过去十年，曹原始终身处人工智能演进的核心地带。从早期的统计机器学习、机器翻译，到加入 Google Brain 及随后的 Google DeepMind，他的研究轨迹横跨神经机器翻译、多模态模型、大语言模型 Agent 直至 Gemini 等关键阶段，亲历了 AI 从单一任务模型向具备语言、视觉、推理及代码处理能力的复杂系统演变的过程。
离开 DeepMind 后，曹原完成了一次从技术研发到商业落地的完整创业闭环。这段经历促使他深入思考 AI 的本质：当模型在真实场景中创造价值时，我们应如何界定这种能力？它是真正的智能，还是日益强大的计算模拟？面对当前关于 AI“无限进化”与“意识危机”的两极化讨论，曹原主张回归科学本源：现有计算范式究竟解决了什么问题，其边界又在哪里？
在 DeepTech 的专访中，曹原表达了对 AI 长期发展的乐观态度，同时强调需冷静审视其能力本质。他试图将 AI 重新置于科学问题的框架下探讨：什么是智能？计算与逻辑能在多大程度上刻画智能？以下是对话实录。
“你饿了，但机器不会饿”
DeepTech：你的个人主页使用了大量抽象艺术配图，这是审美偏好还是与你对 AI 的判断有关？
曹原：我偏爱简洁抽象的风格，这也引发了我对 AI 创造力的思考。当前大模型本质上是从海量人类数据中学习，能够组合、变形并外推复杂的语言与视觉结构，生成前所未有的结果。这种能力虽远超传统统计学习系统，但我更关注深层问题：若一个智能系统未接触过某种表达形式，能否自主发明它？例如人类为何会将动物画在洞穴或创作音乐？这不仅涉及技法，更关乎“为什么要做”。
人类的创造背后隐藏着欲望、情绪、好奇心等内在驱动力。今天的 AI 可以完美模拟这些行为的结果，但难以通过数据转换来复刻驱动行为本身的体验。
DeepTech：人的创造力也受限于经历，新想法往往是旧经验的重组。人与 AI 的根本区别何在？
曹原：重组确实是创造的重要模式，AI 在此方面表现优异。但关键在于区分“产生新颖组合”与“驱动探索的动机”。前者是搜索与生成问题，后者则涉及认知的驱动力。这归结为一个根本命题：人类智能是否能被计算系统完整描述？我倾向于认为，人类对时空、因果的直觉，以及好奇心、审美等内在结构，未必能完全还原为形式化的计算过程。
这并非 AI 时代的新问题，而是哲学与认知科学老问题的新形式：计算能在多大程度上刻画智能？是否存在现有范式无法触及的领域？这比简单追问"AI 能否创新”更接近本质。
DeepTech：品味虽难定义但可分析，若拆解得足够细，AI 能否复制一个人的品味？
曹原：以“饥饿”为例，即便我知道其含义，也无法直接体验你的感受。我们只能通过语言和外部信号互相推断。同理，你可以解释喜欢某首歌的理由（旋律、回忆等），这些信息可被记录为训练数据，但描述本身不等同于主观体验。
这里需区分两个问题：第一，AI 能否基于数据对人的偏好进行精准建模？答案是肯定的。第二，外在行为的高度一致是否意味着机器拥有与人相同的内部体验？答案是否定的。可观测、可建模的信息与真实的主观体验之间不能简单画等号。我们能够体验到的，往往远多于能够言说的。
AI 是理解我们，还是见过与我们相似的人？
DeepTech：许多用户感觉模型比身边人更懂自己。AI 接触的数据远超常人，是否因此理解得更好？
曹原：在某些场景下确实如此。搜索引擎已能超越个人经验范围获取信息，而 AI 进一步学习了不同处境、情绪与行为间的关联。当你描述具体情境时，AI 能基于大量相似表达给出合情合理的回应。从功能角度看，它表现得非常“懂你”。
但需区分两种“理解”：一种是功能性理解，即根据输入判断处境并给出恰当回应，当前 AI 已具备此能力；另一种是内在经验，即系统是否以类似人类的方式经历这些状态。AI 没有身体经验，其理解仅限于训练数据赋予的世界。行为上的理解与拥有内在经验是两回事。
DeepTech：既然模型能给出恰当回应，为何仍视其为“模拟”？
曹原：许多模拟既真实又有用，如天气模拟。但外部行为的再现并不自动意味着内部过程相同。“中文房间”思想实验指出，按规则处理符号的系统在外人看来像懂中文，但内部执行者并无真正理解。虽然大模型远比该实验复杂，具备泛化和推理能力，但其核心问题依然成立：我们能否仅凭外在行为推断内部存在理解？
在熟悉语境中，AI 表现优异甚至让人产生“它真懂我”的错觉；但在罕见语境下，“塑料感”便会显现。模拟理解与证明理解可计算是两个不同问题。前者 AI 做得越来越好，后者仍是未解之谜。
DeepTech：如果陪伴型 AI 能提供情绪价值，内在理解是否重要？
曹原：从应用角度，只要结果有用，系统是否有内在理解并不影响其价值。但从科学发展角度，若缺乏对问题的原发性理解，系统很难在开放情境中持续给出可靠回答。AI 擅长在有先例的问题上泛化，但在需要好奇心、灵感或无现成模式匹配的问题上，形式模拟有其极限。
此外，过程同样重要。如同数学证明或药物研发，我们不仅关注结果正确，更需理解其背后的机制与价值。工具理性关注目的达成，价值理性追问过程意义。研究 AI 的边界，正是为了厘清哪些能力可通过现有计算扩展，哪些需要新机制，从而明确下一代 AI 的突破方向。
