--- author: Best Partners TV date: '2026-05-14' guest: '' layout: post.njk source: https://www.youtube.com/watch?v=sxzhafWGj-0 speaker: Best Partners TV tags: - pragmatic-understanding - philosophy-of-science - ai-capability - causal-reasoning title: 解构“理解”：从科学哲学到人工智能的实用主义视角 summary: 本期节目深入探讨了科学哲学泰斗亨克·德·雷特提出的“实用主义理解观”。通过拆解主观感受、科学实践、抽象降维和机器理解四个层次，节目阐述了理解的核心在于使用知识的能力，而非简单的灵光一现或事实记忆。同时探讨了AI是否能真正理解，以及科学史上错误理论的实用价值，旨在建立一种评判人机理解能力的全新通用基准。 insight: '' draft: true series: '' category: ai-ml area: tech-engineering project: [] people: - Henk de Regt - Erwin Schrödinger - John Searle - David Chalmers - Isaac Newton - Christiaan Huygens companies_orgs: - OpenAI - 拉德堡德大学 products_models: - Transformer - ChatGPT - Claude media_books: - 自然哲学的数学原理 status: evergreen --- ### 重新认识“理解” **大飞**: 大家好，这里是**最佳拍档**，我是大飞。这期我们来聊一个话题：理解。我们每天可能都在说，“我懂了”、“我理解了”。不管是学习一个新知识点、看懂一段代码、掌握一个科学理论，还是和他人沟通的时候领会了对方的意图，我们都默认自己能清晰地判断什么是真正的理解。 但是我想抛出一个问题：我们以为的理解，真的是理解吗？它究竟是我们脑海里突然闪过的灵光一现，是对一个专业术语反复看到后的熟悉感，还是你背下来的一堆事实和数据呢？今天这期内容，我们会跟着当今全球顶尖学者、**拉德堡德大学**科学院社会科学研究所自然科学教授、**拉卡托斯奖**得主**亨克·德·雷特**（Henk de Regt）的视角，彻底拆解一下什么是“理解”。 在日常生活里，我们对理解的认知几乎都陷入了两个极端的误区。第一个误区是把主观的灵光一现当成理解。比如你看一篇文章，突然觉得“啊，我懂了”，或者反复看到一个专业名词，比如AI领域的**Transformer**，就误以为自己已经理解了它的本质。但在科学哲学领域，这种主观的“灯泡时刻”大概率只是认知的错觉，是一种自我欺骗的“伪理解”。第二个误区，是认为掌握的事实越多，理解就越深。很多人觉得背下来的定义、公式、数据越多，就代表理解得越透彻，但这也同样偏离了理解的本质。 而亨克提出的“实用主义理解观”直接打破了这两个误区。他指出，理解不是你知道多少“绝对真理”，而是你能否“使用它”。当你宣称自己理解某个事物时，核心要求是你能够基于相关理论给出解释，甚至不需要复杂计算，就能做出定性的预测。这也是我们今天整个内容的核心基石。 ### 理解理论的起源 **大飞**: 亨克把理解拆解成了四个层层递进的层次：主观感受层、科学实践层、抽象降维层、机器层。首先，我们来看理解理论的起源，也就是理解是如何从一个被学界忽视的边缘话题，变成科学哲学核心的。 亨克的灵感来源于他90年代的博士论文，他本身是物理学硕士出身，研究过麦克斯韦、玻尔兹曼、**埃尔温·薛定谔**（Erwin Schrödinger）、玻尔这些顶级物理学家的哲学观点对科研的影响。其中，薛定谔对他的影响最大。薛定谔在1920年代提出**波动力学**，替代当时的量子矩阵力学，他非常强调理解和理论的“可理解性”。薛定谔认为，量子理论是不可理解的，因为它无法被可视化。