ArXiv：為何大模型無法擁有意識｜Erik Hoel

導語

當AI能流暢談論“自我感受”，當Anthropic賦予Claude“對話退出權”，我們是否可以說它有意識？2026年初，神經科學家Erik Hoel在ArXiv發(fā)布論文《大語言模型意識證偽：持續(xù)學習對意識存在的必要性》（A Disproof of Large Language Model Consciousness: The Necessity of Continual Learning for Consciousness）的論文，指出由于缺乏持續(xù)學習能力，現有大模型從原理上無法擁有意識。

關鍵詞：意識，大模型，功能主義，持續(xù)學習，輸入輸出等價

來源：集智俱樂部

作者：郭瑞東

審校：王璇

論文題目：A Disproof of Large Language Model Consciousness: The Necessity of Continual Learning for Consciousness 論文鏈接：https://arxiv.org/abs/2512.12802 發(fā)表時間：2026年1月19日 論文來源：ArXiv

雙重映射與兩難困境

1980 年塞爾提出的 “中文屋” 思想實驗，首次系統(tǒng)質疑功能主義，指出意識無法僅由輸入/輸出功能定義，外部觀察也無法直接通達內部意識狀態(tài)，但該實驗僅為哲學直覺的表達，缺乏可實操的科學檢驗標準。然而中文屋僅是“直覺泵”（intuition pump），它只是訴諸哲學直覺，缺乏可實操的科學檢驗標準。若某理論聲稱“足夠復雜的規(guī)則手冊即有意識”，中文屋無法反駁，也無法回答：何種內部結構足以支撐意識？

2019年，Doerig等人提出“展開論證”（Unfolding Argument），將中文屋的直覺轉化為數學可構造的替代鏈。假設若某理論（如整合信息理論IIT）基于“循環(huán)結構”預測RNN或transformer架構的神經網絡具有意識。那么將RNN按時間，可展開為單層前饋網絡（FNN），兩者輸入/輸出完全等價，但RNN具有“循環(huán)連接”（recurrence），FNN為純前饋。兩個模型的推斷不變，但一個被認為具有意識，一個被認為不具有意識，這一矛盾揭示意識理論若依賴內部結構預測意識是否存在，而該結構存在不具有對應內部結構，但輸入/輸出等價替代品，則這樣的預測將可以由此被證偽。

圖1 意識理論中的替代論述

在展開論證的基礎上，Kleiner 與 Hoel 在《Falsification and Consciousness》一文中提出了 “Kleiner-Hoel 困境”，這一困境以雙重映射為核心分析框架，直指意識理論的核心矛盾：任何想要成為科學理論的意識學說，都逃不過一個兩難選擇。如果理論依據系統(tǒng)的內部結構（如整合信息、循環(huán)連接）來預測意識存在，可此時又存在一個輸入 / 輸出完全等價、但內部結構截然不同的替代系統(tǒng)，那這一理論的預測就會被直接證偽。

圖2 嚴格依賴（Strict dependency），意識理論僅僅基于輸入輸出判斷

而若是理論僅基于輸入/輸出做預測（圖2），聲稱“表現得活著=活著”，無法區(qū)分真人與高仿真機器人，那該理論就是不可證偽的平庸理論，如同中文屋中聲稱規(guī)則書懂中文，成為行為主義下不具有指導實踐能力的無效科學理論。

圖3 意識理論的結構性悖論

理想的意識理論，需通過雙重映射框架檢驗：從系統(tǒng)內部運作推導意識體驗的預測映射，與從外部行為反推意識狀態(tài)的推斷映射，唯有二者在經驗空間中收斂，理論才有效。這一框架也將意識是否存在的判別，從哲學思辨轉化為可實驗驗證的科學標準。

輸入輸出等價的替代鏈約束

雙重映射框架下，大模型的意識問題變得從原理上不可行。考慮一個部署狀態(tài)下，版本固定的大模型。根據神經網絡的萬能近似定理（Universal Approximation Theorem），其輸入/輸出函數可被FNN任意精度地近似。無論大模型的功能看起來多么強大，其輸入/輸出均等價于單隱藏層前饋神經網絡（FNN），而單隱藏層前饋神經網絡又等價于有限查找表。

而查找表是一個巨大的IF-THEN規(guī)則集合。它無動態(tài)、無記憶、無信息流、無內部復雜性，任何聲稱查找表擁有“非平庸意識”的理論，只能基于輸入輸出加以預測，最終導致預測與推斷依賴同一數據，完全不滿足雙重映射的檢驗要求。

Hoel在該文中定義“替代距離”（Substitution Distance）為兩系統(tǒng)間差異屬性的集合。在上述案例中，大模型與單層FNN的差異是層數、注意力機制。單層FNN與查找表的差異是數據的壓縮程度，這兩個屬性都不足以支持具有屬性就具有意識的宣稱。也就是說，由于大模型和FNN及查找表之間的替代距離較近，導致意識理論無法基于兩者之間的差異，來預測意識是否依賴于對應的內部結構。

若某意識理論聲稱大模型的意識源于 “網絡層數”，那可用不同深度但輸入/輸出等價的網絡替代原模型，此時理論的預測發(fā)生改變、而行為推斷不變，理論將被直接證偽。同理，若意識理論將 “數據壓縮程度” 作為意識判斷依據，則可用不同寬度、但輸入/輸出等價的網絡替代，同樣會導致理論被證偽。

