MIT 访谈：AI 如何模仿“混乱”的人类心智

面包屑导航

MIT News

问答：AI 如何开始模仿“混乱”的人类心智

助理教授 Benjamin Lindquist 研究工程师如何刻意将随机性注入早期 AI，从而催生出有时会产生幻觉的深度学习模型。

观看视频

Adam Zewe | MIT News

发布日期：2026年10月23日

图片说明：MIT 助理教授 Benjamin Lindquist 讨论了他关于在早期旨在模仿人类创造力的 AI 模型中引入随机性和非理性的研究。图片来源：Jared Charney

*使用条款：

MIT News 办公室网站上可供下载的图片，以知识共享署名-非商业性使用-禁止演绎许可向非商业实体、新闻界和公众提供。除裁剪至所需尺寸外，您不得修改所提供的图片。复制图片时必须注明出处；如果下方未提供出处，请将图片署名标注为“MIT”。

图片说明：MIT 助理教授 Benjamin Lindquist 讨论了他关于在早期旨在模仿人类创造力的 AI 模型中引入随机性和非理性的研究。

图片来源：Jared Charney

MIT 历史学系助理教授 Benjamin Lindquist 认为，生成式人工智能模型植根于20世纪中期工程师的想法，他们认为一定程度的非理性对于一台能像人类一样思考的机器至关重要。Lindquist 在 MIT 施瓦茨计算学院与电气工程与计算机科学系（EECS）拥有联合聘任，并且是信息与决策系统实验室的首席研究员。

播放视频

Lindquist 在一篇发表于《Past and Present》期刊的新论文中写道，为了模仿创造性思维，这些 AI 先驱刻意将随机性注入原本用于确定性地解决问题的算法中。在论文中，他将 AI 幻觉的起源追溯到这项早期研究，并提出，在试图构建模仿人类行为的机器时，创造力与可预测性之间将存在不可避免的权衡。MIT News 就这些观点采访了 Lindquist。

问：为什么早期计算机工程师认为他们需要将随机性和非理性注入为逻辑和计算而设计的 AI 系统？

答：科学和艺术界有许多人物长期以来一直从理论上论证，偶然性在发现和创造力中——在产生想法的能力中——起着重要作用。他们将创造力等同于出人意料的逻辑跳跃，甚至等同于一种梦幻般的状态，使人能够从新的视角思考事物。

20世纪50年代初，当时在贝尔实验室担任著名电气工程师的 John Pierce 提出了一个流行观点，即数学在艺术领域具有价值。这一观点得到了许多早期计算领域从业者的认同。当我们想到包含数学的艺术作品时，可能会想到非常有序和精确的东西，但 Pierce 得出了相反的结论。他得出结论，数学的用处在于它可以从艺术中去除秩序。然后，数学可以以一种非常精心计算的方式，加入一抹意外，作为偏离陈词滥调的手段，并增添一种不规则元素，而这或许正能带来洞见。

但 AI 领域还有另一个阵营，他们认为创造性思维只是把“正常”思维做得更好。观察这两种理解智能与创造力的极为简化的启发式方法，以及它们如何契合、又如何不契合，是很有意思的。当时的争论在于，试图确定人类创造力归根结底是什么，然后如何以机器形式重构人类创造力。

问：这些早期计算机工程师如何看待 AI，这与我们今天对 AI 的看法有何不同？

答：当我们想到 AI 系统时，会想到 ChatGPT 或 Claude。我们重视并使用这些系统，是因为它们大多数时候给出的答案是正确的。在这项研究中，最令我感兴趣的一点是发现，这些系统的许多早期倡导者重视它们的理由恰恰相反。他们想要一个偶尔会给出偏离预期答案的系统。他们已经有了能够给出合理且符合预期答案的系统。他们认为神经网络有价值，是因为它们能给出出人意料的、甚至可能古怪离奇的答案。

我们今天可能以不同方式看待这些系统，原因之一可能在于它们的运作方式。早期，这些系统局限于实验室，因此一个给出奇怪或错误输出的系统并不会产生什么现实后果。但如今，出于法律和金钱方面的原因，OpenAI 或 Anthropic 不想要一个给出出人意料或创造性答案的聊天机器人。这些系统中的“怪异”已被“打磨掉”。它们的核心可能仍然潜藏着这种特质，但如今它在很大程度上被压制了。

问：早期神经网络通过引入随机性来模拟人类创造力，它们是如何演变为AI领域的主导范式的？

答：很长一段时间里，一种被称为“符号AI”的特定AI是主流方法。本质上，符号AI认为世界建立在规则之上。AI研究者的角色是尝试用事实和命题重建关于世界的知识，并将其输入计算机。

神经网络借助随机性来解决问题，在20世纪50年代开始获得关注，但很早就失宠了。弗兰克·罗森布拉特是一位心理学家，也是神经网络早期非常重要的人物，他英年早逝；1971年，他在自己43岁生日当天意外去世。他个性相当有魅力且强势，对基于神经网络的系统能做什么做出过许多宏大承诺。到他去世时，向符号AI的转变已经在进行中。如果他活得更久，事情可能会有所不同。

但神经网络从未消失。到20世纪80年代，它们更多地转向了认知科学领域。为了变得更强大、更有用，神经网络需要大量数据和计算能力。直到互联网出现，大量数据变得可用、计算能力开始提升，这些条件才真正具备。大约在2012年，神经网络开始超越并领先于一种统计形式的机器学习，并从那时起持续发展。

问：通过研究AI的历史，我们可以学到哪些有助于其发展的经验教训？

答：我认为这里有一个警示性的教训。这些早期工程师的想法和经历告诉我们，我们可以努力消除幻觉——我们可以努力让AI以某种方式表现，从而不产生意外或不想要的答案——但这会带来其他后果。这些历史人物确实触及了某些关键。AI能够给出的令人惊讶和富有创造性的结论，与错误或幻觉之间存在联系。当我们构建系统使其以某种方式运行时，就会存在权衡。也许不可能完全处于光谱的任一端，但当我们稳健地朝着一个目标努力时，往往会无意中牺牲其他东西。

论文：《非理性的计算机：人工智能史上的随机性与非理性》

查看本文提及研究的开放获取版本。

MIT 访谈：AI 如何模仿“混乱”的人类心智

主题

标签

正文 · AI 翻译