梅兰妮·米切尔：概念、类比、常识与 AI 的未来

1956 年，John McCarthy 造出 artificial intelligence 这个词，一部分动机是为了跟当时更主流的控制论（cybernetics）划清界限。梅兰妮·米切尔（Melanie Mitchell）在这期访谈里说，据她读到的材料，他后来后悔了。Herbert Simon 当年力主把这块领域叫作“复杂信息处理”（complex information processing），没争过。

这个名字的麻烦不在于它错，在于它太滑。不同的人听到它，脑子里浮现的东西完全不同：有人想到下棋程序，有人想到扫地机器人，有人想到《终结者》，有人想到统计学。米切尔说 intelligence 这个词本身也没定义清楚，智能有太多种类、太多个程度、太多条路径，你很难说清自己在谈哪一个。

她自己是被“智能这个现象”吸引进来的。她开玩笑说，如果当年这行真叫“复杂信息处理”，她今天可能在干别的事。

她 1990 年博士毕业，正赶上那一轮 AI 寒冬。导师给她的建议很实在：简历上别写 artificial intelligence，写 intelligent systems。委婉语。

这段开场像一次术语清理，其实埋下了整场对话的主线。米切尔后来所有的判断，包括她怎么看深度学习的天花板、怎么反驳“超级智能把世界变成纸夹”、怎么理解常识，都是从“我们其实不知道自己说的智能是什么”这个起点长出来的。

智能这条线，会一直往后挪

棋类是最好的例子。早年有一大批人相信，会下国际象棋是通用人类智能的标志，你不可能没有人类级别的智能还会下棋。等机器下赢了，这套说法自动改了，人们回头重新定义：那下棋其实不算什么智能。

这个模式在整部 AI 史上反复出现。每一项任务一旦被机器攻克，人类就把它从“智能”清单里划掉，挪到“机械计算”那一栏。米切尔说，这是这个领域最稳定的一条规律。

那这条线会永远挪下去吗？她的判断是，原则上没有理由认为我们造不出会被自己认可为智能的东西，只是“我们怎么知道自己认可了”很难。也许我们对智能的理解会一点点被磨细，细到最后终于能说清自己在说什么。

她还提了一个更有意思的角度：造智能的过程，可能同时是在照镜子。细胞本身是机械的，它们有算法，按规则处理信息，而海量细胞凑在一起，涌现出了我们叫它智能的东西。底下全是机械的细胞处理，以及非常非常多的量。人身上那些“机器般的性质”，我们平时看不见。

有个追问很锋利：能不能在不理解自己心智的前提下造出智能？她说如果要她下注，答案是不能，至少要在相当程度上理解。但她也承认这是个大问号，因为她被一件事惊到过：那种纯靠大数据和大网络的蛮力路线，居然能走这么远。这条路跟她理解的人脑工作方式毫无关系。

我们看不见自己每天在做的事

为什么这个领域对未来的预测总是错得离谱？

她讲了 Marvin Minsky 把计算机视觉当成暑期项目派给本科生的故事，而且确认这是真事。那份项目计划书今天读起来很好笑，因为它基本上把计算机视觉的所有根本难题都列了一遍，其中很多至今没解。Minsky 极聪明，极老练，照样低估了。

低估的原因很具体：这些事对我们太隐形了。你睁眼看一下房间，说出你看到了什么，这个过程不费任何力气，感觉不到任何工作量。所以它看起来不难。实际上底下跑着巨量的无意识计算，我们完全接触不到。

米切尔在书里引了一个她喜欢的说法：人类级别的智能，距离我们还有 100 个诺贝尔奖那么远。这个单位挺好用，意思是还得有那么多重大发现被做出来。顺带一句，诺贝尔奖没有 AI 这一项，目前还没有。

她自己的预测是超过 100 年。她认为通往那里的路必须经过对我们自身认知系统的理解，绕不开，不是把今天的机器学习指数级放大就能到。

Lex 在这里跟她有一点分歧。他说自己一方面同意，另一方面越来越被这些方法的能力惊到，觉得它们比很多人以为的更能走，会走得很远，只是“很远”离“人类级”还是比大家想的更远。米切尔回应：这些方法确实比人们承认的更强，她也可能错。她只是不认为这个路子可持续。

