{"id":"mb-20261014-f6af5d","kind":"deep","title":"把全人类常识敲进电脑：1984 年的 Cyc 实验与今天 AI 自我进化的幻觉","summary":"1984 年，道格·莱纳特和拉马纳坦·古哈启动 Cyc 项目，试图人工敲入一亿条常识公理为电脑植入常识，耗费百年工时后撞上逻辑例外与验证爆炸的铁墙。42 年后大模型绕过了常识录入难题，但行业又陷入了「推理越过临界点即可自我迭代」的新假设。本文通过 Cyc 的历史教训与因果闭环分析，拆解为何 AI 假说的生成可以一秒千条，而真实的进化永远受制于现实世界的验证时钟。","body":"如果让你把一个普通人脑子里的全部常识，一条一条敲进电脑里，你觉得要写多少条？\n\n1984 年，一群顶尖计算机科学家真这么干了。\n他们把这个项目叫做 Cyc，目标是手工写出 1 亿条常识公理。\n\n为什么要干这种苦力活？\n因为当时的专家系统能诊断复杂的肾病，却不知道病人不能同时躺在两张病床上。\n教科书上从来不写这种常识，因为它对人来说太显然了。\n可电脑不知道。\n杯子松手会往下掉，掉在地上容易碎，人不能穿墙，买东西要付钱。\n人类做任何判断，底下都垫着这个巨大的常识水库。\n电脑没有这个水库，稍微碰到一点没见过的场景，立刻就瘫痪了。\n\n项目由道格·莱纳特（Doug Lenat）发起，拉马纳坦·古哈（Ramanathan Guha）担任核心架构师。\n背景是 1982 年日本提出「第五代计算机」计划，主打逻辑推理与知识处理。\n美国为了应战，在得克萨斯州奥斯汀成立了微电子与计算机技术财团（MCC），由前国家安全局局长博比·英曼（Bobby Inman）牵头。\n军方与企业把最聪明的头脑集中在一起，决定攻克 AI 最底层的瓶颈。\n\n莱纳特和古哈算了一笔账：大概需要 200 个人类年的工时。\n他们在 1990 年的技术报告里写道：\n我们不相信思维存在什么尚未被发现的麦克斯韦方程组。\n没有捷径。\n想让机器拥有通用智能，就必须老老实实把人类世界的内容灌进去。\n他们的算盘是：\n先靠人工录入构建基础，一旦常识跨过「临界质量」，机器就能自己看懂书、自己吸收新知识，实现滚雪球式的自举。\n\n实际做起来完全是另一回事。\n到了 1995 年，团队耗费了整整 100 个人类年，相当于一个工程师不吃不喝干了一百年。\n知识工程师们手工敲进去了 10 万个核心概念，100 万条手工公理。\n干了整整十年，进度只完成了最初 1 亿条目标的 1%。\n\n但进度慢还不是最大的障碍。\n更难的问题在逻辑本身。\n下国际象棋有固定的规则，经典力学有简洁的定律。\n但人类的常识跟物理定律两码事。\n常识是一团充满例外、边界模糊、严重依赖具体语境的乱麻。\n你说鸟都会飞，企鹅怎么办？\n你说活人都会呼吸，那睡着了算不算？\n\n1986 年耶鲁大学提出过著名的「耶鲁射击问题」：\n一个人活着，枪膛是空的。\n有人装上子弹，等了一会儿，然后开枪。\n按常识，中枪的人死了。\n但严密的逻辑推理系统却能给出另一个合法的推论：在等待的那会儿，子弹自己从枪膛里消失了，所以人活了下来。\n系统在逻辑上无法区分「什么东西通常会保持不变」。\n在逻辑解释成本上，子弹莫名其妙消失，和人莫名其妙死亡，被系统赋予了完全一样的权重。\n为了给每一种意外情况打补丁，系统变得越来越重。\n每新加入一条常识，不仅要写明它在什么情况下成立，还要处理它和已有规则之间的冲突。\n\n到了 1994 年底，古哈离开了项目。\n他看清了一件事：靠一个小团队在办公室里手工敲规则，永远不可能穷尽这个世界。\n后来他去了苹果、网景、谷歌和微软，主导了 RSS、Schema.org 和数据共享标准。\n既然几个人敲不完，那就制定一套开放格式，让全世界的网页开发者自己去标注结构化数据。\n\n真正跨过这道常识门槛的，是后来的现代大语言模型。\n用海量数据做下一个词预测，神经网络用统计概率摸出了常识。\n没人专门教过模型企鹅不会飞，也没人手工输入过玻璃杯摔在地上会碎。\n从海量的网页文本里，模型自己把这些规律压缩进了参数。\n当年几代工程师花了十几年都没啃下来的常识录入难题，就这么被统计学习绕了过去。\n当年莱纳特和古哈以为智能绝没有捷径。\n后来证明，在大规模数据和算力面前，还真有一条走得通的统计捷径。\n\n但是，这就通往通用智能了吗？\n前几天，哥伦比亚大学教授维沙尔·米斯拉（Vishal Misra）和古哈喝咖啡，聊起这段往事。\n42 年过去，今天很多关于模型自我进化的狂热，和当年 Cyc 的假设几乎一模一样。\n当年 Cyc 认定：只要常识积累跨过临界点，机器就会自动开始自主学习，走向通用智能。\n今天很多人认定：只要大模型的数学和编程推理跨过临界点，它就能自己修改代码、自己优化算法，启动指数级的自我迭代。\n\n这个推论漏掉了一个根本的区别：\n提出一个改进方案，和证明这个方案确实有效，是完全不同的两件事。\n一个模型一秒钟能提出一千种新的训练算法，哪一种真能提高性能？\n一个模型能构想出一个结构漂亮的药物分子，它真的能治病吗？\n推理本身无法验证现实。\n它必须依赖外部的闭环：\n模型提出动作，动作进入真实世界，世界给出实验反馈，模型再根据反馈更新自己。\n\n在纯数学或者棋盘里，计算机可以用证明器在几毫秒内验证一次。\n但在物理、硬件、化学和真实社会里，这个闭环必须走现实的时钟：\n模型生成一个假设只要三秒钟，跑一次训练要好几天，做一次临床试验要好几年。\n自我迭代的速度，不取决于模型想得多快。\n它取决于真实世界验证一次有多慢。\n\n1984 年，人类试图把所有的常识塞进电脑。\n42 年过去，电脑终于记住了常识。\n但真实世界的物理规律和实验时钟，从来没被模型里的推理快进过一秒。","topic":"把全人类常识敲进电脑：1984 年的 Cyc 实验与今天 AI 自我进化的幻觉","frame_type":["机制"],"citations":[],"channel_note":"","identity_notice":"","source_type":"generated","status":"published","generated_at":"2026-10-14 11:31:40","legal_anchor_count":0,"transcript_citation_count":0}