人类只有在脑海中能形成原子的时空图景，能把理论具象化，才算真正获得理解。而科学的目标就是提供这样的理解。 在当时的科学哲学界，以**卡尔·古斯塔夫·亨普尔**（Carl Gustav Hempel）为代表的传统哲学家，提出了影响深远的“覆盖律模型”，用逻辑分析科学解释的结构。但是他们普遍认为，理解只是解释带来的主观心理副产品，对哲学分析毫无意义。当时学界只有两种对理解的看法：要么理解只是主观感觉，要么理解等同于事实知识。而亨克要论证的是，理解比这两者都更多，它的核心是一种“实用技能”。 ### 科学层面的可理解性 **大飞**: 到底该如何判断一个人、一个理论，甚至一台机器是否真的具备理解的能力呢？亨克的理论核心是“可理解性”，而其本质是“理论的可使用性”。科学家想要理解现象，就必须构建能够解释现象的模型。模型是理论和现象之间的桥梁，用理论对现象做理想化描述，才能让理论真正落地应用。 这里有个关键，可理解性不是绝对的，而是语境化的。它依赖于使用者的技能、背景知识，不同的人、不同的学科以及不同的历史时期，判定可理解性的标准都不一样。比如可视化，薛定谔认为可视化是理解的必需条件，但是亨克认为可视化只是理解的工具，不是唯一的工具。有的科学家擅长数学推理，不需要可视化也能使用理论，这同样是理解。 我们可以看一个经典的科学史案例：**牛顿**的引力理论和**克里斯蒂安·惠更斯**（Christiaan Huygens）的争论。牛顿在1687年发表《**自然哲学的数学原理**》，提出了万有引力定律。但是惠更斯却明确批评牛顿的引力理论不可理解。惠更斯是笛卡尔主义者，认为所有相互作用都需要接触，而引力的超距作用完全违背了他的形而上学认知。这里亨克做了一个关键区分：惠更斯完全具备理解牛顿理论的数学技能，但他从形而上学层面拒绝接受。所以，牛顿的理论在“科学层面”是可理解的，因为科学家能使用它预测现象、解释自然。 ### 人工智能的理解评测 **大飞**: 那么，AI到底能不能理解？这也是亨克目前最重要的研究方向之一。这个争议的核心来自哲学家**约翰·塞尔**（John Searle）的“中文屋思想实验”，核心结论是计算机只有句法，没有语义，无法理解符号的意义。而**大卫·查默斯**（David Chalmers）的“哲学僵尸”思想实验进一步强化了这个争议。 但亨克的团队采取了行为主义的研究路径。他的实用主义理解观不依赖主观意识，只看实用能力。只要一个认知主体能展示出使用信息的技能，能完成解释、预测等操作，就可以认为它具备理解。基于这个逻辑，亨克正在尝试构建一套人与AI通用的科学理解评测基准。这套框架分为三类核心问题：第一类是What问题，检验系统能否获取构建解释的有效信息；第二类是Why问题，看系统能否对现象构建合理的解释；第三类是“反事实问题”，源自**詹姆斯·伍德沃德**（James Woodward）的因果解释理论，检验系统能否做出条件改变后的推理。 ### 实用主义本质与未来 **大飞**: 亨克理论中最核心的部分是：错误的理论，依然能带来真正的理解。比如18世纪的“燃素说”，现在我们知道它是错误的，但在当时它能解释燃烧、金属锈蚀等现象，能帮助科学家做推理、做预测，它提供了有效的理解。再比如牛顿力学，现代物理学证明它在高速、微观领域不成立，是狭义相对论、量子力学的近似理论。但我们至今仍在使用牛顿力学解释宏观世界的运动，它依然能给我们带来高效、实用的理解。正如乔治·博克斯所言：所有模型都是错的，但有些是有用的。 这种实用价值的背后是“理想化”与抽象。理想化是对复杂世界进行降维，忽略无关紧要的细节，让人类能轻松把握模型。我们可以在不同抽象层次上理解同一个事物。而在理解的传播上，隐喻起到了关键作用。开放隐喻用于公众科普，把陌生的科学概念和日常生活经验绑定；封闭隐喻用于专业研究，慢慢演变成生物学或物理学的标准概念。 关于AI的未来，亨克的观点非常务实：我们不必纠结AI是否拥有真正的意识。更有意义的问题是，人类科学家如何与AI合作。AI可以是工具，也可以是合作者，它的输出是否可理解、能否帮助人类推进科学理解，远比它是否有主观意识更重要。评判理解的唯一标准，都应该是能否使用知识、解释现象和预测变化。