这个领域里至少有五拨人，彼此差别很大

写书过程里最让她意外的，是圈内人对“走到哪一步了”的判断差距之大。

第一拨是奇点派和超人类主义那一支。他们的叙事是：我们正处在指数曲线最陡的那一段，未来三十年会出现超级智能，我们还能把大脑上传。

第二拨不搞奇点，但相信深度学习会一路放大到底，直接把我们带到通用智能。她说这拨人不少，尤其大厂的 AI 团队里，很多人真觉得“我们离得不远了”。

第三拨以 Yann LeCun 为代表。他同样相信会有诺贝尔奖级别的基础突破，但这些突破会建在深度学习之上。他的核心判断是监督学习不可持续，无监督学习才是钥匙。米切尔补了一句：无监督学习会比大家想的更难，人类做这件事的方式至今没被复制出来。

第四拨是 Gary Marcus 那一路的混合派。深度学习只是其中一块，符号方法得回来，两边要接起来。问题是没人知道怎么接，接在哪一层，谁是地基谁是糖霜。

第五拨是做因果的那批人。他们的说法是，今天这个形态的深度学习完全没有因果概念，这是死穴，不给它某种因果表征就走不下去。

再往外，还有认知科学背景的一群人在推发展学习、婴儿怎么学、直觉物理。有人打趣说，还得教机器直觉形而上学，也就是“物体是持续存在的”“因果是存在的”这些我们可能天生就带着的东西。机器看到一堆像素，喂了一千万个样本，也未必能学到“世界上有物体”这件事。

米切尔自己的位置偏认知科学那一侧，而且她越来越认同具身（embodiment）：没有身体，很难学到我们关于世界必须学的那部分东西。

类比是认知的引擎，跟修辞没关系

要理解她的立场，得回到 1984 年。那年她刚开始读博，加入 Douglas Hofstadter 的组，参与一个叫 Copycat 的项目。这个项目做的东西听起来很小：在字母串这个理想化世界里做类比。

比如给一个例子：ABC 变成 ABD，那么 DEF 变成什么？

Copycat 得先发现 ABC 是字母表上连续的一段，才能推出 DEF 的对应答案是 DEG。它内置了字母表顺序、后继、相同性这些概念，还内置了“这段是不是连续的”这类觉察。她的解释很坦白：程序里所有概念都是预置的，这当然是很大的限制。他们想问的是另一个问题：假如你有一些概念，你怎么把它们灵活地用到新情境上？

这背后是 Hofstadter 的一句核心断言，米切尔说这该成为 AI 的箴言之一：没有概念就没有思想，没有类比就没有概念。

她用一个很日常的例子展开。三天前她在华盛顿做了一场播客访谈，今天又做了一场。人不同、麦克风不同、问题不同、楼也不同，但她能立刻认出“这是同一件事”。她说，就在这一刻，“播客访谈”对她来说已经是一个新概念，她以前没有过。她还能进一步把它类比成接受报纸记者采访，记者可能发来书面问题，书面问题类比于今天的口头提问。

再往外一层：如果她跟朋友讲这次访谈，朋友说“我也遇到过一样的事”，而那件事完全不是播客，是别的情境。朋友没说出“一样”这个词，意思就是一样。这个动作本身就是类比，而且它支撑着我们几乎所有的概念。

她把这个观点推到很硬的地方：你每次认出对面坐着的是一个人，就是在做类比。因为你手上有一个“人”的概念，正在把它套用到这个人身上。你认出街上有人在遛狗，也是类比，因为每一次的细节都不同。感知也一样，感官输入进来，跟既有的世界模型整合、更新，整个过程里全是类比在跑。

那工程上怎么实现？她说得先搞清楚人是怎么做的，而答案很可能落在内部模型上。心理学里有一条线认为，概念本质上就是心理模拟：你遇到一个概念或情境，脑子会跑一段模拟，用来预测接下来会发生什么，形成预期。所以我们需要的是那种能生成预测的心理模型，而且这些模型之间高度互联。

