编辑推荐：
关于人工智能（Artificial Intelligence，AI）价值的观点千差万别。无需解释该缩写含义的事实本身，就映射了其广泛的冲击力以及过去五年间积聚的狂热。如今，一切与计算机相关的事物似乎都被冠以AI之名，尽管当深入剖析当代计算的表层之后，会发现其大
关于人工智能（Artificial Intelligence，AI）价值的观点千差万别。无需解释该缩写含义的事实本身，就映射了其广泛的冲击力以及过去五年间积聚的狂热。如今，一切与计算机相关的事物似乎都被冠以AI之名，尽管当深入剖析当代计算的表层之后，会发现其大部分逻辑与过去五十多年乃至更久之前并无二致。事实上，为AI提供理论依据的是其承诺而非现实：即那些即将到来的，而非已然实现的。那些已然实现之物，恰恰指明了这一承诺正加速扩张且似乎没有尽头。然而，这是一种特定类型的加速，主要与构建被称为大型语言模型（Large Language Models，LLMs）的特殊大型数据库相关，而这正是那些动用巨额资源（无论在资金还是智力层面）投入此活动的公司与团体的领地。这对AI发展意味着什么，才刚刚开始被厘清，在某种程度上，这一领域的历史演变向来如此。事实上，计算领域似乎一直存在着一场持续的变革，其长期影响似乎总是超出我们的认知。或许事情永远如此。
围绕AI用途与重要性的争论范围，远比简单的“支持或反对”、“是或否”更为深刻。纵观数字计算的发展史，关于AI的观点被不断涌现的多重视角逐渐丰富。随着数字技术日趋成熟且范围扩大，处理与人类决策方式相关的自动化要素的计算活动，其关联性已越来越难以被忽视。随着AI发展，它变得越来越难以被忽略，这在很大程度上是因为其数量不断增加的应用对研究人员来说似乎颇为有用。研究人员认为，在讨论中可以剔除那些认为所有AI都无关紧要、无法捕捉镜像人类决策方式的数据和思想的观点。简而言之，这类观点往往认为AI无法捕捉人类智能的本质，无法反映那种促成艺术与科学最伟大创造、以及推动人类集体行动改善自身境况的特定人性特质。
然而，几乎没有人会全盘否定AI，或者是否真的有人会这么做呢？在另一个极端，有一些人相信，人类境况的方方面面都可以通过AI加以影响、改变和改善，认为人类智能最终将变成AI，抑或已经是AI。许多正在开发捕获世界信息系统的行业巨头，从超过25年前Google的创立，到一夜之间估值十亿美元的新贵独角兽，都内在笃信他们正走在发展通用人工智能（Artificial General Intelligence，AGI）的路上，那将最终扫平一切，并以无法想象的方式改变社会（Hao, 2025）。这是研究人员对“人工智能之后”给出的第一个答案——不可想象之物。这看似科幻小说的素材，却反映了圈内人士的真实情绪。OpenAI的联合创始人之一Ilya Sutskever信心满满地表示：“……很难说清楚AGI会是什么样子……”，但它将是一场“计算的巨型海啸，人工智能的雪崩……一股势不可挡的力量……”。他继而说道：“……它太有用了，所以必然存在……”（据Metz（2021）在著作《制造天才》中引用）。
这种AGI终将实现的观点，确实被许多掌控世界AI公司的核心人物所持有，他们秉承构建搜索引擎的传统逻辑，认为只要收集到足够多的数据，世界就会向你敞开，一切将被揭示。Chris Anderson（2007）在近二十年前就宣称“理论的终结”，此后该言论被一再重复。将此类情绪斥为虚幻并不困难，但无可否认的是，在过去的二十年里，从大型数据集中搜索模式的研究已取得显著进展，这些研究产生了有助于理解日益复杂系统的高效算法。
令人惊讶的是，许多近距离接触技术的人对其潜在危险性却意见一致。常被称为神经网络教父、深度学习创始人的Geoffrey Hinton（2026）指出：“……危险地智能的AI并不需要任何突破，只需要更大的规模，因为神经网络已经具备优于人类的优势。”（https://www.youtube.com/watch?v=UccvsYEp9yc）。他和其他许多人承认AI的力量，并担忧它可能侵占人类智能自身的权力。如今极少有人会轻易否定AI，但一些杰出哲学家的批判依然掷地有声。Jean Baudrillard在其著作《冷记忆》（1990）中写道：“人工智能的可悲之处在于，它缺乏人工技巧，因而缺乏智能。”在一定程度上，这支撑了“人工智能之后”的另一个回答，即本质上的“没有AI”。Mark Bishop在2014年《新科学家》一篇题为“要害怕人工愚蠢，而非人工智能”的文章中列举了类似观点，比如计算机缺乏真正的理解、缺乏意识、缺乏数学洞察力，Penrose（1999）在著作《皇帝新脑》中也呼应了这一看法。
