编辑推荐:
本刊推荐:针对“机器学习(ML)”概念被过度泛化的问题,研究者基于学习科学与行动理论,系统比较人类真实学习(learning proper)与ML算法的本质差异,指出当前ML实为自动化预测统计,缺乏意图性与自我反思等能动性核心属性,呼吁重塑AI叙事以防范人类尊严与技术认知的双重异化。
当我们谈论ChatGPT“学会”写作、AlphaGo“掌握”围棋时,“学习”一词正悄然跨越人与机器的边界——但这究竟是技术进步的语言包装,还是对人类独特性的消解?在AI浪潮席卷社会的当下,“机器学习(machine learning, ML)”已成为公共话语中的高频词,技术开发者常赋予算法拟人化的“智能”“成长”标签,而人类自身却被描述为需“升级”“重置”的信息处理器。这种双向的语义迁移——将机器“人化”、将人“工具化”——不仅模糊了主体与客体的界限,更可能侵蚀我们对人性与尊严的理解基础。对此,《TECHNOLOGY IN SOCIETY》刊发的这项研究直指核心:剥去营销话术的外衣,当代ML算法究竟是在“学习”,还是在执行精密的统计运算?其命名背后隐藏着怎样的认知风险?
为解答这一问题,研究团队并未陷入未来学的空想,而是立足现实技术形态,整合学习科学、实践理论与社会认知视角的多维资源。他们首先解构了ML的技术实质:无论是监督学习(supervised learning)、无监督学习(unsupervised learning),还是强化学习(reinforcement learning),其内核均为对海量数据的模式识别与概率预测,依赖人类预设的目标函数与环境反馈调整参数,本质是“规模化的统计分析”(statistical analysis at scale)。深层次学习(deep learning)虽以“神经网络”(neural networks)为架构,但其人工神经元(artificial neurons)的激活规则仍是数学阈值计算,与生物神经元的复杂生化响应天差地别。正如批评者所言,大型语言模型(large language models, LLMs)更像是“随机鹦鹉(stochastic parrot)”——流畅重组文本模式却无理解支撑,真正的智慧源头始终是人类创作者的知识沉淀。
与之形成鲜明对比的是人类“真实学习(learning proper)”的丰富图景。研究援引转型学习理论强调,人类学习远非信息摄入:它要求持续的行为改变、心智模型(mental models)重构与意义框架(frames of reference)的深层转化,并根植于认知失调(cognitive dissonance)触发的自我修正、目标导向的自我调节(self-regulation)、刻意练习(deliberate practice)中的自我反思,以及社会互动中的文化内化。更重要的是,这些过程始终由“能动性(agency)”驱动——一种涵盖意图性(intentionality)、前瞻性(forethought)、自我反应(self-reactiveness)与自我反思(self-reflexivity)的核心能力,使个体能超越环境约束、主动塑造生命轨迹。反观ML算法:目标由人类设定,反馈由环境编程,既无法因信念冲突重构世界观,也无法自主发起“我要学什么”的价值追问,其“行为”仅是输入-输出逻辑的执行,与具备意志与自我意识的能动主体判若云泥。
研究进一步通过对照表揭示两者的重合与断裂:二者均涉及数据分类、刺激响应等基础环节,但ML彻底缺席认知失调处理、跨情境自我调节、社会性知识共创等高阶维度。这种不对称映射出AI领域的长期误区——将人类简化为“肉机(meat machines)”,再将简化版的人脑模型投射回机器,制造“机器可复制人类思维”的幻象。更值得警惕的是,技术话语通过“转移修饰(thinking by transferred epithet)”策略挪用日常词汇,却又在质疑时辩称“此为术语非普通义”。这种双重标准使公众难以辨识技术边界:例如AI调度助手因拟人化交互引发用户社交期待,最终却因不理解人类约定导致日程混乱,反而降低效率;更深远的风险在于,将“学习”降格为数据处理,可能潜移默化削弱社会对教育、成长与人类潜能的珍视。
针对此,研究提出多向治理路径:技术开发应避免赋予AI人格化特征,政策端需审慎限制拟人化营销,公众教育应澄清ML的本质是“自动化模式匹配工具”;同时,计算机学科需深度融入人文社科视角,以哲学与社会理论校准技术伦理锚点。文末特别申明:批判并非否定技术价值——人携工具总胜于孤身或仅有工具——但唯有还原真相,才能让AI真正服务于而非定义人类社会。
研究方法层面,本文采用理论分析与概念比较为核心框架:梳理计算机科学对ML的标准定义(如Mitchell(1997)的任务-经验-性能模型)与“智能体(agent)”的技术界定;同时整合学习科学中的行为-认知整合模型(如Mezirow的意义框架转化理论)、社会认知理论的能动性四维结构(Bandura)及实践哲学的意志行动观(von Mises),构建人类学习的多维判据;在此基础上逐层对比ML与人类学习在机制、过程与能动属性上的对齐与分歧,并通过话语分析揭示“转移修饰”对公共认知的塑造效应,最终结合案例(如AI调度助手的交互失效)说明误称的社会成本。
2. 什么是机器学习?
本节剖析ML的技术基底:其主流范式从基于规则的编程转向基于样例的模式识别,三类典型方法(监督/无监督/强化学习)均围绕数据集的统计规律展开;深度学习作为实现技术,依托多层人工神经网络提取特征,本质是算力与数学优化驱动的模式匹配,不具备独立理解或创造知识的能力。
3. 什么是真实学习?
界定人类学习的本质:需同时满足持久行为改变、心智模型与意义框架的重组、实践经验的转化,以及由此引发的自我重构;批判将学习等同信息处理的狭隘观点,阐释认知失调触发问题解决、自我设目标引导学习方向、刻意练习与自我反思深化技能、社会互动拓展认知等高阶机制,凸显其与ML被动响应的根本分野。
4. 机器学习与真实学习中的能动性
辨析两种“能动性”:CS将agent定义为感知-行动回路,而人文传统强调主体的意志与自我主导;论证ML缺失意图性(目标由人设)、前瞻性(无未来构想)、自我反应(调整非源于自我监控)与自我反思(无法评估行动意义),仅为人类目的的工具延伸,不具超越编程的主体地位。
5. 对比ML与真实学习
对照表汇总关键维度:二者共享基础数据处理能力,但ML缺位认知失调应对、社会学习、自我调控等人类学习核心;强调ML局限于特定任务域,而人类学习具终身跨域适应性,技术话语的拟人化命名掩盖了这一鸿沟,并强化了“人即信息处理器”的错误隐喻。
6. 将“学习”误用于机器的风险
阐明概念混淆的后果:夸大技术能力误导公众与投资,拟人化交互诱发社会预期错配(如AI助手致协作低效),深化性别刻板印象等社会偏见;建议加强术语准确性披露,限制AI人格化设计,并将人文批判视角纳入技术教育,以平衡创新与伦理。
研究的核心结论清晰有力:当代ML系统不“学习”,亦非“能动体”——它们是高级统计工具的自动化实例,其运作逻辑与人类学习的意向性、反思性与社会性本质无涉。所谓“机器学习”的名号,建立在对人类认知的简化论想象之上,这种命名不仅是技术误述,更是深刻的文化修辞:它将人类的复杂成长压缩为数据吞吐,又将机器的数学运算升格为“智能”。在AI深度嵌入社会的今天,拒绝这一概念的偷换,是对技术边界与人类价值的共同守护。正如作者所言,这不是反技术的卢德主义,而是主张:工具当为人之臂膀,而非定义人的尺度。