概念空间有多大，我们连单位都不知道

Lex 问了一个没人答得上的问题：如果把人脑里的概念网络画出来，这张图有多大？

米切尔说她连用什么单位衡量都不知道。一千亿个神经元，几万亿个突触，还有大量化学层面的处理，信息的编码方式既有电的（放电、放电频率），也有化学的，没人真正知道是怎么编的。容量看起来极其巨大，而且里面装的不只是事实，所有东西都被整合成一个可以拿来类比的整体。

这也解释了她为什么对“把维基百科转化成可类比的知识库”这类设想保持距离。语义网、专家系统、大型知识库，这些梦做了几十年。MIT 有 ConceptNet 这样的项目，一直在做，也有进展，但问题卡在一个地方：我们拥有的知识大部分对自己不可见，它们不在维基百科里。

Lex 追问得很妙：如果真的给“直觉物理”和“直觉心理”建一个网站，它会比维基百科大还是小？

她的回答是“看写给谁”。这个问题本身暴露了难点：难在表征。她可以写下 F=ma 和牛顿定律，很多物理可以从这里推出来，但这大概率不是机器做我们想要的那种推理时的最佳表征形式。

再往下是 Doug Lenat 的 Cyc 项目。这个项目想把常识全部编码成逻辑表达，包括那些隐形的部分，做了几十年，她认为它没能做成它想做的事。她说得很公道：Lenat 是最早一批明确指出“常识才是关键，专家系统那条路到不了 AI”的人，为此搭上了整个学术生涯，这一点她非常敬佩。方法本身她认为走不通。她也留了余地：历史书可能会写，Cyc 项目在 2058 年终于迎来了突破。

那现在的数据结构和硬件够用吗？她的猜测是：图灵意义上的计算大概够，硬件不需要换范式，缺的是正确的算法和架构。有人提过别的可能，比如 Roger Penrose 认为图灵机做不出智能，因为智能需要连续值，需要量子力学那一套，她说她没看到支持这点的证据。

把挡板挪两个像素，系统就认不出来了

这是整场对话里最有说服力的一段论证，也是她回答“纯靠学习能不能一路走到底”的核心证据。

DeepMind 让系统只看屏幕像素学打 Atari 的 Breakout，成绩比人类好 1000%。它还自己学出了一招：从砖墙侧面打出一条隧道，让球跑到天花板上反弹，然后横扫。这个结果本身非常惊人。

后来有研究组做了个实验，把玩家控制的挡板往上挪几个像素，再让训练好的系统玩这个新版本。人类当然毫无障碍。系统不行，它没法把学到的能力迁移过去。

她的结论是：它没有学到“挡板”这个概念，也没有学到“球”和“隧道”的概念。它学到了某个东西，我们看着它的行为，用拟人的方式描述成“它在打隧道”，但它内部并没有那个概念，所以迁移不了。

Lex 在这里提了一个漂亮的反驳。他说，你把挡板挪动几个像素，这本身也是往系统里注入了一个拟人化的假设，然后看它翻车。Atari 那件事本身已经足够深地让人惊讶了。

米切尔回应得很清楚：她没有否认这件事的惊人程度。她问的是另一个问题，这些系统学到的，是不是人类认为相关的那些概念。如果喂给它挡板出现在各种位置的数据，也许它能学到，她不确定。真正的问题是放大到更复杂的世界会怎样：一个只拿到原始数据的机器，能在多大程度上把世界切分成有意义的概念？她不知道答案，但她会押注：没有某些先天的东西，做不到。

Lex 说自己十年前会百分之百同意，现在有一丝动摇，因为 AlphaGo 和自对弈的力量让他反复被教做人，他对“什么可能”的了解太少了。米切尔承认自对弈极其强大，这条线能追到 Arthur Samuel 的跳棋程序，当年就已经很惊人。

自动驾驶：一个很低的安全门槛，和一条极长的尾巴

Lex 的工作跟自动驾驶关系最近，他把这个话题拎出来当例子。

米切尔说难点在于世界的开放性：正常情况下的驾驶，现在这些车做得很好，天气别太糟就行。麻烦的是分布尾部那些东西，可能发生的事太多，多到不可能全在训练数据里，而它没有常识去处理没见过的情况。这就是挡板问题的放大版。

