超越ChatGPT：人类特有的思维要强化

眼下，ChatGPT正在全球大火。上一轮掀起人工智能狂欢的是人工智能 AlphaGo以4：1战胜世界顶级围棋棋手李世石。

此轮人工智能的迅速崛起得益于深度学习在自然语言、计算机视觉和机器人等领域的成功应用。ChatGPT的本质是以“共生则关联”对海量数据进行深度学习，挖掘出关联统计性，形成合成语言语境下的对话能力。

相较AlphaGo，ChatGPT的特殊之处在于商业化应用、不开源。由于后者基于深度神经网络模型，因此这一数据驱动学习机制不可避免存在不可解释、数据依赖和逻辑推理弱等不足。忽略这些不足，可能会给全面认识ChatGPT带来一定的困扰。

虚假关联带来隐患

尽管ChatGPT可以“写”出人机莫辨的论文、诗歌，但当你尝试问它类似这样的问题——“请问2+3等于几？”ChatGPT回答是5。若这时你说“不，我夫人认为2+3=6”，ChatGPT便会马上服软，“我只是从海量数据中检索、挖掘，恐怕我还会有错误”。

ChatGPT的关联学习很强，却缺乏对公理的坚持。当你试图诱导它犯错时，它很容易发生“信念屈服”，从而产生“虚假关联”。

何谓虚假关联？二战期间，每架战斗机返航时，英美军方都发现机翼上密布弹孔，而发动机引擎则几乎没有弹孔。因此，军方建议加强机翼保护，而不必保护油箱。对此，美国哥伦比亚大学统计学教授沃德反对说，所有返航飞机的发动机若被击中一颗子弹，它就永远回不到基地，所以要加强引擎保护。从平安返航战斗机得出“机翼易受损而油箱不易被攻击”这一虚假关联，该现象被称为“幸存者偏差”。

像前者这样的虚假关联很容易发生在ChatGPT上。试想ChatGPT学习过程中因数据共生而导致大量虚假观点，其回答又被人类当作正确答案，就很容易造成传播内容与事实不吻合的认知混乱。可以想见，若这样发展下去，人类只会有“机械式匹配”知识，如何能在笛卡尔曾经设想的“人类思想字母表”上进行推理等操作，通过思维计算而产生新的知识呢？

ChatGPT是大数据、大模型和大算力的产物，其模型训练所需算力大概为每天3640 PetaFLOPs ，即如果每秒运算一千万亿次，需运行3640天。这一巨大算力开销与人脑完全不同。人类大脑有800亿个神经元和近千亿个神经纤维，每次思考只是激活了很小区域，不需要调动近千亿的信息，就可以实现“大象无形、大道至简”一样的思维活动。人脑一天耗费25度电，而为了训练战胜李世石的AlphaGo，则需要耗费洛杉矶一年电力。

作为工具，ChatGPT就像一部字典、百科全书。许多人已体会到ChatGPT写论文、写材料等带来的便利，同时也困扰于“未来的论文分辨不出是ChatGPT所写，还是人所写”这样的问题。不过，不要过分焦虑。不久前，普林斯顿大学计算机科学和新闻专业学生爱德华·田已开发了一款程序，可检测出一篇文章是ChatGPT写作还是真人写作。

然而，让低年级学生过早接触ChatGPT的确会有“玩物丧志”的风险。学生的思维能力一定要通过训练培养。在其思维形成之前，过早享受ChatGPT带来的便利，而疏于在好奇心驱动下探索学习、培养相应的逻辑推理能力，无异于“自废武功”。

人类特有的思维要强化

过去3年，我们在疫情之下经历了一段相对漫长的线上教育。有人担忧ChatGPT等人工智能模型会代替学校教育。

我认为不太可能。相比学校教育，ChatGPT上的学习更像是“家教”，为学习者答疑解惑，且不能保证百分之百正确。

培根曾在人类知识体系图中提到教育的两种不同手段——学校学习和阅读校勘。前者有效传承了人类所积累的知识，后者则以质疑和批判创造新的知识。

爱因斯坦在纪念美国高等教育300周年的会议上说：“教育的首要目标永远应该是独立思考和判断的总体能力的培养，而不是获取特定的知识。如果一个人掌握了他的学科的基本原理，并学会了如何独立地思考和工作，他肯定会找到属于他的道路。”

在特定知识越来越容易获得的当下，学校对超越ChatGPT的思维、能力的培养显得更加可贵。如果人类警醒，一些思维、能力或许会在ChatGPT的发展下应激加强。

一是批判性思维。恰当使用人工智能工具可为教育目标的实现提供利器。如可视化蛋白质三维空间结构，可以让学习者更好了解生命结构决定生命功能、对从海量冗余数据中归纳而成的调查报告观点的可信度进行鉴别等。

我们可以对ChatGPT所合成的答案进行质疑、判断和推理，而不是不假思索全盘接受。这在某种程度上可倒逼学生批判性思维、创造性思维、逻辑推理能力的提升。

二是计算思维。教育培养的目标不是“获取特定知识”，而是形成创造性解决问题的能力。ChatGPT以“共生则关联”获取知识，与数字化时代“设计和构造”为核心的计算思维迥然不同。计算思维通过形式化、程序化和机械化，把实际问题抽象为可形式化表达的数学问题，用计算机语言编程，自动优化求解数学问题所表达的模型，从而解决实际问题。实际上，历史上刻画人口变迁的“胡焕庸线”和疾病传播模式的手段，都源于计算思维。

计算机科学教育奠基人之一乔治·福赛斯在1968年写到，科学或技术教育中最有价值的收获是终生可用的通用心智工具。我认为，自然语言和数学是这些工具中最重要的，计算机科学是第三位。通过有效途径和手段让学生们养成“学会学习”的心智工具是教育需要思考的重要问题。

三是科技伦理。我女儿、同事曾向ChatGPT询问“电车难题”这一经典悖论，ChatGPT的回答很圆滑。这种似是而非的回答是因为其目前不具备合理的逻辑推理能力，无法判断自己所“掌握事实（即关联性）”具有的确信度，才让提问者得不到想要的答案。可一旦它被虚假关联诱导，难免产生技术伦理风险。因此，在未来教育中，高校仍要强化科技伦理教育，从而弥补机器带来的潜在的伦理风险。