人工智能无法全面超越人类智能

“Computers are like humans - they do everything except think.”-- John von Neumann

“No computer has ever been designed that is ever aware of what it's doing; but most of the time, we aren't either.”-- Marvin Minsky

近年来，伴随人工智能技术的快速发展，全球诸多专家（包括图灵奖与诺贝尔奖得主）及非专业人士持续宣扬“AI将超越人类智能”“AGI已实现”“AI威胁人类生存”等缺乏实证的论断，引发公众认知混乱。本文旨在厘清围绕“人工智能能否超越人类智能”的概念误读，从基础定义出发给出明确回答：何为“智能”？何为“人类智能”？何为“人工智能”？人工智能系统的行为主体是谁？AI是否曾部分超越人类？未来是否终将全面超越？本文最终结论如题：“人工智能永无可能全面超越人类智能”。

第一节 基本概念及术语定义

首先界定本文所用核心概念。

何为“智能”？从哲学、生物学、心理学视角看，智能是生物长期进化的结果[1]。“智能(Intelligence)”通常指动物（含人类）所具备的辨识、认知、理解、记忆、模仿、学习、交流、规划、推理、问题求解等需一般智慧的能力[1]。牛津英语辞典（OED）定义“智能”为：“理解力；理解作为可分级的品质；心智把握事物的行为或事实”[2]。Merriam-Webster词典定义为：“(1) 学习、理解或应对新情境的能力；(2) 运用知识操控环境或进行抽象思维的能力”[3]。

笔者认为，“智能”属神经科学、动物行为学、心理学、认知科学等多学科交叉概念，各学科研究其不同侧面。但“智能”本身不属于计算机科学或“人工智能”范畴（无论AI是否隶属计算机科学）；用计算技术研究智能，如同计算物理是研究物理学的工具手段，而非物理学本身。

何为“人类智能”？指人类作为高等动物，在动物基本智能基础上，进一步具备概念抽象、分析、计算、演绎、归纳、溯因、联想、猜想、预测、论证、概念推理等高阶智慧能力。“人类智能”是本文核心比较对象之一。

美国心理学家Howard Gardner将智能定义为“解决问题或创造产品的能力”，并提出多元智能理论，包括：语言智能、音乐智能、逻辑数理智能、空间智能、身体动觉智能、个人智能、人际智能、内省智能、自然主义智能[4]。

按认知层次，智能可分为“抽象智能”与“具体智能”[1]。“抽象智能”指对符号（字、数、字母）作出反应、进行抽象思维的能力[5,6]；“具体智能”则指无需抽象化，直接基于现实物体或场景的形象思维能力[1,6]。

抽象智能具概括性、理论性、完备性、类推性、本质性，属高认知层次；其主体能脱离现实参照，推理事物本质与关系[1,6,7]。具体智能具特殊性、实践性、个案性、感官性，属低认知层次；其主体依赖直接经验解决现实问题[1,6]。动物无符号语言，无法概念思维，故无抽象智能，仅具具体智能。人类智能的本质优势，正在于其抽象智能[1,6,7]。

按行为主体，智能可分为“个体智能”与“群体智能”[1]。个体智能指单个主体独立完成任务的能力；群体智能指多个主体协作产生的智慧表现，无论通过协商（如人类）或非协商（如蚁群）。

何为“人工智能”？作为计算机科学分支，其奠基者John McCarthy定义为：“制造智能机器，尤其是智能程序的科学与工程。它与用计算机理解人类智能有关，但不必局限于生物可观察方法”[8]。将AI追溯至图灵1950年论文，或以当前技术成就定义AI，均不严谨。

