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）及非专业人士不断鼓吹“AI将超越人类智能”“AGI已实现”“AI将威胁人类生存”等缺乏实证的论断，引发公众认知混乱。本文旨在厘清围绕“AI能否超越人类智能”的概念误读，从基础定义出发，给出明确答案：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？未来是否可能全面超越？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

首先定义本文所使用的基本概念和术语。

什么是“智能”？从哲学、生物学、心理学视角看，智能是生物长期进化的产物[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）将“智能”定义为：“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]。美国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抽象思维的能力”[3]。

笔者认为，“智能”属于神经科学、动物行为学、心理学、认知科学等多学科范畴，非计算机科学或“人工智能”的固有范畴。使用计算技术研究智能，如同计算物理研究物理，仅是工具延伸，而非学科本体。

什么是“人类智能”？指人类作为高等动物，除具备动物共性智能外，还拥有概念抽象、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”是本文比较的核心对象之一。

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，涵盖语言、音乐、逻辑数学、空间、身体动觉、个人、人际、内省、自然主义智能[4]。

根据认知层次，智能可分为“抽象智能”与“具体智能”[1]。“抽象智能”是对符号（如文字、数字）进行反应与抽象思维的能力，具有概括性、理论性、类推性、本质性，是高认知层级能力[5,6]。具象智能则基于直接感知与经验，处理现实具体对象，属低认知层级[1,6]。动物因无符号语言，仅具具体智能；人类独有的抽象智能，使其远超动物[1,6,7]。

智能还可按行为主体分为“个体智能”与“群体智能”。个体智能指单个主体的认知与任务完成能力；群体智能指多个主体协作产生的智慧表现[1]。

什么是“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相关，但不必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，在学术上均不严谨。

作为能力，“人工智能”是人类以计算技术构建的系统，在执行人类设定任务时，所展现出的类似人类智能的行为。本文所指“人工智能”即为此种能力。

“计算机”指现代通用电子数字计算机[10]，具备程序控制、程序存储、程序可改三大本质特征。

“计算机系统”指安装系统与应用软件、能自动执行存储程序的硬件与外设组合体。

“运行中的计算机系统”指在特定时段内执行程序、展现动态行为的系统。本文不考虑需人类实时介入的交互式计算。

“解决问题”指行为主体找到并实施有效方法，得出正确答案，且判断权归该主体自身[1]。此“自主判断”是关键前提。

“人工智能系统”指执行人类设定初始程序、在任务中呈现类智能行为的计算机系统。“人工”指初始程序由人类设定，即使过程中生成新指令，其源头仍属人类。

若将“计算”视为智能，则所有计算机皆可称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：不存在脱离人类的计算机系统，“机器智能”是逻辑与技术上均不成立的伪概念，本文不予采纳。

“人工通用智能(AGI)”指旨在创造与人类相当甚至更强的通用智能系统[11]，具备跨环境、跨任务的目标达成能力，并能迁移知识、应对未预期情境[11]。

“形式化”指用逻辑或数学方法将问题表达为唯一确定含义的符号体系。

“评价标准”指用于评估事物的衡量准则，分定性与定量两类，需可操作。

“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。

若仅论“计算”，自现代计算机诞生起，其算力早已超越人类。当前争议实为“AI能否全面超越人类智能”或“多方面超越”。

上世纪70年代起，学界即有此争论[12,13]。马希文教授在《计算机不能做什么》中译序中指出：“计算机能否代替人脑？”有三重解读：(1) 能否完成人脑曾主导的工作？(2) 能否完成一切？(3) 能否以人脑方式完成？(1)已证成，(2)则属无根据外推，是AI学派的幻觉[12]。

2016年AlphaGo击败李世石、2022年ChatGPT发布，两次引爆“AI已超越人类”的舆论。Hinton甚至称：“20年内，数字智能有50%概率比我们更聪明；百年内，将远超我们”[29]。

笔者认为，亟需澄清概念，避免误导公众迷信AI万能。

本文定义“AI全面超越人类智能”需满足三条件：

(1) 对人类能清晰表达的每个概念/问题，AI系统不仅能提出，还能先于人类提出人类从未提出的新概念/新问题；

(2) 对人类能解决或未能解决的每个问题，AI系统不仅能解决，且在评价指标上表现更优，且判断权由AI自主完成；

(3) AI能自主设定并解决非人类预设的问题，且其性能优于人类。

上述条件中，(1)要求AI具备自主提出能力；(2)要求其自主判断与超越；(3)要求其自主设标。均强调“行为主体”身份，否则比较无意义。

若AI需人类设定目标与评价标准，则其“智能”实为人类智能的延伸，而非独立主体。

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

长期被忽视的关键问题是：AI系统展现智能行为时，真正的行为主体是谁？[30-33]

笔者认为，AI系统的任何“智能”行为，皆源于人类设定的初始程序，由计算机自动执行。计算机裸机无自主意图，AI系统亦无自主设标能力。故其行为是“人类意图+机器执行”的协同结果。

