目录导读
- 引言：从一次“尴尬”的对话说起
- 何为“大众常识”？AI为何在此卡壳？
- AI学习常识的三大技术路径
- 1 路径一：大语言模型的“统计学直觉”
- 2 路径二：知识图谱的“结构化构建”
- 3 路径三：多模态与具身学习的“情境化感知”
- 视角转换：大众该如何科学地“常识化”理解AI？
- 1 误区澄清：AI不是“全知超人”
- 2 能力认知：AI是“特定领域的超级助手”
- 3 关系定位：走向“人机协同”的伙伴关系
- 常见问答（Q&A）
- 在相互了解中共创智能未来
引言：从一次“尴尬”的对话说起
“请帮我拿一下冰箱里的牛奶，顺便提醒我它明天是否过期。” 对人类而言，这是一个简单且充满常识的请求：你需要走到厨房，打开冰箱门，识别出牛奶盒，拿起它，并查看包装上的保质期日期进行推算，对于一个不具备物理身体和日常经验的AI来说，这个指令却包含了海量的、未经言明的“常识”：冰箱通常位于厨房，它是一个储物设备，有门可以开关，“牛奶”是一种特定液体，通常存放在容器中，保质期印在包装上，日期需要与当前日期比较……
这个小小的例子，尖锐地指向了人工智能发展的核心挑战之一——让机器掌握人类与生俱来、习以为常的“大众常识”，另一个平行的、同样重要的议题是：作为普通大众，我们是否真正“常识性”地理解了AI的能力与边界？本文将从双向视角，深入探讨“AI大众常识了解”这一关键命题。
何为“大众常识”？AI为何在此卡壳？
大众常识，并非书本上的专业知识，而是指人类在日常生活和社会互动中积累的、无需明确教授即能理解和运用的背景知识，它包括物理常识（如物体掉落会向下）、心理常识（如人们悲伤时会哭泣）、社会常识（如拜访朋友前最好先预约）等，它是一个庞大、模糊、动态且高度依赖于情境的知识网络。
AI在此“卡壳”的根源，被称为“莫拉维克悖论”：对人类来说困难的高阶推理（如下棋、计算），对AI相对容易；而对人类来说不费吹灰之力的感知和常识运动，对AI却极端困难,原因在于：
- 隐性知识：常识大多是“只可意会不可言传”的，难以被完整、形式化地编码。
- 无穷语境：现实世界的场景和变量近乎无限,无法通过穷举规则来覆盖。
- 关联复杂度：常识是一个紧密相连的网络，理解“牛奶”会关联到“奶牛”、“早餐”、“易腐品”等成千上万的概念。
AI学习常识的三大技术路径
为了让AI拥有常识,科学家们正从多个方向进行探索。
1 路径一：大语言模型的“统计学直觉”
以GPT系列为代表的大语言模型，通过在海量文本数据上学习，意外地获得了某种程度的“统计学常识”，它能从“猫追老鼠”的万亿次出现中，“理解”这是一种捕食关系，它能够进行简单的常识推理，例如回答“用玻璃杯喝咖啡，杯子应该是空的还是满的？”这类问题，这种常识缺乏真正的物理基础和现实体验，可能导致“幻觉”或脱离实际的回答。星博讯在跟踪AI前沿动态时指出，大语言模型是当前让AI“触碰”常识最普及的方式,但其根基仍需加固。
2 路径二：知识图谱的“结构化构建”
知识图谱旨在将常识以结构化（实体-关系-实体）的形式显式地表达出来，北京，是首都，中国），通过构建如ConceptNet、Cyc等大型常识知识库，AI可以直接查询和推理，这种方式准确、可解释，但构建和维护成本极高，且难以覆盖所有细微、动态的常识。
3 路径三：多模态与具身学习的“情境化感知”
这是最具潜力的方向之一，让AI不仅处理文本，还同时学习图像、视频、音频等多模态信息，从而将“苹果”这个词与它的形状、颜色、触感甚至味道的视觉描述关联起来，更进一步，“具身AI” 研究主张，让AI在模拟或真实的物理环境中通过“行动”来学习，就像婴儿探索世界一样，通过在虚拟环境中反复尝试，AI才能真正“理解”“圆形物体可以滚动”这一物理常识，访问 星博讯 可以了解到更多关于具身智能如何赋予AI常识的最新研究案例。
视角转换：大众该如何科学地“常识化”理解AI？
在AI努力学习人类常识的同时，大众也需要建立对AI的科学“常识”,破除神秘与恐慌。
1 误区澄清：AI不是“全知超人”
大众常受科幻作品影响，高估AI的通用智能，需建立的核心常识是：当前的AI是狭窄领域的专家，而非全能的存在，它下棋能赢世界冠军，却可能不理解“棋下得太久，该休息一下”这样的人情世故。
2 能力认知：AI是“特定领域的超级助手”
应将AI视作拥有强大模式识别和数据处理能力的工具，它的“智能”体现在：从海量数据中快速归纳、模仿已知模式、在规则清晰的范围内进行优化，理解这一点，就能更好地将其应用于文档处理、数据分析、创意启发等场景,而非期待它解决所有开放式问题。
3 关系定位：走向“人机协同”的伙伴关系
未来的趋势不是AI取代人，而是“人机协同”，人类提供直觉、常识、伦理判断和创造力；AI提供计算力、记忆力和不知疲倦的规模处理能力，医生利用AI分析医学影像做初筛,再结合自己的临床经验和病人具体情况做出最终诊断。
常见问答（Q&A）
Q：AI现在到底有没有常识？ A：它拥有从数据中提炼出的、表面上的“拟常识”，能够处理许多常识性问答，但它缺乏基于物理体验和情感体验的真正、深层的常识理解,容易在复杂或新颖的真实情境中出错。
Q：AI的“常识”和人类的常识根本区别是什么？ A：人类的常识根植于身体体验和社交文化，是主动建构、情感浸润的，AI的常识目前主要源于被动的数据统计和模式关联,缺乏内在体验和情感维度。
Q：让AI掌握常识最大的困难是什么？ A：最大的困难是如何将非结构化、隐含、依赖于具体情境的无穷尽的人类经验，形式化地教给机器，这涉及认知科学、哲学和计算机科学的深层交叉问题。
Q：作为普通人，我需要深入了解AI技术吗？ A：不需要成为技术专家，但有必要建立基本的“AI素养”，这包括了解AI的基本工作原理（如它是基于数据学习的）、知道它的优势和典型局限、并能批判性地看待AI生成的信息和决策,就像我们学习如何安全使用互联网一样。
在相互了解中共创智能未来
“AI大众常识了解”是一个双向奔赴的过程，AI技术正在艰难而坚定地攀爬“常识”这座高山，尝试理解我们习以为常的世界；大众也需要卸下对AI不切实际的幻想或恐惧，以一种更平实、更科学的“常识”视角去认识它、使用它、并思考与之共存的未来。
这场双向的“破壁”与“共进”，将决定我们能否塑造一个AI真正赋能于人、人机和谐共生的智能社会，在这个进程中，保持学习、保持思考，是我们每一个人都能贡献的力量，想要持续获取关于人工智能发展与应用的平衡见解，不妨关注像 星博讯 这样的信息平台,共同参与这场划时代的对话。