自上世纪中叶以来，AI在其七十多年的历史中不断演变。大脑被表述为一系列由树突连接的节点或神经元，电信号经由这些连接使神经元得以“学习”这种计算机与大脑的类比，早在1940年代就已存在。McCulloch和Pitts（1943）最早提出了被称为感知器（perceptron）的电路网络模型，Rosenblatt（1958）在1950年代对其进行了详细阐述。这一网络的问题在于无法模拟非线性行为，尽管它与大脑的运作方式外表相似，却迅速失宠。取而代之的是运用各种符号规则的问题求解模型，例如专家系统和各类优化算法。但网络模型并未消亡，当它被证实能够模拟更加复杂的关联集合之后，它被逐渐复兴，这被称为“联结主义”（connectionism）（Batty, 2026）。
进入1980年代，利用由层层堆叠的神经元构成的神经网络来实现复杂电切换模拟的尝试不断涌现。随着计算机内存增大、速度提升，这些网络在将输入转换为输出方面的表现似乎也越来越好。构建此类神经网络以模拟输入输出转换的关键，在于机器的原始计算能力。此类神经网络需要数百亿个神经元和树突接受训练，才能产生可靠的输出。完全出乎意料的是，随着计算机速度提高、内存足以存储更大型的数据集，预测的准确性也随之提高。但成本同样水涨船高，因为训练需要越来越多的数据。简而言之，现在的情况似乎是，在数据和计算上投入越多，模型的预测性就越好、看起来也越“聪明”。这几乎是一种“有罪推定”式的困境：投入越多，这些模型所能实现的智能就越强大——投入越多，你就能变得越“聪明”。因此，通向AGI的道路似乎取决于向着此类工具开发持续倾注更多资源：这可能是一个潜在的难题，因为永远无法保证这条路会通往那片应许之地！归根结底，正如Popper（1959）于近百年前的1935年首先阐明的那样，未来本质上是完全不可预测的。
与千禧年之前AI早期阶段最大的不同在于，如今的变化速度似乎势不可挡。如果AI模型规模大到最终崩溃，崩溃或许还处于可控范围，AGI也许永远无法真正实现。也有可能出现一系列中间状态，当前AI的某些部分仍在使用。甚至存在AI趋近某种稳态的可能性，尽管考虑到该领域最亲近人士的推测，更可能的情况似乎是面临一个“末日”式的剧本——AI失控。事实上，当前的讨论更多聚焦于灾难风险，而非应许之地；多数争论并非关于AGI能实现什么，而是关于就业如何被摧毁、经济如何崩溃，以及在这个新世界的黑话中被称为“坏角色”的自治系统如何兴起。
其中一个关键问题在于，AI是否可以被用于按自身形象创造另一个AI，或是作为其克隆原型的变体。这种递归过程是计算的基本属性，自早期计算机应用起就被广泛利用。递归是学习的本质，但也意味着更大的复杂性，因为可以设想一个神经网络与另一个神经网络的无限耦合，没有一个可见的尽头。如果将这一概念延伸至将人类与机器同时纳入回路，将产生难以想象的复杂性；而那些最贴近这项技术的人所恐惧的，正是这种“军备竞赛”似乎已经在发生。这种失控的AI不仅难以控制——当然人们总可以把它关掉，但现实世界中缺乏实现这一行动的协调机制。此外，这类AI与涉及核大国甚或是小规模冲突的传统军备竞赛有着显著不同。AI，尤其是AGI，高度去中心化，对其结构或演化方式施加某种协调，几乎无法想象。更棘手的是，从目前对AGI的认知来看，构成AGI的各个AI对其自身目的并没有真正的理解。研究人员在此承诺不陷入“AI与人脑智能等同”的争论，但既然AI不具备研究人员这样的人类理解力，也永远不会具备，那么它们就没有道德可言。圈内确有些人真正相信某些AI具备一种可视为接近人类智能的感知能力，这种能力最终可能涌现——一种类似于AGI的超级智能——但这一论点充满争议且尚无定论（Bostrom, 2014）。
前述Hinton的引述暗示，研究人员已经拥有超越自身智能水平的AI。他认为，这种人工神经网络可以变得无限复杂，或者说可以处理具有这种复杂性的问题。如果正如Hinton似乎认可的那样，对神经网络预测无限复杂系统的能力抱有信心，那么机器学习所能取得的成就将是没有止境的。但迄今为止，研究人员所拥有的仅仅是能产生较好但绝非完美的预测的系统。它们是否能达到完美仍是未知数。要训练一个神经网络精确模拟一个系统，可以简单地将输入输出权重设为单位阵，这等同于系统原样复现数据。这显然是显而易见的，且早已为人所知。任何机器学习因此都默认存在一个“零案例”，但它可以用来逐步构建一个神经网络，这也意味着可能存在许多种网络架构适用于这类AI。问题在于，由于存在太多不同组别的权重和神经架构，以至于对众多类型进行解释几乎不可能，这完全取决于网络训练所面向的具体问题。在某种程度上，网络的架构针对特定类型的问题可能会更易于解释，但这恰恰意味着AI永远不可能演变为AGI，它将始终是针对具体问题的——研究人员或许可以称之为自动化专用智能（Automated Special Intelligence，ASI），这类AI经过训练解决非常具体的问题。在城市规划中，很容易看到许多现有模型和城市分析工具可能被塑造成ASI的特例：例如，城市设计、人口变化、空间隔离、土地利用建模等等，都可能成为AI的候选例子，可能是方法、问题，或者两者兼而有之。