她读到的情况是，现在的自动驾驶视觉系统搞不清哪些障碍物该刹、哪些不该刹，所以经常一脚急刹。自动驾驶最常见的碰撞，是被后车追尾，因为后车完全没预料到它会停。

Lex 补了一层区分：这要拆成两件事。一件是感知和理解，把检测到的物体解释对；另一件是策略，也就是你怎么响应。很多 L4 级别、带安全员的车（Waymo、Cruise 这些）策略极其保守，怕伤到任何东西，结果就是对任何疑似障碍物都过度反应。这在人类司机眼里是不可预测的行为。人类司机也会谨慎，但人类同时会赶时间、会生气，尤其在波士顿。

他还说了句挺实在的话：很多公司对外宣称自己在做深度学习和机器学习，一部分原因是招人。实际情况是，感知里深度学习的比重没有宣传的那么大，激光雷达和其他传感器在物体检测上可靠得多。特斯拉走的是纯视觉，马斯克的基本信念是激光雷达是拐杖，摄像头包含的信息多得多，你要学习就该要那些信息。代价是主力的兜底传感器变成了雷达，而雷达对静止物体的检测有盲区，这正是撞上停着的消防车那类事故的来源。

不过 Lex 说，特斯拉在主动学习那条数据管线上做的确实厉害：不断把边缘案例捞回来，还有多任务学习，把一个驾驶问题拆成几十上百个小学习问题。他从一开始的怀疑，慢慢变得不那么怀疑。但他仍然认为时间表比那位 CEO 说的远得多。

米切尔给出了一个最务实的判断：要能应对任何情况，就需要完整的人类智能。她还点出一个反差：人类的事故大多是因为没注意、喝酒、走神，机器的事故是因为不够聪明。机器永远在注意。所以自动驾驶最终会比人类安全，只不过这个门槛很低。她预测未来的形态会变：不会是“我在后座睡觉，你送我去任何地方”，而是特定区域被改造过，装了传感器、做了高精地图，车在这些区域里不需要常识也能跑得很好，前提是行人别乱来。

Lex 顺口提了一句很关键的东西：行人、骑行者跟车之间那种非语言的沟通，那场博弈论式的舞蹈，人类很擅长，而且完全说不清自己是怎么做到的。这正是“我们无法言说自己拥有的知识”这个老问题的现场版。

情绪是智能的一部分，不在门外

话题转到具身。米切尔说她越来越倾向于认为身体是必要的，但她也承认不确定。

Lex 追问了一个区分：你说的“身体”，是指能跟世界互动，还是指有一个必须保存、会死、会害怕的身体？

她说这个问题她没细想过，但猜是两个都要。因为智能太难跟自我保存的欲望、情绪、那些干扰逻辑思考的非理性部分切开。我们说的是人类智能，而人类智能里有巨大一块是社交的：我们演化出来是为了跟其他人打交道，这部分烙得太深。

过去七十年，AI 领域大体上把这块切掉了。有一个很笛卡尔式的假设：我们要造的是那个“思考的东西”，其他都不重要。她认为其他那些恰恰非常根本。

Lex 在这里插了个段子。他说自己是俄罗斯人，所以对情绪、苦难、对死亡的恐惧有种浪漫化的偏爱。他提到网上流传过一篇反对超级智能的文章，作者好像是斯拉夫人，里面列了一堆论证，其中一条叫“斯拉夫式悲观主义论证”，内容大致是：没有什么东西能真正运转起来。

米切尔笑了，然后认真回答。她说情绪影响我们怎么感知世界、怎么做决定、怎么跟人互动，也影响我们怎么理解别人。她要理解 Lex 接下来大概会做什么，需要一套心智理论，而心智理论在很大程度上就是关于情绪、动机和目的的理论。她靠在自己脑子里模拟对方来理解对方，背后是镜像神经元那套系统。她说这事她证明不了，但看起来很可能。

