近年来，人工智能技术的迅猛发展掀起了一场科技革命，尤其是大型语言模型和生成式人工智能的爆发引发了全球范围内的关注与讨论。与此同时，关于通用人工智能（AGI）的争议和期望也空前高涨，而加里·马库斯（Gary Marcus）作为一位著名的认知科学家和AI批评者，始终保持着独特且颇具洞察力的声音。他以其理性审慎的观点和对人工智能现状的现实评估，为行业的发展提供了不可忽视的参考。本文将深入探讨加里·马库斯对于当前人工智能技术的看法及其防御主张，剖析他如何通过批判性的思维提醒我们不要迷失于科技乌托邦之中。 加里·马库斯的主要观点集中在人工智能尚未达到真正理解与符号操作的能力。他对当下许多声称能“理解”语言的AI系统持怀疑态度，认为它们更多是基于海量数据训练的复杂模式匹配机制，而非真正意义上的符号操纵或思维。
对他而言，认知的核心在于明确的规则、符号系统和高度结构化的算法，而当前的深度学习模型很难证明具备这样的内部机制。 在一段广为流传的对话模拟中，马库斯用“加法机器”这一比喻形象地描绘了当下机器学习产品的局限性。这个机器被设计来完成加法运算，却在面对简单的三位数运算时产生错误。尽管制造者后续通过规模扩大和复杂度提升来改进机器，马库斯依然提醒人们，规模的增大并不等同于能力的根本提升。真正能够无误地执行任意规模加法的机器，必须遵循明确且可验证的算法规则，而非凭借扩展巨大网络的“盲目学习”。 这种观点直接挑战了部分AI领域乐观派的信念，即通过海量数据和不断的训练，人工智能终将“自发”学习到真正的理解与逻辑推理能力。
加里·马库斯认为，缺乏对符号系统的主动操控，机器永远只能在模式匹配的层面徘徊，而无法真正实现智能。他以此倡导对人工智能能力的理性评估，强调不应该过早宣称机器具备人类级别的认知能力，否则将导致对技术潜力和风险的误判。 另一方面，马库斯也展现出一定的开放和理解。他并非全盘否定大规模神经网络的价值，而是提出应结合符号主义方法，融合统计学习与结构化推理，探索更具解释性和可靠性的人工智能架构。这种观点反映了他早期研究中对认知科学和神经网络的深入思考，主张AI研究应当跳脱纯粹经验主义，拥抱更为严谨的理论基础。 他的辩护不仅是学理上的，更带有现实意义。
他指出，目前AI系统虽然在特定任务上展现出惊人的效果，但其内在的不确定性和脆弱性不容忽视。例如，机器在面对超出训练范围的问题时容易发生“幻觉”，输出不可信的结果。对加里·马库斯而言，这种现象反映出机器缺乏真正理解的根本障碍，也提醒社会在接受和推广AI技术时必须更加谨慎。 另外，马库斯强调AI的可解释性和可验证性。他认为，科学进步要求我们不仅要看到系统的表面表现，更要深入理解其运行机制及潜在风险。当前许多深度学习系统的“黑箱”特性恰恰成为制约其广泛应用的重要因素。
只有增强AI系统的透明度，确保其决策过程可追溯，才能在医疗、金融等关键领域实现安全可靠的落地。 对于未来的发展，加里·马库斯持有一种既不盲目乐观也不彻底悲观的态度。他倡导科研人员继续探索理论创新，结合符号AI与深度学习的优势，构建混合式智能系统，推动真正具有推理能力和语义理解的技术诞生。这种务实的思维对于引导人工智能走向负责任且可持续的道路尤为关键。 总的来说，加里·马库斯不仅作为一位资深认知科学家，更是人工智能领域的良心批评者。通过其对“加法机器”实验的思辨和严谨论证，提醒业界和公众不要被表象的技术成果迷惑，应回归理性审视AI的本质。
他的防御为我们提供了宝贵的反思视角，敦促在热潮与风险并存的当下，树立科学理性的态度，推动技术向着真正智能与人类价值契合的方向发展。 随着人工智能的技术不断进化，关于其智能性质的争议依旧会持续。加里·马库斯那种严谨、透彻且不轻易妥协的质疑精神，无疑为我们提供了重要的智力资源和引导。无论未来人工智能的路径如何演变，保持这样的批判性思考，理性面对发展中的不确定性，才是推动科技进步与社会福祉协调前行的必由之路。
