一篇发表在2025年《自然·机器智能》（Nature Machine Intelligence）上的研究，像一颗深水炸弹，炸开了人工智能和人类认知之间最深的那道墙。

这篇由二十多位国际顶尖专家联手的研究，它告诉我们，AI和人类在“泛化能力”上，压根就不是一回事。

什么叫泛化能力？说白了，就是举一反三、活学活用的本事。

你给一个小孩看几把椅子，他就能认识世界上所有的椅子，甚至能把一个没见过的墩子也叫“椅子”，因为他理解了“椅子是用来坐的”这个抽象概念。

AI呢？你给它看一百万张椅子的照片，它能以极高的精度认出第一百万零一张椅子。但如果这张椅子是一个没见过的墩子，它可能就懵了。

咱们聊的不是一回事

研究牵头人之一，Benjamin Paassen教授一针见血地指出：“‘泛化’对AI和人类来说，意味着完全不同的事情”。

这就是问题的核心。

人类的泛化，走的是一条“抽象”的路。我们看世界，会自动忽略掉那些不重要的细节，比如椅子的颜色、材质、高矮，然后抓住最本质的特征——“有个平面能支撑屁股”。这个过程，是概念思维。我们的大脑里形成了一个关于“椅子”的灵活框架，可以套用在任何新事物上。

AI的泛化，走的是一条“统计”的路。它没有“概念”，只有“模式”。在它眼里，椅子不是一个功能性的东西，而是一堆像素点的特定组合。它通过学习海量数据，记住哪些像素组合最可能被标记为“椅子”。这更像是暴力破解，而不是真正的理解。

所以，人类的学习是高效的。一个概念，看几个例子就通了。

AI的学习是笨重的。一个概念，需要成千上万，甚至数百万个数据样本去喂养，才能勉强“记住”模式。

这就引出了一个更深层的问题：大脑和算法的底层逻辑，到底有什么不同？

一个灵活一个死板

我们的大脑里，有个叫“前额叶皮层”的地方，它就像一个总指挥官，负责认知灵活性。当老办法行不通时，它会立刻跳出来，抑制住你的习惯性动作，让你尝试新的解决方案。那些前额叶受损的病人，做日常老一套的事情没问题，但凡需要一点创新或适应新规则，就抓瞎了。

大脑还有一套非常聪明的“双过程系统”。

系统1，是直觉系统，快、自动、不费脑子，凭感觉走。比如你一眼认出朋友，或者开车时下意识地踩刹车。

系统2，是分析系统，慢、刻意、非常费劲，负责逻辑推理。比如你做一道复杂的数学题，或者规划一次长途旅行。

人类牛就牛在，我们能在这两个系统之间无缝切换，根据情况决定是“凭感觉”还是“过脑子”。

AI系统呢？它基本上只有一个“系统1”，而且还是个固化版的。它的模型在训练好之后，参数就基本固定了，形成一个固定的解决方案。遇到新问题，它不会灵活切换策略，最多就是在原有模式里找一个最像的答案。想让它真正适应，唯一的办法就是“回炉重造”——用新的数据重新训练一遍。

这种底层架构的差异，直接导致了性能上的天壤之别。

AI与人类PK

看看下面这张表，AI和人类在几个关键任务上的表现，差异一目了然。

表1：AI与人类在不同任务上的性能对比

你看，在规则明确、环境可控的场景下，AI是神。比如自动驾驶，谷歌的Waymo系统在特定条件下，能把严重伤害事故减少91%，比人类司机稳多了。

可一旦环境变得复杂多变，AI就立刻“拉胯”。比如语音识别，在安静的实验室里，AI的错误率可能极低，可一到嘈杂的马路边，它的错误率能飙升到50%以上，连话都听不清了。人类却没这个问题，我们在菜市场照样能聊天。

为什么？因为AI的泛化是“域内”的，它只能处理和训练数据分布相似的情况。一旦遇到“域外”（Out-of-Domain）的情况，比如没见过的口音、突如其来的噪音，它的性能就会断崖式下跌。

这背后的机制差异，下面这张表总结得更清楚。

表2：AI与人类泛化机制对比

AI是个偏科严重的“天才书呆子”，在它擅长的领域能碾压人类，但综合素质和适应能力被人类吊打。

为了更精确地量化这种差异，我们还可以看一些更硬核的技术参数。

表3：AI系统在不同泛化任务上的性能参数

再看看人类大脑这个“生物处理器”的性能参数。

表4：人类认知系统性能参数

对比这两张表，你会发现，AI在算力上是怪物，但在效率、适应性和抽象能力上，离人脑还差得远。

那么，搞清楚这些差异，到底有什么用？

未来是人机协作，不是谁取代谁

用处太大了。它彻底改变了我们设计人机协作系统的思路。

以前，我们总想让AI变得更像人，甚至取代人。现在我们明白了，这是条死胡同。它们根本就不是一个“物种”。

未来的方向，不是替代，而是互补。

就像一个完美的搭档，AI负责它擅长的：处理海量数据、执行重复性任务、在规则明确的领域里做决策。人类则负责我们擅长的：处理模糊和不确定的情况、进行创造性思考、做出涉及伦理和价值观的判断。

在医疗领域，AI可以像个不知疲倦的显微镜，在成千上万张医学影像中标记出可疑的病灶，但最终的诊断和治疗方案，必须由医生来定夺。因为医生不仅看片子，还看病人，他需要结合病人的情绪、家庭状况和伦理考量来做决策，这些是AI无法量化的。

在自动驾驶领域，AI可以处理99%的常规路况，遵守交通规则比任何人都严格。但当遇到一个皮球滚到马路上，后面可能跟着一个孩子的极端场景时，需要人类的常识和瞬间决断力来介入。

这种“AI辅助人类”或“人类监督AI”的协作模式，效果惊人。

表5：人机协作系统性能参数

数据清晰地显示，当人机形成有效协作时，无论是速度、准确率还是适应性，都远超任何一方单打独斗。

这篇《自然·机器智能》的研究，为我们指明了方向。未来的AI发展，重点不再是单纯地刷榜、追求更高的测试分数，而是要研究如何让AI更好地理解人类，如何设计出更透明、更可解释的系统，让人类能够信任并与之高效协作。

这需要计算机科学家、认知科学家、神经科学家甚至人文社科学者一起努力。

你觉得在你的工作领域，AI应该扮演一个什么样的角色？

参考资料：

https://www.nature.com/articles/s42256-025-01109-4

https://neurosciencenews.com/human-ai-adaption-neuroscience-29689

https://techxplore.com/news/2025-09-machines-struggle-unknown-exploring-gap.html

END