她为什么觉得“纸夹最大化”讲不通

米切尔在《纽约时报》写过一篇专栏，标题是编辑起的，叫《我们不该害怕超级智能 AI》，她本人不会用这个标题。文章针对的是 Stuart Russell 此前一篇专栏，那篇在概括他的书《Human Compatible》。

Russell 的论证是：如果有了超级智能，必须让它的价值观跟我们的对齐，它得学会我们真正想要什么。他举了个例子：假设你让一个超级智能去解决气候变化，它算出来降低大气碳含量最有效的办法是把人类全杀了。

米切尔说她看到这个例子第一反应是，这完全说不通。一个能在气候科学上做到超级智能的系统，不可能蠢到不知道人类不想被杀。你不可能只拿到其中一个能力，而完全没有另一个。

她顺带批评了 Bostrom 的“正交假说”（orthogonality thesis），也就是系统的目标和它的价值观不必对齐，两者可以互相独立。她说这在她看来没有意义。纸夹最大化的思想实验也一样：一个把所有物质都变成回形针的系统，作为一种思维实验她也没法接受。

她那篇专栏想说的是：智能比这些人呈现的更复杂，理性、价值、情绪这些东西没法按维度切开。那种“我们能造一个只在一个维度上超级强、其他维度全空”的设想，她不信。

Lex 随后读了 Yoshua Bengio 的一段回应，写得很有分寸。Bengio 说他的印象跟米切尔一样，认知偏差跟学习能力是绑在一起的，可能也是限制因素，但这事有不确定性。然后他补了一句更要紧的：价值对齐问题在我们到达假想的超级智能之前就已经存在了，它的形式是超级强大的公司，它们的目标函数可能跟人类整体福祉对齐得不够，制造出各种有害的副作用。

米切尔同意一半。她说 Bengio 举的那个例子，公司背后是人，是人的价值观，真正作恶的基本单元是人。但 Lex 的补充有道理：算法在控制这一大群人的行为。一家靠广告和互动量赚钱的公司，会不断被算法推着往“更多互动”的方向走，这个循环会自我强化，可能让文化更撕裂，然后继续滚下去。

米切尔在这里做了一个她很看重的区分：能动性到底在谁手上。

她举了人脸识别的例子。有人说某些人脸识别系统“是种族主义的”，因为对深色皮肤的准确率更低。她说不是这样：那个算法本身没有能动性，它不是种族主义的东西。起作用的是训练数据、摄像头部署位置、使用方式这几样东西的组合。

所以她对 Bengio 那段话大体认同，我们使用算法的过程中确实存在价值问题。但 Russell 的论证不是这个意思。Russell 说的是，机器本身现在具备能动性了，是它在做决定，是它拥有我们所谓“价值观”这个东西。米切尔说，这跟一个面部识别神经网络是性质上的不同，不只是程度上的不同。

一百年后的事，和今年的事

Lex 把问题推到最硬的地方：马斯克、Russell、Bostrom 这些人担心的是 AI 的生存性风险，他们的论证结构是“它终究会发生，我们不知道多久，但终究会”。她怎么看？

她的回答干脆：有可能，但更近的生存性威胁多得多。

她自己的时间尺度是超过一百年，甚至可能超过五百年。在那么长的时间里，还会有上百万种今天我们连预测都做不到的技术出现，它们会从根本上改变社会的样貌。等到那个节点真的临近，我们讨论的“AI 风险”大概已经不是今天这个词的意思了。

而眼前排着队的事情很具体：核武器、气候、贫困、可能的流行病，可以一直列下去。在她看来，AI 的生存性风险不该排在第一位。

她也把话说清楚了：她没在批评 Russell 或 Bostrom 去担心这件事，有些人的确应该担心，这完全合理。她那篇文章真正针对的是他们对智能本身的看法，担忧这个动作本身她并不反对。

还有个细节挺有意思。那篇专栏的标题是《纽约时报》编辑起的，她自己不会那么写。她原本想表达的更接近“超级智能这个概念本身不自洽”，这种话报社大概不会拿来当标题。

Lex 补了一句很厚道的话，他说 Bengio 那种说法很友好：让很多人相信不同的事情，其实是好事。而且就算在“超级智能”这个术语的定义上吵得不可开交，Russell 做的工作很棒，Bostrom 做的工作很棒，米切尔做的工作也很棒，有人愿意用这个词并且去争论它，本身就是有用的。她完全同意，还说《纽约时报》愿意发这些东西是好事。