作为能力，“人工智能”是人类以计算技术构建的工程系统，在执行人类设定任务时，表现出的类似人类智能的具体能力。此处“人类作为行为主体”是关键前提（详见下文）。

“计算机”指现代通用电子数字计算机[10]，具备“程序控制、程序内存、程序可改”三大特征，可含多CPU。

“计算机系统”指安装系统与应用软件、能自动执行存储程序完成任务的计算机及其外设的静态集合。分布式系统视为整体。

“运行中的计算机系统”指在特定时段内执行某组程序、呈现动态行为的系统。本文暂不考虑需人类实时参与的交互式计算。

“解决问题”指行为主体为给定问题找到切实方法、成功解决并自行判断结果正确性。此处“判断由行为主体自主做出”是核心限定（详见下文）。

“人工智能系统”指执行人类设定初始程序、在任务中呈现类似人类智能行为的计算机系统。“人工”指初始程序由人类设定，即使系统后续自动生成指令。

若将“计算”视为智能，则所有计算机系统皆可称“AI系统”。但本文关注的是超越狭义计算、呈现类智能行为的系统。

因此，“人工智能”作为能力，指运行AI系统所展现的所有能力，是本文比较对象之一。

需强调：不存在完全脱离人类的计算机系统，“机器智能”是逻辑与技术上站不住脚的伪概念，本文不予采纳。

“人工通用智能(AGI)”按权威文献定义为：“致力于创造与人类智能相当甚至更强的通用软件/硬件系统”[11]，其特征是：能在多样环境中实现多元目标、处理未预见问题、迁移知识至新情境[11]。

“形式化”指将问题/方法用形式逻辑或数学符号表达，使其含义唯一确定。

“评价标准”指用于评估事物的衡量准则，可为定性或定量，且必须可操作。

“评价事物”指依据明确标准对对象进行定性或定量赋值。

第二节 问题设定

对“AI能否超越人类智能”，需明确其内涵。

若仅比较“计算”能力，自现代计算机诞生起，其算力早已超越人类。当前争论实质是：AI能否“全面超越”或“多方面超越”人类智能。

上世纪70年代起，学界即争论计算机能否替代人脑[12,13]。马希文教授在《计算机不能做什么》中译本序言中指出：“（1）计算机能否完成原本靠人脑的工作？——是；（2）能否完成一切？——否；（3）能否像人脑那样做？——否”[12]。盲目外推至“无所不能”，是逻辑谬误。

2016年AlphaGo战胜李世石、2022年ChatGPT发布，引发全球“AI已超越人类”热潮。Hinton甚至预言：“20年内，数字智能有50%概率比人类更聪明；百年内将远超人类”[29]。

笔者认为，亟需正本清源，避免公众被误导，陷入“AI万能”“AI威胁论”的迷思。

本文定义“AI全面超越人类智能”需满足三条件：

（1）人类能清晰表达的每个概念/问题，AI系统也能提出，且能率先提出人类从未提出的新概念/新问题；

（2）人类能解决或未能解决的每个问题，AI系统也能解决，且在评价指标上表现更优，且判断由AI自身做出；

（3）AI系统能自主设定并解决非人类预设的问题，且其解决能力优于人类。

其中，（1）要求AI作为主体提出新概念；（2）要求AI自主判断与超越；（3）要求AI具备自主目标设定能力。

注意：未要求AI具“通用万能”属性，因人类个体亦无此能力。若多个AI系统集合整体优于人类群体智能，亦视为“全面超越”。

关键在于“行为主体”：若AI无自主设定意图、无自主判断能力，其“智能”何在？是AI强，还是“AI+人类”强？

在上述设定下，本文论证：AI永无可能全面超越人类智能。

第三节 人工智能应用中的行为主体

长期被忽视的核心问题是：当AI系统呈现智能行为时，行为主体是谁？[30-33]

笔者认为，无论硬件由谁制造，AI系统的智能行为皆源于人类设定的初始程序，是“人类意图+计算机执行”的协同结果。裸机无自主意图，无评价标准，无法独立成为主体。若AI无能力自主设定目标与标准，则永远是人类智能的延伸与增强，仅为执行者，非主体。所谓“机器智能”，实为混淆主体与执行者的伪概念。

本文前文已限定：“人工智能”是人类以计算技术构建、在执行人类任务中呈现的类智能能力。

另一方面，若无计算机高速计算，人类设定的程序无法自动呈现智能行为。部分AI行为，人类单凭自身难以完成。

因此，更准确地说：AI是“人类智能借助高速计算的延伸与增强”。故比较对象实为“人类自然智能”与“人类智能+计算增强”的AI。

第四节 计算机系统及人工智能系统的本质局限性

首先，计算机系统在计算原理上的根本限制是：仅能处理“可计算”（可判定、有通用算法）问题，无法处理“不可计算”（不可判定、无通用算法）问题。AI作为计算机系统，同受此限。

