Nature重磅：AI和人腦的根本區別找到了，我們對“聰明”的理解可能全錯了

算泥社區是集 “AI 大模型開發服務 + 算法 + 算力” 于一體的開源生態社區，歡迎關注！

一篇發表在2025年《自然·機器智能》（Nature Machine Intelligence）上的研究，像一顆深水炸彈，炸開了人工智能和人類認知之間最深的那道墻。

這篇由二十多位國際頂尖專家聯手的研究，它告訴我們，AI和人類在“泛化能力”上，壓根就不是一回事。

什么叫泛化能力？說白了，就是舉一反三、活學活用的本事。

你給一個小孩看幾把椅子，他就能認識世界上所有的椅子，甚至能把一個沒見過的墩子也叫“椅子”，因為他理解了“椅子是用來坐的”這個抽象概念。

AI呢？你給它看一百萬張椅子的照片，它能以極高的精度認出第一百萬零一張椅子。但如果這張椅子是一個沒見過的墩子，它可能就懵了。

咱們聊的不是一回事

研究牽頭人之一，Benjamin Paassen教授一針見血地指出：“‘泛化’對AI和人類來說，意味著完全不同的事情”。

這就是問題的核心。

人類的泛化，走的是一條“抽象”的路。我們看世界，會自動忽略掉那些不重要的細節，比如椅子的顏色、材質、高矮，然后抓住最本質的特征——“有個平面能支撐屁股”。這個過程，是概念思維。我們的大腦里形成了一個關于“椅子”的靈活框架，可以套用在任何新事物上。

AI的泛化，走的是一條“統計”的路。它沒有“概念”，只有“模式”。在它眼里，椅子不是一個功能性的東西，而是一堆像素點的特定組合。它通過學習海量數據，記住哪些像素組合最可能被標記為“椅子”。這更像是暴力破解，而不是真正的理解。

所以，人類的學習是高效的。一個概念，看幾個例子就通了。

AI的學習是笨重的。一個概念，需要成千上萬，甚至數百萬個數據樣本去喂養，才能勉強“記住”模式。

這就引出了一個更深層的問題：大腦和算法的底層邏輯，到底有什么不同？

一個靈活一個死板

我們的大腦里，有個叫“前額葉皮層”的地方，它就像一個總指揮官，負責認知靈活性。當老辦法行不通時，它會立刻跳出來，抑制住你的習慣性動作，讓你嘗試新的解決方案。那些前額葉受損的病人，做日常老一套的事情沒問題，但凡需要一點創新或適應新規則，就抓瞎了。

大腦還有一套非常聰明的“雙過程系統”。

系統1，是直覺系統，快、自動、不費腦子，憑感覺走。比如你一眼認出朋友，或者開車時下意識地踩剎車。

系統2，是分析系統，慢、刻意、非常費勁，負責邏輯推理。比如你做一道復雜的數學題，或者規劃一次長途旅行。

人類牛就牛在，我們能在這兩個系統之間無縫切換，根據情況決定是“憑感覺”還是“過腦子”。

AI系統呢？它基本上只有一個“系統1”，而且還是個固化版的。它的模型在訓練好之后，參數就基本固定了，形成一個固定的解決方案。遇到新問題，它不會靈活切換策略，最多就是在原有模式里找一個最像的答案。想讓它真正適應，唯一的辦法就是“回爐重造”——用新的數據重新訓練一遍。

這種底層架構的差異，直接導致了性能上的天壤之別。

AI與人類PK

看看下面這張表，AI和人類在幾個關鍵任務上的表現，差異一目了然。

表1：AI與人類在不同任務上的性能對比

你看，在規則明確、環境可控的場景下，AI是神。比如自動駕駛，谷歌的Waymo系統在特定條件下，能把嚴重傷害事故減少91%，比人類司機穩多了。

可一旦環境變得復雜多變，AI就立刻“拉胯”。比如語音識別，在安靜的實驗室里，AI的錯誤率可能極低，可一到嘈雜的馬路邊，它的錯誤率能飆升到50%以上，連話都聽不清了。人類卻沒這個問題，我們在菜市場照樣能聊天。

為什么？因為AI的泛化是“域內”的，它只能處理和訓練數據分布相似的情況。一旦遇到“域外”（Out-of-Domain）的情況，比如沒見過的口音、突如其來的噪音，它的性能就會斷崖式下跌。

這背后的機制差異，下面這張表總結得更清楚。

表2：AI與人類泛化機制對比

AI是個偏科嚴重的“天才書呆子”，在它擅長的領域能碾壓人類，但綜合素質和適應能力被人類吊打。

為了更精確地量化這種差異，我們還可以看一些更硬核的技術參數。

表3：AI系統在不同泛化任務上的性能參數

再看看人類大腦這個“生物處理器”的性能參數。

表4：人類認知系統性能參數

對比這兩張表，你會發現，AI在算力上是怪物，但在效率、適應性和抽象能力上，離人腦還差得遠。

那么，搞清楚這些差異，到底有什么用？

未來是人機協作，不是誰取代誰

用處太大了。它徹底改變了我們設計人機協作系統的思路。

以前，我們總想讓AI變得更像人，甚至取代人。現在我們明白了，這是條死胡同。它們根本就不是一個“物種”。

未來的方向，不是替代，而是互補。

就像一個完美的搭檔，AI負責它擅長的：處理海量數據、執行重復性任務、在規則明確的領域里做決策。人類則負責我們擅長的：處理模糊和不確定的情況、進行創造性思考、做出涉及倫理和價值觀的判斷。

在醫療領域，AI可以像個不知疲倦的顯微鏡，在成千上萬張醫學影像中標記出可疑的病灶，但最終的診斷和治療方案，必須由醫生來定奪。因為醫生不僅看片子，還看病人，他需要結合病人的情緒、家庭狀況和倫理考量來做決策，這些是AI無法量化的。

在自動駕駛領域，AI可以處理99%的常規路況，遵守交通規則比任何人都嚴格。但當遇到一個皮球滾到馬路上，后面可能跟著一個孩子的極端場景時，需要人類的常識和瞬間決斷力來介入。

這種“AI輔助人類”或“人類監督AI”的協作模式，效果驚人。

表5：人機協作系統性能參數

數據清晰地顯示，當人機形成有效協作時，無論是速度、準確率還是適應性，都遠超任何一方單打獨斗。

這篇《自然·機器智能》的研究，為我們指明了方向。未來的AI發展，重點不再是單純地刷榜、追求更高的測試分數，而是要研究如何讓AI更好地理解人類，如何設計出更透明、更可解釋的系統，讓人類能夠信任并與之高效協作。

這需要計算機科學家、認知科學家、神經科學家甚至人文社科學者一起努力。

你覺得在你的工作領域，AI應該扮演一個什么樣的角色？

參考資料：

https://www.nature.com/articles/s42256-025-01109-4

https://neurosciencenews.com/human-ai-adaption-neuroscience-29689

https://techxplore.com/news/2025-09-machines-struggle-unknown-exploring-gap.html