图灵测试还没被真正执行过

那什么才算智能的好测试？

米切尔的回答是，她仍然认为图灵测试最初那个想法是个好测试，她想不出更好的。问题在于，迄今为止所有被执行的图灵测试都太贫乏了。

她书里提到一场赌局：Ray Kurzweil 对 Mitchell Kapor，赌 2029 年机器能通过图灵测试。这场赌有很具体的规则，多少个专家裁判、持续多少小时，都写清楚了。Kurzweil 说会，Kapor 说不会。2019 年说这话的时候，还剩九年。

她的态度是：如果真有机器能通过那种规格的测试，她愿意承认它智能。

但她也预判了反驳：到时候人们会说“那不过是个语言模型”。Lex 追问，如果能进行长时间对话，你会舒服地叫它智能吗？她说大概会，因为要撑住那么长的对话，你几乎必须有对世界的深度常识理解。对话足够长，就一定能把这一点暴露出来。

复杂性：为什么把零件全搞清楚还不够

米切尔还写过一本关于复杂性的书，这个话题她聊得很放松。

她说 complexity 跟 intelligence 一样，是个被过度使用的词。她那本书讲的是复杂系统这个宽领域：研究自然界、技术系统、社会里那些存在涌现现象的系统。

大脑是个好例子。几十亿个神经元，单拎一个出来，跟整个系统比算不上复杂。但神经元之间的交互和动力学，造出了我们叫它智能或意识的那种现象，我们会说那非常复杂。复杂性这门学问想找的，就是这些有涌现特性的系统底下共通的原理。

涌现的来源通常是底层简单的基本交互，当这类东西数量足够多、彼此作用，上面就长出了新东西。

这跟科学主流的做法不太一样。还原论的思路是把系统拆成元素，细胞也好、原子也好、亚原子粒子也好，看你研究的是哪个领域，先理解这些元素，再把它们加起来，拼出对整个系统的理解。

她的判断是：对绝大部分研究对象，这没问题；对最想理解的那几样东西，不一定可行。你盯着单个神经元，永远看不到智能。

她举了人类基因组计划当例子。当年测序的兴奋点在于，大家以为能把零件全搞清楚，然后就能找出哪个基因导致哪种病。结果发现，这些零件并不直接导致我们关心的那些结果，起作用的是它们之间的交互，是网络。那套还原论的路子没给出想要的解释。

那她心里最美妙的复杂系统是什么？答案是元胞自动机。她为这东西着迷过好几年。

那么简单的规则，铺在格子上，居然能长出看起来没有上限的复杂行为。她说这到现在仍然神秘、仍然令人惊讶，但同时也让人兴奋：它给了你一种希望，也许复杂是可以从最开始那一点点东西工程化出来的。

圣塔菲：一群物理学家决定不待在自己的格子里

Lex 说圣塔菲研究所（Santa Fe Institute）在他心里一直是个神秘的地方，一群聪明人在混沌边缘做研究。米切尔说，就是这样。

1984 年，一群科学家创立了它。很多人来自洛斯阿拉莫斯国家实验室，开车四十分钟就到。这批人以物理学家和化学家为主，但他们在自己领域里感到憋闷：学科没有在逼近那些大的跨学科问题。他们想要一个地方，让不同学科的人能一起干活，不被物理、化学、生物的格子隔开。

名单上都是大名字。George Cowan，化学家，参与过曼哈顿计划。Nicholas Metropolis，数学家、物理学家。Murray Gell-Mann，物理学家。还有 Kenneth Arrow，诺贝尔经济学奖得主。

他们开始办工作坊，整个事业就这么长起来了。米切尔说这个研究所自己一辈子都在混沌边缘：它没有大额捐赠基金，靠捐款、拨款、企业合作，能找到什么钱就靠什么钱活着。

组织结构上，常驻教师很少，大概十个人，五年一期，可以续。下面有一些博士后。再外面是一百人上下的外部教师，她就是其中之一，隔一段时间去待一阵。Sean Carroll 也在外部教师名单里。