关于AI与AGI的争论很可能无限期持续下去。对于那些本质上无界且开放的问题和疑问，似乎很难有最终的定论。核心问题在于定义适合AI发展的数据与方法。像城市规划这样领域，在多大程度上接纳本社论中所讨论的理念和工具，目前仍不清楚且不确定。由于AI（或ASI）的通用性，首先需要探索的是如何将一系列规划问题加以界定，以符合AGI的约束条件。如何定义数据输入，如何构建那些基于空间交互、可达性、住房市场供需、租金、价格与交通出行成本等理论的方法——这个清单很长，且必须打磨精良，因为任何AI的成功都取决于其输入如何配置、如何组织。
研究人员已经论证过，无论对AI发展持何种观点，其未来都是完全不可预测的。它可能因为这种技术以金融投机、激烈竞争和地缘政治博弈相互交织的发展方式而崩溃（Hao, 2025）。目前，商业媒体几乎每天都充斥着大量猜测，认为我们将面临类似25年前互联网泡沫破灭那样的全球性崩盘；一个AI的繁荣与萧条的周期正迫在眉睫。另一种可能性是，AI在日常决策中的广泛使用，最终就像搜索引擎一样，被吸收为后工业社会的背景要素。当前AI作为一系列应用工具、而非彻底变革科学质量、决策效能与社会条件的角色，可能仅仅作为我们社会与物理过程及人造物持续自动化的一部分而持续存在。这未必是革命性的。研究人员曾在别处指出，自工业革命以来，人们界定了四波浪潮——机械、电气、数字、生物医学——而这四波浪潮如今同时存在，相互交融。未来的浪潮——“AI之后”——可能将建立在既有浪潮或持续演化且相互纠缠的浪潮之上，这使得对未来的清晰描绘变得困难（Batty, 2024）。
一个似乎尚未引起集体关注但正在加速浮出水面的议题是，城市规划中所使用的与AI无关的理论工具和完全由AI构建的工具之间的关系。也就是说，那些依赖于与本文所强调的AI毫无关联的理论的工具，与那些完全依靠AI产生的工具之间如何互动。在基于生成模型（LLM、机器学习、神经网络）来发展AI的过程中，研究人员尚未真正开始严肃地尝试将这些模型整合到现有的理论和方法中。事实上，除了极有限的方式外，研究人员甚至不确定是否能够做到这一点。研究人员需要界定众多情境，以搭建既有工具与基于AI的未来工具之间的整合桥梁，这依然是一个不断涌现并持续的挑战。
关于AI，存在许多不同的视角，而最终能否收敛到一种稳定状态则看似渺茫。“人工智能之后”的样子，可能更像是一份AI无法解决、甚至无法面对的问题目录。乐观者会说，假以时日，“所有”这类问题至少能够被应对；悲观者则会说，在“AI之后”，我们需要以与既有技术演化逻辑一致的方式，来界定这项技术的极限。AI正是这一切的核心。
论文解读：城市与空间科学视角下“人工智能之后”的思辨
**研究背景**
在《Environment and Planning B: Urban Analytics and City Science》发表的这篇社论中，作者Michael Batty直面当前人工智能（Artificial Intelligence，AI）价值评估体系中的极端分化现象。研究背景在于，过去五年间AI热潮席卷全球，大型语言模型（Large Language Models，LLMs）等技术在工业界和学术界获得广泛关注，然而围绕其价值却存在截然相反的观点：一方认为AI无关紧要，无法复制人类智能本质；另一方则笃信通用人工智能（Artificial General Intelligence，AGI）即将到来，并将彻底变革社会。这种撕裂的认知为城市规划等应用学科接纳和发展AI带来了困扰。作者试图深化这一讨论，超越简单的二元对立，从计算历史、哲学批判与技术演进的角度，探索“AI之后”的可能图景，并明确城市分析领域应有的理论准备与实践定位。
**研究方法概要**
这是一篇理论评论性文章，不包含具体的实验数据及样本队列。其关键方法在于历史分析与批判性论证的融合。作者首先系统梳理了神经网络（neural nets）的源流，从McCulloch和Pitts（1943）提出的感知器（perceptron）
