机器到底能不能理解人类语言？这个问题比你想象的复杂三倍。

最新观点把“理解”拆成三个层次。第一层，在需要理解的任务上表现好，比如答对问题、写对文章。当前的大模型在这一层已经相当不错。第二层，靠机器内部的词典和操作规则来交流。第三层，是更深层的逻辑和模型论级别的理解。大模型在第二层和第三层还有很大的提升空间。

人和机器的关系，就像飞机和鸟。飞机借鉴了鸟的灵感，但不用扇翅膀。人脑是脉冲式的，人工神经网络是数字式的。人脑分区域干活，但多数神经网络不分。最关键的是，反向传播这种数学方法在生物大脑里根本不存在，但它在机器上效果极好。这说明，AI不一定要完全照搬人脑。

现在最火的推理模型，和传统的训练模型是两条路。传统模型靠预测下一个词来生成内容，像超级版输入法。推理模型则是固定好训练好的模型，在回答问题时主动延长思考时间，按步骤推理。这也是为什么有人说，单纯靠堆数据预训练的时代可能要结束了。

技术上，AI已经能完成很多过去被认为需要“智能”的事。1997年深蓝击败国际象棋冠军，有人说是暴力搜索不算本事。但后来IBM Watson在知识抢答中赢了人类冠军，Debater能和人辩论，德州扑克、麻将也被AI一个个攻克。针对特定任务，AI的复杂决策能力已经超过很多人。

但AI从技术变成好用的产品，中间隔着巨大的工程和商业鸿沟。比如，已经有AI能在国际数学奥林匹克竞赛的几何题上达到人类精英水平。可这只是起点。大模型真正的价值在于，它让AI进入了可以大规模落地的智能时代，有人把这看作是第四次工业革命的开端。

现在的应用已经能看到效果，比如编程辅助工具Copilot，或者帮你写文稿和PPT的初稿。但局限也很明显——它们适合那些可靠性要求不高的场景，比如生成一张图片先看看效果，或者有程序员在旁边兜底、随时修改错误的时候。

想在行业里真正用起来，还得把大模型和行业自己的数据、知识、规则体系结合起来，这大概还需要五到十年。

对每个人来说，拥抱这个智能时代已经是必修课。AI通识课对学生尤其重要，但开课很难——AI领域太大了，要在广度和深度之间找平衡。学习AI分两条路：一是专攻AI本身，这要求动手能力、学习视野和批判性思维都不能偏废。二是做AI+X，比如用AI解决物理或化学的问题。

后者可能是更值得关注的方向。建议先学好你原本的X领域，再把AI当工具用进去。AlphaFold拿下诺贝尔奖就是AI for Science的经典案例。未来这种跨界突破只会越来越多。

回到开头的问题：机器理解语言吗？在第一层，答案是肯定的。在更深的两层，我们还在路上。但飞机的价值从来不需要通过模仿鸟儿扇翅膀来证明。