AI系统无自主意图与评价标准，则永远是工具，非主体。所谓“机器智能”实为混淆主体与执行者的伪概念。

本文已明确定义：“人工智能”是人类以计算技术构建的系统，在执行人类设定任务时展现的类智能能力。

另一方面，若无计算机高速计算，人类设定的程序无法自动实现智能行为。故AI是“人类智能借助高速计算的延伸与增强”。

因此，比较“人类智能”与“人工智能”，实质是“自然生物智能”与“人类智能+计算增强”的比较。

第四节 计算机系统及人工智能系统的本质局限性

首先，计算机在计算原理上的本质局限：仅能处理“可计算”（可判定、有算法）问题，无法处理“不可计算”问题。AI系统作为计算机系统，亦受此限。

任何形式化的不可判定问题，在原理上无法被计算。

若问题人类能言明但无法形式化，则AI系统在原理上无法解决。

人类解决问题常依赖经验、直觉、个案分析，方法未必具有一般性；而AI必须依赖统一算法。对每个实例，AI只能用同一方法，故“有喜有忧”。

其次，AI在复杂性上的局限：即使问题可计算，若所需时间/空间过大，实践中仍不可行。

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，区分行动与事件。人类行动源于意图驱动。AI的初始程序由人类设定，其能否自动生成意图？若不能形式化，则AI无法实现。

最后，AI在行为原理上的局限：如何设定“评价标准”？

AI的评价标准由人类预设。即使能自动生成程序，其目标与标准仍需更高阶元程序设定。而“元评价标准”的形式化与算法化，目前无理论支持，甚至可能是不可计算问题。

上述局限源于工作原理，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？

AlphaGo战胜人类棋手，是否意味着AI在围棋上超越人类智能？

若仅论胜负，AlphaGo确已远超人类。但其不具备理解、意图、推理、复盘解释等思维能力，仅靠计算评估函数。无语义、无思维，谈何“智能超越”？

ChatGPT等大语言模型被吹捧为“理解”“推理”能力突破。实则，其本质是：基于海量文本的统计模型，预测下一个词的概率序列[38]。其架构为Transformer，理论基础为概率论[39-41]。

其“推理”非基于逻辑正确性，而是基于统计相关性，无语义基础，无逻辑规则内嵌。即便偶得正确结论，亦属偶然，不可复现，是“瞎猫碰死耗子”。

其“幻觉”——无中生有编造内容——正是其本质缺陷的体现，非错误，而是系统性特征。

人类群体智能能通过纠错机制实现总体正确；AI个体缺陷是结构性的，叠加也无法弥补。

其原理决定了它永远不具备“正确有效推理能力”[43]。故，大语言模型从未、也永不可能超越人类智能。

第六节 人工智能究竟能否全面超越人类智能？

目前AI尚未达人类水平，关键在：未来能否？

（一）关于必要条件（1）

提出新概念、新问题，需高度抽象思维。人类中仅少数具备，而AI在计算原理上无抽象思维能力。冯·诺依曼：“计算机像人类，除了思考，什么都会做。”AI的“思维”只是假象。

仅此一条，AI已不可能超越人类。

（二）关于必要条件（2）

AI无法解决不可计算问题。人类可依赖经验、直觉、个案处理；AI必须依赖算法，故在非形式化领域全面落后。

以下人类智能主导领域，AI均无法触及：

（1）创建新学科体系：如新逻辑、新数学、新科学理论。需抽象、定义、假设、构建，至今无人能形式化此过程。

（2）逻辑与数学创新：提出新猜想、新定理。依赖直觉“跳跃”，难形式化。

（3）自然科学创新：观察、实验、假说、验证。过程复杂，难编码。

（4）工程创新：设计、实施、验收、维护。依赖经验，非算法可替代。

（5）医疗、教育、金融、经营等经验主导领域：诊断、教学、交易决策，皆依赖专家经验，AI无法真正掌握。

这些行为的共同点：需自主独创、自主设标、自主判断。而AI无此能力。

更深层问题：人类尚未完全理解自身智能，如何为AI设定解决“智能本质”的程序？若人类智能持续进化，AI如何追赶？

AI“解决”问题的判断权，始终在人类预设的评价标准中。即便结果更好，也是“执行者”优于“设定者”，非主体超越。

若AI自动生成程序，其目标与标准由谁设定？1阶元程序？2阶元程序？目前无“2阶编译器”能自动生成编译器生成器。AI的“元评价标准”问题，尚无理论基础，甚至不可计算。

所有AI成果的价值，最终由人类判定。AI无能力从社会发展角度评估自身贡献。

故条件（2）亦不可能满足。

（三）关于必要条件（3）

AI能否像生物一样自我进化、自主设标、控制人类？

明斯基：“没有计算机意识到自己在做什么；但大多数时候，我们也没有。”

关键在于：AI能否建立自律进化机制？若无自主设标与修正能力，则无进化可能。

故条件（3）亦不可能满足。

第七节 结论

综上，AI不具备抽象思维与逻辑推理能力，无法提出新概念，无法解决人类全部问题，其目标与标准始终由人类设定，其价值判断由人类主导，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”是永无可能的；AI进化至控制人类的情形，亦属幻想。

作为工具，AI具双刃性。其危害不在技术本身，而在使用者的意图。所谓“AI威胁人类生存”，是无科学依据的杞人忧天，是社会责任的逃避，必须予以驳斥。

（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。