描述世界的极限在哪里；萨金特讲座揭示，人工智能仍需迈向机制解释的新阶段。

北京大学汇丰商学院于2025年12月29日迎来一场思想盛宴。诺贝尔经济学奖得主托马斯·萨金特教授登台，以“人工智能：过去、现在与未来”为题，系统梳理了AI的演进逻辑，并将其置于更广阔的科学史与认知哲学框架中进行审视。讲座吸引了现场三百余名听众，线上观众接近十万规模，充分显示出公众对这一前沿议题的浓厚兴趣。

萨金特从一个经典的科学史案例切入，带领听众重温天文学的革命性转折。古代观测者面对行星不规则的视运动，曾构建出复杂的托勒密体系，通过多层圆周运动来匹配数据。这种方法在描述精度上达到了惊人水平，却始终回避了“为什么”的追问。哥白尼的日心说虽颠覆了地心框架，但真正破解谜题的，是开普勒对椭圆轨道的洞见。他不再依赖额外假设，而是通过焦点位置的调整，揭示了隐藏在现象背后的统一机制。这一跃迁，不仅奠基了牛顿力学，也确立了现代科学以解释为导向的核心追求。

这一叙事与人工智能的现状形成了鲜明对照。当前AI系统在处理复杂任务时表现出色，尤其在模式识别与跨域泛化方面。通过大规模训练，它们能捕捉数据中的隐含结构，并在图像、语音、金融预测等领域实现高效应用。这些能力让AI在某些维度上显著超越人类直觉，展现出强大的适应性与预测力。然而，萨金特尖锐指出，这种成功主要建立在“描述”层面，即对数据的压缩与再现，而非对生成机制的深刻理解。

他进一步将功能性智能划分为三个递进层次。首先是模式识别，即从噪声中提取规律；其次是泛化，即将已知规律外推至未知领域；最后是决策，即在不确定性中基于机制进行理性选择。前两层构成了当下AI的主战场，而第三层则暴露了明显短板。AI可以生成逼真的内容、优化复杂策略，却难以阐明这些输出的因果基础。这种解释力的缺失，使其更接近高效的统计工具，而非具备真正洞察的智能体。

围绕“描述”与“解释”的二元对立，萨金特展开了深入剖析。他将主流深度学习模型比作“模式压缩机器”，它们擅长观察与总结，却缺乏对现象生成过程的透明追踪。这种局限并非偶然，而是源于当前范式的统计本质。未来若要突破，AI研究或许需要融入更多因果模型、符号推理或机制导向的学习框架，以实现从现象拟合向结构理解的转变。这一方向，不仅关乎技术进步，更涉及对智能本质的哲学重构。

讲座结尾，萨金特呼吁回归科学的本真精神。在天文学从托勒密到开普勒的历程中，人类学会了超越表象、追求机制。今天，人工智能正站在相似的十字路口。唯有正视描述与解释之间的鸿沟，并积极探索弥合路径，我们才能迎来真正意义上的智能新时代。这场跨越历史与技术的对话，为思考AI未来提供了宝贵视角，也激励更多人投身于这一充满挑战却意义深远的探索之中。