形式化不可判定问题（如停机问题），在原理上无法求解。

若问题人类能用自然语言描述，但无法形式化，则AI在原理上亦无法解决。

人类解决问题常依赖具体实例的非形式化经验方法，而AI必须依赖统一算法。人类可“见招拆招”，AI只能“一刀切”。实践中，AI需“通用算法”才被视为“解决”，而非模拟单例。

其次，计算机在复杂性上的限制：即使问题“可计算”，若所需时间/空间过大，仍属“不可合理计算”。人类可依情境选方法，AI则无此自由，必以统一算法应对所有实例，导致“有喜有忧”。

再次，AI在行动原理上的局限：如何设定“意图”？

“意图”是行为哲学核心概念，区分“行动”与“事件”。人类行为始于意图，经计划、执行、达成目标，体现智能驱动。

AI的初始程序由人类设定，其执行仅是程序运行。关键问题是：AI能否在运行中自动生成意图？若不能，则其“智能”仅为程序回响。但意图的形成若未被形式化，则AI无法实现[37]。

最后，AI在行为原理上的局限：如何设定“评价标准”？

AI的评价标准由人类在程序中预设。即使AI能生成意图，仍需自主设定“何为成功”。这同样陷入形式化与算法化的死结。

上述局限均为工作原理层面，非技术升级可消除。

第五节 人工智能是否曾经部分地超越过人类智能？

考察近年标志性案例。

AlphaGo战胜李世石、柯洁，是否意味着AI在围棋上超越人类智能？

若仅看胜负，AlphaGo确远超人类。但若看围棋技艺与文化，其缺乏理解、意图、推理、解释能力。它仅计算评估函数，无语义处理，无思维能力。仅凭胜负判定“智能超越”，实属荒谬。

ChatGPT等大语言模型被吹捧为“具备理解与推理能力”，实则为幻觉。

大语言模型本质是：基于海量文本的统计概率模型，预测下一个词（token）[38]。其架构为Transformer自注意力机制，理论基础为概率论[39-41]。

其“推理”非基于逻辑正确性，而基于统计相关性，完全无逻辑规则作为评价标准。其“正确”结论纯属偶然，重复执行未必重现，是“瞎猫碰死耗子”。其“幻觉”（胡编乱造）更是系统固有缺陷。

人类“推理能力”是群体智能的产物，个体或错，群体趋真。而大模型的缺陷是结构性的，叠加多个模型也无法弥补。其本质限制无法通过技术改进消除[43]。

故，大语言模型从未，也永无可能具备真正有效的推理能力，更谈不上超越人类智能。

第六节 人工智能究竟能否全面超越人类智能？

当前AI尚未达到人类智能水平。未来能否超越？

（一）关于必要条件（1）

人类能提出新概念，依赖抽象思维。人类中仅少数高智个体具备此能力，AI在计算原理上无真正抽象思维能力。冯·诺依曼言：“计算机像人类，只是不会思考。”

即使AI表现出“类抽象思维”，其本质仍是模拟，非主体性创造。故条件（1）AI永不能满足。

（二）关于必要条件（2）

AI无法解决不可计算问题。人类用经验法解决，AI无此能力。

更关键的是，以下人类智能行为AI无法触及：

（1）创建新理论体系：如新逻辑、新数学、新科学理论，需抽象、定义、假设、架构，非形式化，AI无法完成；

（2）逻辑/数学创新：提出新猜想、新定理，依赖直觉跳跃，难形式化；

（3）科学研究创新：观察、实验、提出假说、设计方法，过程高度非形式化；

（4）工程创新：发明技术、设计产品、监督实施，依赖经验与情境判断；

（5）医疗、教育、金融等经验主导领域：诊断、教学、投资决策，均依赖个体经验，无法算法化。

这些行为的共同点：需自主独创性、自主设定目标与评价标准。而AI无此能力。

更深层问题：人类尚无法完全理解自身智能，如何为AI设计解决该问题的程序？若人类智能持续进化，AI如何超越？

此外，AI“解决”问题的判断，皆基于人类预设标准。即便结果更优，也非AI自主评价。AI是执行者，非主体。

若AI自动生成程序，其目标与标准由谁设定？是1阶元程序？2阶？……目前无“生成生成器的生成器”技术。且理论计算机科学尚无“元评价标准”研究。笔者推测，即使可形式化，也属不可计算问题。

