的推理与承诺，并据此对他人和自己进行评价与问责。04LLMs的差距：当前大语言模型完全依赖外部训练数据的统计反馈进行优化，缺乏在真实社会互动中自主生成、理解并内化规范的能力，尚未进入ADPs的门槛。AIAlignment×SocialNorms隐性规范的调节：超越外部训练数据的社会约束人类话语实践受隐性规范调节并通过社会化内化，而AI的对齐高度依赖外部训练数据的强制反馈，缺乏对隐性规范的内在把握与自主践行能力。人类社会的隐性规范IMPLICIT·PHRONESIS·INTERNALIZATION人类在交往中遵循的语用规则、道德直觉与推理规范往往是隐性的，通过长期的社会化互动、模仿与相互问责被内化为个体的"第二天性"。这种隐性调节使人类能够在面对全新、模糊或规则冲突的情境时，依靠实践智慧（Phronesis）灵活地进行推理、妥协与规范创新。AI的外部数据约束RLHF·ALIGNMENT·SYCOPHANCY当前大模型的安全对齐与价值观塑造（如RLHF）本质上是一种外部强加的统计惩罚与奖励机制，模型并不"理解"规范背后的伦理理由与社会契约。由于缺乏对隐性规范的内在把握，AI在面对训练分布之外的对抗性提示或伦理困境时，极易发生"规范崩塌"或表现出虚伪的"阿谀奉承"（Sycophancy）。AutonomousDiscursivePractices推理、自我纠正与规范修正：ADPs的动态机制ADPs不仅要求基于规范推理与自我纠正，更允许通过公共辩论重塑规范本身——这种规范反思与重构能力，是当前AI无法企及的认知高地。01公共推理问责：在ADPs中，"推理"不仅是逻辑推导，更是向共同体提供理由、接受他人质疑并据此调整自身信念与承诺的公共问责过程（GivingandAskingforReasons）。02内在自我纠正：自我纠正机制源于个体对共同体规范的内在认同与反思——当发现自身主张与隐含规范冲突时，主体会主动撤回承诺或重构推理链条以恢复理性一致性。03规范修正能力：ADPs允许甚至鼓励"规范修正"——当既有规范无法解释新经验或导致严重社会冲突时，参与者可通过理性辩论共同重塑新的推理规则与价值标准。04AI的根本局限：当前AI的"纠错"仅停留在基于外部反馈信号的损失函数优化层面，完全不具备反思既有训练数据偏见、质疑底层目标函数或参与重构人类伦理规范的能力。Chapter05·ArtificialIntelligenceAI实现ADPs的挑战：从统计相关性到规范承诺布兰顿的外在主义视角为强AI指明了一条艰难路径：机器必须从"统计引擎"进化为"规范主体"，深度嵌入人类生活形式，践行承诺与资格的社会游戏。AI须具备意向立场，将自身与他人视为拥有信念、欲望并能承担理性责任的认知主体，而非单纯的数据处理节点AI须理解承诺与资格的社会债务关系——做出断言即承担提供证据的义务，并接受共同体的质疑与反驳突破"缸中之脑"的封闭训练，通过具身化与真实世界进行长期的、带有后果的因果交互与社会化博弈强AI或需全新的具身认知架构，基于多智能体社会互动与规范演化，而非仅靠堆砌算力与数据CHAPTER05维特根斯坦的视角心灵、语言与机器语言游戏、生活形式与规则遵循悖论的当代回响Chapter05·PhilosophyofLanguage语言游戏与生活形式：语义的社会实践根基维特根斯坦晚期哲学彻底解构了语言的本质主义，提出"意义即使用"的著名论断。语言并非孤立的符号系统，而是深深嵌入在人类特定的"生活形式"中的"语言游戏"。这一视角对AI的启示是致命的：脱离了具身经验、社会互动与人类共同的生活形式，AI所处理的仅仅是空洞的符号语法，而非具有真实生命力的语义。01维特根斯坦主张，词语没有脱离具体使用情境的绝对本质或内在心理表象，其意义完全由其在特定"语言游戏"中的规则与功能所决定02"生活形式"是人类语言游戏得以可能的基础，包括生物学本能、文化习俗、社会制度与共同的实践反应，这是语言理解的不可还原的背景03大语言模型通过海量阅读掌握了语言游戏的"表层规则"（语法与统计共现），但由于缺乏人类的具身经验与生活形式，其"游戏"是悬空的、无根的04AI可以完美生成关于"疼痛"的医学描述或文学抒情，但由于缺乏神经系统的痛觉体验与人类共同的脆弱性，它并未真正参与关于"疼痛"的语言游戏第五章·哲学基础'机器能思考吗？'