大语言模型缺乏真正推理能力

十年前，AlphaGo在与围棋世界冠军李世石的对决中以4比1胜出，震惊全球。其中第二局的第37手尤为引人注目——这步棋看似荒谬，甚至被部分评论员认为是程序故障，却最终成为制胜关键。李世石赛后感叹：“AlphaGo是富有创造力的。”然而，这种“创造力”并非来自直觉或概率猜测，而是源于其内在的推理机制。

AlphaGo由两个核心组件构成：策略网络（policy network）和搜索机制。策略网络负责模仿人类高手的下法，提供“直觉”判断；而搜索机制则在此基础上进行深度推演，构建包含数千分支的游戏树，评估每一步可能带来的长远影响。正是这种结合了快速直觉与慢速推理的双系统架构，使其能够做出超越人类经验的创新决策。

这一设计恰与心理学家丹尼尔·卡尼曼提出的“系统1”与“系统2”思维模型高度吻合：系统1快速、自动、凭直觉；系统2则缓慢、逻辑、需努力。AlphaGo的成功在于两者协同工作——仅靠策略网络，第37手几乎不可能被选中（人类专家选择该步的概率约为万分之一）；而仅靠暴力搜索，在围棋如此庞大的状态空间中也难以高效筛选有效路径。

相比之下，当今主流的大语言模型（LLMs）主要依赖海量数据训练出的概率分布来预测下一个词元，本质上属于“系统1”式的模式匹配。它们虽能流畅生成看似合理的文本，却缺乏对因果关系、逻辑一致性和长期后果的显式建模能力。换言之，LLMs并不“推理”，只是在模仿人类表达的表层统计规律。

文章强调，若希望未来AI能在科学发现、医学诊断等高风险领域提供可靠且具原创性的见解，就必须赋予其真正的推理能力——即像AlphaGo那样，将直觉与结构化搜索相结合。当前LLMs的局限性提醒我们：生成能力不等于理解能力，流畅输出也不代表具备认知深度。

因此，AI研究的下一阶段不应仅聚焦于扩大模型规模或提升生成质量，而应重新关注如何将符号推理、因果建模与神经网络深度融合，构建兼具直觉与逻辑的新一代智能系统。唯有如此，人工智能才能从“聪明的鹦鹉”迈向真正具备思考能力的伙伴。