最终，AI所解决问题的价值，由人类判定。AI无能力从社会发展角度评估自身贡献。

故条件（2）AI永不能满足。

（三）关于必要条件（3）

AI能否如生物般自我进化、控制人类？

明斯基说：“没有计算机意识到自己在做什么；但大多数时候，我们也不是。”

核心在于：AI能否建立自律进化的自我评价机制？若无自主设定与修改评价标准的能力，则不可能实现自律进化。AI无此能力。

故条件（3）AI永不能满足。

第七节 结论

综上，AI无抽象思维，无法提出新概念，无法解决人类能解的全部问题，其目标与评价标准皆由人类设定，其价值判断亦由人类完成，无自律进化机制。

因此，我们可坚定断言：“人工智能全面超越人类智能”永无可能；AI进化至控制人类的情形亦不可能发生。

作为工具，AI具双刃性。其作用方向，取决于使用者目的。真正危险不是AI本身，而是心怀恶意者滥用AI并嫁祸于技术。所谓“AI威胁人类生存”，是无科学依据的“杞人忧天”，是混淆视听、转移矛盾的不负责任言论，必须予以驳斥与澄清。

（2025年7月5日记）

参考文献

[1]程京德，“智能：具体智能和抽象智能，个体智能和群体智能，以及人工智能之天花板”，微信公众号“数理逻辑与哲学逻辑”，科学网博客，2024年9月25日。

[2] The Oxford English Dictionary (OED), 2nd Edition, Oxford University Press, 2009.

[3] Merriam-Webster Dictionary, Merriam-Webster.

[4] H. Gardner, “Frames ofMind: The Theory of Multiple Intelligences,” Basic Books, 1983, 2004, 2011.

[5] M. N. O. Sadiku, O. D. Olaleye, and S. M. Musa, “Abstract Intelligence: An Introduction,” International Journal of Trend in Research and Development, Vol. 7, No. 3, 2020.

[6]程京德，“形象思维、抽象思维及逻辑思维”，微信公众号“数理逻辑与哲学逻辑”，科学网博客，2023年8月19日。

[7]程京德，“为什么说逻辑推理能力是人类智能中最基本的能力？”，微信公众号“数理逻辑与哲学逻辑”，科学网博客，2023年10月27日。

[8] J. McCarthy, “What is Artificial Intelligence?” Stanford University, 2007.

[9] A. M. Turing, “Computing Machinery and Intelligence,” Mind, Vol. 49, pp. 433-460, 1950.

[10]程京德，“何谓‘计算机’？”，微信公众号“数理逻辑与哲学逻辑”，科学网博客，2024年11月21日。

[11] B. Goertzel, “Artificial General Intelligence: Concept, State of the Art, and Future Prospects，” Journal of Artificial General Intelligence, Vol. 5， No. 1, pp. 1-48, 2014.

[12] H. L. Dreyfus, “What Computers Can't Do: A Critique of ArtificialReason,” 1972， 1979， MIT Press；中译：宁春岩译，马希文校，“计算机不能做什么：人工智能的极限”，三联书店，1986年.

[13] H. L. Dreyfus, “What Computers Still Can't Do: A Critique of Artificial Reason,” 1992, MIT Press.

[14] D. Silver, et al., D. Hassabis, “Mastering the game of Go with deep neural networks and tree search,” Nature, Vol. 529, pp. 484-489, 2016.

[15] D. Silver, et al., D. Hassabis, “Mastering the game of Go without human knowledge,” Nature, Vol. 550, pp. 354-359, 2017.

[16] 程京德，“Google AlphaGo 战胜职业围棋手究竟意味着什么？”，科学网博客，2016年1月30日。

[17] 程京德，“Google AlphaGo 战胜职业围棋手究竟还蕴涵着哪些有趣的问题？”，科学网博客，2016年2月1日。

[18] 程京德，“Google AlphaGo 和李世石之战：为何说李世石凶多吉少？”，科学网博客，2016年2月9日。

[19] 程京德，“计算机科学角度分析 Google AlphaGo 战胜李世石的必然性”，科技导报，Vol. 34, No. 7, pp. 70-71， 2016。

[20] 程京德，“AlphaGo 完胜人类围棋高手并不能证实什么？”，科学网博客，2017年1月17日。

[21] OpenAI, “ChatGPT – Release Notes,” OpenAI.