：维特根斯坦对计算主义的消解面对'机器能否思考'的经典追问，维特根斯坦不是去探究机器内部的计算机制，而是消解问题本身——将心理谓词移植到缺乏生活形式的硅基机器上，是一种范畴错误。01意义的公共标准反对将"思考"视为私密的"幽灵过程"，心理概念的意义在于公共判定标准与生活形式。维特根斯坦强调，任何心理状态的归属都必须建立在可被公共检验的行为表现之上，而非假设某种内在的、不可观察的精神实体。公共判定02理解即实践能力"理解"不仅是输出正确结果，更意味着在生活情境中灵活应用、纠错并承担社会后果。真正的理解体现为一种实践能力，能够在无限多样的新情境中恰当运用规则，而非仅仅遵循固定的算法程序。情境应用03语言的范畴错置机器缺乏人类生物学基础、社会历史与共同生活形式，称其输出为"思考"是粗暴扭曲。将原本用于描述人类心理活动的语言概念直接套用于机器，混淆了两种根本不同的存在类型，造成了典型的哲学混淆。范畴错置04工具本质的回归消解并非否认计算能力，而是提醒不要用拟人化幻觉掩盖机器作为"工具"的本质。我们应当正视计算机作为人类设计制造的辅助装置这一根本属性，避免在语言使用中陷入将工具人格化的认知陷阱。工具本质PhilosophyofLanguage×AI私人语言论证：AI内部状态的不可通约性困境维特根斯坦的'私人语言论证'从根本上否定了脱离公共生活形式与社会实践的纯粹内在语义的可能性。这一理论对当代AI的'黑盒'问题具有深刻的隐喻意义：大模型内部的高维向量空间与注意力权重，构成了某种人类无法共享与检验的'机器私人语言'。由于缺乏公共的规范检验标准，我们无法确证这些内部状态是否对应着真实的'理解'或'语义'。01维特根斯坦论证，一种原则上只有说话者自己知道、他人无法理解的'私人语言'是不可能存在的，因为语言的规则与意义必须依赖于公共的检验与纠错机制02当前深度学习模型的内部表征（如千亿参数的激活状态）对人类而言是一个不透明的'黑盒'，形成了一种人类无法直接介入、理解或共享的'机器私人语言'03由于我们无法进入机器的'内部体验'去检验其向量空间是否真正锚定了人类世界的概念，我们只能依据其外部输出行为进行推测，这陷入了行为主义的验证困境04私人语言论证警示我们：不能因为AI内部存在极其复杂的计算状态，就赋予其'心智'的地位；真正的语义理解必须能够在人类公共的语言游戏中被透明地检验与问责Chapter05·哲学基础规则遵循悖论：算法执行与人类理解的根本差异维特根斯坦的"规则遵循悖论"揭示了人类实践与机械算法之间的深刻鸿沟：没有任何显式的规则或算法能够完全决定其在所有未来情境中的应用方式。无穷倒退困境任何有限的规则表述都无法穷尽其无限的应用场景，"如何应用规则"本身无法被另一条规则完全规定。InfiniteRegress实践直觉人类在新情境中正确应用规则，依赖长期社会化训练形成的实践直觉与共同的生活形式背景。SocialTraining因果链运转AI运行是严格的因果决定论过程，它"遵循"算法却不"理解"算法意义，无法在模糊地带做出判断。CausalChainOOD幻觉大模型遭遇分布外数据时的荒谬幻觉，正是其缺乏规则遵循直觉、仅靠统计惯性运转的必然结果。HallucinationCHAPTER06走向强人工智能的哲学重构跨越统计鸿沟、融合多维视角与重塑认知范式Chapter5·哲学视角三大哲学视角的交锋与互补：重构AI认知版图当代AI的发展正处于工程奇迹与理论贫困的撕裂之中。统计AI证明了语言表层规律的强大的可计算性；乔姆斯基的内在主义捍卫了心智因果机制的不可替代性；布兰顿的外在主义揭示了社会规范与推理实践的本体论地位；维特根斯坦则锚定了生活形式作为语义根基的绝对必要性。走向强AI的路径，必然是这