对普通读者来说，入口其实不少：有个复杂系统暑期学校，面向研究生和博士后，四周的密集驻校项目，听课加做项目，去过的人都很喜欢。还有几个专业方向的暑期学校，比如计算社会科学、气候与可持续性。此外有几天长度的短期课程。他们还有一个在线教育平台，提供各种课程和教程，包括她自己讲的复杂性导论。技术讨论会、学术报告会、面向公众的社区讲座系列，全都放在 YouTube 上。

Hofstadter 教她的那件事：把问题理想化到极致

回到导师。米切尔说，Hofstadter 教给她最重要的一条是：面对一个复杂问题，尽可能把它理想化，直到你能看清这个问题的本质到底是什么。

Copycat 就是这么诞生的。拿“类比”这件巨大的事，问：我们怎么把它做得尽可能理想化，同时又保住我们真正想研究的那部分东西？

这条原则成了她整个研究生涯的主线。她说这其实非常物理：Hofstadter 本人是物理学博士，习惯从第一性原理出发，把问题剥到最根本的那一层，就能专注把它解掉。

这条路在 AI 史上有过一段被冷落的时期。早期大家在这些“微观世界”里工作，积木世界（blocks world）是最早也最重要的阵地之一。后来被批评了：你没法把它放大到真实世界。于是人们转向更真实的问题。而现在又有回潮，包括回到积木世界本身，很多人重新去做这些高度理想化的问题，或者转向自然语言和常识。

米切尔留了一句值得琢磨的话：积木世界所代表的东西，可能比人们以为的更接近智能问题的根本挑战。

她最骄傲的那一天

Lex 问她，回头看这一路做过的东西，哪一件让她最有成就感。

她说 Copycat。它跟几乎所有人做的都不一样，里面还有很多想法等着被挖出来。

然后她说了一句很少在技术访谈里听到的话：除了孩子出生，她人生最快乐的日子之一，是 Copycat 诞生的那天，是它第一次真的做出有意思的类比的时刻。她记得很清楚，那段时间非常兴奋。

Lex 接了一句：你等于给了它生命。她说，对，人造的。

如果你想上手

她给了很具体的路径。Hofstadter 的《Fluid Concepts and Creative Analogies》里详细讲了 Copycat 的机制。她自己的《Analogy-Making as Perception》是博士论文的成书版本。代码是公开的，她的个人主页上有链接。此外还有后继项目 Metacat，以及一个 Python 3 的实现。

她的建议就是最朴素的那种：把代码拿下来，跑起来，玩它。

这场对话从头到尾其实在讲同一件事。我们对“智能”这个词的使用太松弛，松弛到掩盖了真正的困难。那些困难不在算力里，不在数据量里，而在我们每天做着却完全说不出口的东西里：认出对面是个人，认出街上是遛狗，认出挡板是个挡板。

Hofstadter 那句话可以作为整场的落点：没有概念就没有思想，没有类比就没有概念。米切尔补的那半句更狠：如何形成概念、如何灵活地使用概念，是 AI 最重要的未解问题。

如果想顺着这条线往下走，可以做的事很具体：

• 把 Copycat 或 Metacat 的代码拉下来跑一遍。它处理的世界只有字母串，但你会亲眼看到“灵活性”和“概念”这两个词的重量。代码链接在米切尔个人主页上。
• 读《Fluid Concepts and Creative Analogies》，重点是看它怎么把一个大问题理想化到可操作，不只是看它怎么解字母题。
• 下次看到某个系统“学会了 X”的说法，问一句：它学到了这个概念，还是学到了某个能在这个数据集上得分的东西？把挡板挪两个像素，答案就出来了。
• 在自己的项目里找一次“隐形的知识”。那些从没写进文档、团队里所有人都默认知道的东西，往往就是系统落地时最贵的那部分。
• 对时间表保持两层判断：短期能力会持续超出预期，长期目标会持续被低估难度。这两件事同时为真，并不矛盾。
• 如果想接触复杂性这条线，圣塔菲的公开讲座和在线课程都免费，从复杂性导论那门课开始最省力。