[22] OpenAI, “GPT-4 Technical Report,” OpenAI, 2023.

[23] 程京德，“以 ChatGPT 为代表的无偿式概率式自动生成工具之滥用将给人类社会带来什么后果？”，微信公众号“数理逻辑与哲学逻辑”，科学网博客，2023年2月6日。

[24]程京德，“ChatGPT的原理局限性：它永远不会做什么？”，微信公众号“数理逻辑与哲学逻辑”，科学网博客，2023年2月10日。

[25]程京德，“人工智能永无可能超越人类智能”，微信公众号“数理逻辑与哲学逻辑”，科学网博客，2023年5月1日。

[26]程京德，“对Hinton的AI恐惧论观点之评论”，微信公众号“数理逻辑与哲学逻辑”，科学网博客，2023年5月9日。

[27]程京德，“威胁人类文明生存的不可能是AI而只能是人类自己”，微信公众号“数理逻辑与哲学逻辑”，科学网博客，2023年5月18日。

[28]程京德，“对Sam Altman关于AGI及GPT-10之预言的批评”，微信公众号“数理逻辑与哲学逻辑”，科学网博客，2023年9月11日。

[29]G. Hinton, “Will Digital Intelligence Replace Biological Intelligence?” Romanes Lecture, University of Oxford, 19 February 2024.

[30]程京德，“人工智能应用中的行为主体问题实例--究竟是谁预测了蛋白质结构？（修订增补版）”，微信公众号“数理逻辑与哲学逻辑”，科学网博客，2023年10月29日。

[31]程京德，“人工智能应用中的行为主体问题实例-- Google DeepMind关于AGI模型分类框架中的问题”，微信公众号“数理逻辑与哲学逻辑”，科学网博客，2023年11月17日。

[32]程京德，“人工智能应用中的行为主体问题实例-- Geoffrey Hinton对人工智能技术发展之担心与恐惧的哲学根据在哪里？”，微信公众号“数理逻辑与哲学逻辑”，2023年12月10日；科学网博客，2023年12月11日。

[33]程京德，“人工智能应用中的行为主体问题--人工智能有可能脱离人类行为主体吗？”，微信公众号“数理逻辑与哲学逻辑”，科学网博客，2025年3月14日。

[34] G. E. M. Anscombe, “Intention,” Basil Blackwell, 1957, 2nd Edition, 1963, Harvard University Press, 2000.

[35] I. Ajzen,“From Intentions to Actions: A Theory of Planned Behavior,” in: J. Kuhl and J. Beckman (Eds.), “Action Control: From Cognition to Behavior,” pp. 11-39. Springer, 1985.

[36] R. Teichmann (Ed.), “The Oxford Handbook of Elizabeth Anscombe, Part I: Intention,” Oxford University Press, 2022.

[37] J. Cheng, “Computing Intentions Dynamically in a Changing World by Anticipatory Relevant Reasoning,” in N. T. Nguyen, et al. (Eds.), “Intelligent Information and Database Systems, 6th Asian Conference, ACIIDS 2014, Bangkok, Thailand, April 7-9, 2014, Proceedings, Part II,” Lecture Notes in Artificial Intelligence, Vol. 8398, pp. 361-371, Springer, April 2014.

[38] M. Shanahan, “Talking about Large Language Models,” Commmunications of ACM, Vol. 67, No. 2, pp. 68-79, 2024.

[39] A. Vaswani, et al. “Attention Is All You Need,” 31st Conference on Neural Information Processing Systems (NIPS 2017), 2017.

[40] Y. Chang, et al. “A Survey on Evaluation of Large Language Models,” ACM Transactions on Intelligent Systems and Technology, Vol. 15, No. 3, Article 39，2024.

[41] H. Zhao, et al. “Explainability for Large Language Models: A Survey,” ACM Transactions on Intelligent Systems and Technology, Vol. 15, No. 2, Article 20, 2024.

[42]程京德，“论“幻觉”的误用及大语言模型的正确使用（上）（增补版）-“幻觉”之误用滥用”，微信公众号“数理逻辑与哲学逻辑”，2025年3月11日。

[43]程京德，“为什么大语言模型永无可能具备正确有效推理能力？（上）、（中）、（下）”，微信公众号“数理逻辑与哲学逻辑”，2025年4月25日，2025年4月27日，2025年4月28日。