一千米算近，一千零一米呢？
DeepTech：世界模型被视为突破语言模型局限的路径。让 AI 通过视频和物理环境获得经验，能否解决内驱、直觉和常识问题？
曹原：构建世界模型学习物理规律至关重要，能提升视频生成、自动驾驶等能力。但模型最终依赖可观测、可测量的数据。人类认知中存在难以精确定义的部分，如“快慢”、“远近”。这些概念在日常生活中被广泛使用，却无严格边界。
例如，“学校离家很近”无需规定一公里以内才算近。这种对时空秩序的直觉感知是生物生存的基础，难以通过数学模型精确刻画。
DeepTech：语境会影响判断，AI 能否从大量上下文中学会这些模糊概念？
曹原：AI 擅长学习上下文中的稳定规律，但人类认知中“已知”往往多于“可言说”。训练数据中的语境有限，无法消除概念本身的模糊性。更重要的是，人对时空因果的判断多源于感知而非定义。动物捕猎时无需定义“快慢”即可行动，这种能力是在进化中形成的认知结构。
世界模型可学习物理规律，但能否获得与生物相同的先验体验仍是疑问。数学与逻辑只能描述可明确测量的现象，而生物智能赖以生存的直觉恰恰无法精确描述。
会解决问题，不等于会发现问题
DeepTech：若模型缺少先验和内驱，应如何理解 AGI？AI 是否可以拥有智能？
曹原：AGI 定义模糊。商业语境下的 AGI 关注任务完成的可靠性与覆盖范围，这在工程上可通过迭代不断提升。但在认知科学视角下，AGI 涉及概念形成、目标生成及问题发现能力。例如，一个系统能否自主形成数学概念、发现物理定律或发明语言？
当前 AI 擅长在既定问题空间搜索答案，但问题空间本身多由人定义。会解决问题与会定义问题是两种不同能力。前者进步迅速，后者涉及抽象概念、内驱力与价值判断，是否能通过计算产生仍是未解的科学难题。因此，"AI 是否拥有智能”取决于对“智能”的定义及计算近似人类心智的精度。
DeepTech：若未来 AI 真的可以创新，人的优势还剩什么？
曹原：人的价值在于无法被数据完整捕捉的部分。感受、直觉、价值判断及难以表达的内在经验，构成了深层的心智驱动力，这是 AI 只能近似而无法真正获得的。
DeepTech：这种判断是你参与研发后形成的，还是一直以来的思考？
曹原：我早已开始思考这些问题。早期机器学习研究多针对特定任务切片，缺乏统一理论。物理学通过观测外部世界提炼普适规律，而 AI 研究是用人的认知系统去描述认知本身。思维内部过程不可完全观测且极其复杂，这导向了一个基础问题：数学、逻辑和计算能否完整刻画人的思维？人脑是否可被写成认知等价的程序？这直接影响我们对大模型的理解及未来发展方向。
DeepTech：你曾将大模型比作一张网，具体指什么？
曹原：大模型如同一张越来越密的网。规模越大、数据越多，网越密，能力越强。但网终究由离散针线织成，总有水从网眼漏出。无论怎样扩大规模，它始终是通过形式化离散系统近似智能。总有一些东西是语言符号和数学模型无法精确刻画的，正如有限小数无法完全等同于无理数。
足够有用，不等于没有边界
DeepTech：这种判断如何影响你的技术路线？如何拓宽语言模型的思路？
曹原：语言模型基于统计分布进行预测，擅长提取重构已有模式，但也易局限于高概率路径。若要具备开放智能和知识发现能力，需引入统计之外的机制，使模型不仅能回答“最可能是什么”，还能系统探索“还有什么可能”。未来的高层次智能系统应是语言模型的超集，具备持续探索和动态创新能力。
DeepTech：在当前 AI 热潮中，更大的风险是低估现实价值还是高估终点？
曹原：风险已从过去的低估转向高估。过去人们未曾预料到语言模型能涌现如此广泛的能力。但现在容易产生错觉，认为只要扩大规模，增长曲线就能无限延伸。技术发展常呈 S 型，边际收益终将下降。关键在于区分当前增长是释放现有范式潜力，还是证明该范式能覆盖所有智能问题。
狂热与保守皆不可取。AI 已非常强大且将继续进步，但不能因此认为它能解决所有问题。当前研究高度工程化，聚焦于架构优化与效率提升，而从计算理论、认知科学出发系统研究智能与计算关系的工作仍显不足。下一阶段不仅要追求更大更快，更要清晰思考当前范式的边界及新范式的可能来源。
DeepTech：你自己使用 AI 多吗？终极层面的怀疑会影响日常使用吗？
曹原：我用得很多，如修改邮件、写代码等，作为工具它已非常出色。但若将其作为研究对象，则需思考其从何而来、走向何方。正因为 AI 如此强大，我们才更有必要认真理解它的本质。AI 未来会给出更多答案，但“什么问题值得提出”、“为何重要”以及“技术走向何处”，仍需人类思考。
参考资料：
https://yuancao.me/
https://scholar.google.com/citations?user=p28z3SQAAAAJ&hl=en
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成