由此，任何聲稱當代靜態(tài)大模型擁有意識、且兼具非平庸且可證偽的意識理論，必然因這一替代鏈的存在而被證偽。而若是聲稱意識的存在只依賴輸入/輸出，那模型會退化為行為主義，變成無法被證偽的平庸理論。而若僅基于輸入/輸出聲稱大模型有意識，理論則會退化為行為主義，成為無法被證偽的平庸理論。這一結論得到Kolmogorov 替代定理的支撐，該定理證明：對任意可計算函數 f（如文本生成），存在 Kolmogorov 復雜性意義下的最短程序 K (f)。

持續(xù)學習是通往意識的“窄門”

上述論證并非否定未來 AI 具備意識的可能性，而是為 “有意識的 AI” 劃定了核心必要條件：具有意識的系統(tǒng)，必須與其無意識替代品保持足夠大的替代距離。Hoel提出，人類大腦恰恰滿足此條件，而這其中的關鍵點在于持續(xù)學習（Continual Learning）。

大模型看起來是概率模型，同一個輸入多次的輸出不同，但對相同內容的輸入，不同時刻輸出的概率分布不變。查找表、單層FNN、部署態(tài)大模型均為靜態(tài)系統(tǒng)。而人類及多數動物是持續(xù)學習系統(tǒng)，核心特征是每次經驗都會微調內部神經表征，系統(tǒng)結構會隨體驗發(fā)生實質性、不可逆的改變。比如昨天被火燙傷，今天看到火苗會更快縮手。這一過程無需將 “被燙傷的歷史” 作為外部輸入，而是系統(tǒng)內部的自主更新與學習。

當代大模型，常因長上下文能力，被誤認為具備持續(xù)學習能力，然而上下文學習（In-context Learning）要將歷史對話作為輸入的一部分，本質是靜態(tài)系統(tǒng)處理更長輸入，非真正的持續(xù)學習。大模型訓練期，學習僅在數據中心訓練時發(fā)生，部署后凍結，這與人類“每時每刻都在學習”有本質區(qū)別。

人類對話無需重輸全部歷史，因大腦已內化上下文，而大模型每次生成都需將之前的對話內容塞入提示詞，這恰暴露其靜態(tài)本質。由此，Hoel提出“持續(xù)寬松依賴”（Continual Lenient Dependency），指出一個意識理論 T 滿足寬松依賴，當且僅當：

（1）其預測與推斷不構成嚴格依賴，即預測不完全由行為輸出數據決定，聲稱具有意識的系統(tǒng)與不具有意識的系統(tǒng)是基于不同屬性而被區(qū)分開的；

（2）不存在因可定義的普遍替代（universal substitution）導致的上述基于內部結構預測與基于行為預測的結果（例如大模型和查找表）不匹配。

持續(xù)寬松依賴介于預測映射與推斷映射之間，能讓二者可分離但不產生根本性漂移，從而讓意識理論既具備可證偽性，又非無科學解釋力的平庸理論。

圖4 由Qwen 3 max 生成的動圖

上述定義的關鍵點要求支撐意識的屬性（如可塑性）必須在意識存在的每一刻都活躍。若某理論聲稱“過去學習賦予意識”，則在學習停止的瞬間，系統(tǒng)可被靜態(tài)替代，導致理論被證偽。因此，意識必須與當下進行的學習過程綁定。

在人與人對話時，每句話都伴隨著實時神經表征重塑，對應海馬體位置細胞可在單次經歷中形成新表征，可塑性在秒級尺度持續(xù)存在。因此，"當下進行的學習"作為意識存在需滿足的屬性時刻在線，滿足持續(xù)寬松依賴。而對于大模型，在每次和用戶的對話前后，系統(tǒng)內部的特征無任何改變，不滿足持續(xù)學習的要求，寬松依賴斷裂。

然而，持續(xù)學習僅為意識存在的必要條件，掃地機器人即使能持續(xù)學習，也未必產生意識。意識的存在，或還需學習聚焦特定類型（如反事實、泛化能力）。

大模型無意識的現實意義與類人 AI 發(fā)展方向

Hoel 的研究從原理上證偽了當代靜態(tài)大模型的意識可能性，明確持續(xù)學習是意識存在的核心必要條件，這為類人 AI 的架構革新與意識科學的動態(tài)化研究劃定了理論邊界。未來，真正的類人AI需搭建持續(xù)學習架構，實現內部表征的實時、不可逆、泛化性改變。該研究也推動意識科學從靜態(tài)分析轉向動態(tài)學習過程研究，為構建科學的意識理論劃定框架。

閱讀最新前沿科技趨勢報告，請訪問21世紀關鍵技術研究院的“未來知識庫”

未來知識庫是 “21世紀關鍵技術研究院”建 立的在線知識庫平臺，收藏的資料范圍包括人工智能、腦科學、互聯(lián)網、超級智能，數智大腦、能源、軍事、經濟、人類風險等等領域的前沿進展與未來趨勢。目前擁有超過8000篇重要資料。每周更新不少于100篇世界范圍最新研究資料。 歡迎掃描二維碼或訪問https://wx.zsxq.com/group/454854145828進入。

截止到2月28日 ”未來知識庫”精選的百部前沿科技趨勢報告

（加入未來知識庫，全部資料免費閱讀和下載）