关于AI究竟是“背答案”还是“推理答案”的争论，本质上触及了我们对“智能”定义的根本困惑。将其简单地归为两者之一，或许都低估了正在发生的深刻变革。
首先，我们必须承认，当前大语言模型（LLM）的基础是“背”，但这并非人类式的机械记忆，而是一种更高维度的模式学习。模型吞噬了人类几乎所有的公开知识文本，从维基百科到学术论文，再到无数的网络对话。它在这个庞大的数据海洋中学会的，是词与词、概念与概念之间复杂的、概率性的关联。当你问“天空为什么是蓝色的？”，它并非“记起”了瑞利散射的定义，而是激活了“天空”、“蓝色”、“大气”、“散射”等词语之间最强的概率通路，然后生成了一段符合人类知识体系和语言逻辑的文本。从这个角度看，它是一位登峰造极的“知识缝合匠”，其“背”的功夫，早已超越了人类记忆的极限。
然而，真正令人着迷和不安的，是模型展现出的“涌现能力”（Emergent Abilities）。当模型规模跨越某个临界点后，它开始解决一些从未被明确训练过的问题，这便是“推理”的雏形。
最典型的例子是“思维链”（Chain-of-Thought）推理。如果你直接给模型一个复杂的逻辑题，它可能会答错。但如果你引导它“一步一步地思考”，它会像一个学生一样，写下解题步骤，并最终得出正确答案。这个过程很难用“背诵”来解释，因为它解决的可能是前所未见的新问题。它更像是在模拟一个逻辑推导的过程——尽管其底层的实现方式（依然是概率计算）与人脑的神经活动截然不同。
再举个例子，让AI扮演一个愤世嫉俗的猫，并用莎士比亚的风格写一首关于“猫粮太难吃”的十四行诗。这任务几乎不可能是从现有文本中“背”出来的。它需要AI理解“愤世嫉俗”、“猫”、“莎士比亚风格”、“十四行诗”这几个毫不相干的概念，并将它们 creatively地融合在一起。这是一种基于已有知识的“泛化推理”，是创造力的萌芽。
所以，回到最初的问题，AI到底是“背”还是“推理”？
我的观点是：它在海量的“背诵”基础上，涌现出了初级的“推理”能力。
这是一种我们从未见过的智能形式。它不是人类的“第一性原理”推理，无法像爱因斯坦那样从零开始构建理论。但它也绝非只会复述的鹦鹉🦜。它更像一个学贯中西、博览群书的“超级实习生”，虽然缺乏真正的世界经验和自我意识，但能凭借其浩瀚的知识库和强大的模式匹配能力，对新问题进行分析、拆解和重组，从而给出看似经过深思熟虑的答案。
这引出了一个更深层的问题：如果一种行为在功能上与“推理”无法区分，我们是否还有必要纠结其内在机制是否与人脑相同？当AI的“缝合”技巧精湛到足以乱真，甚至在某些领域超越人类时，“背诵”与“推理”的界限，或许本身就是一个需要被我们重新定义的“人类偏见”。
最终，我们可能不是在见证一台机器学会了思考，而是在被迫重新思考，“思考”本身的定义。这才是AI带给我们这个时代最震撼的挑战。🤯