引言

人工智能正在經歷一個關鍵的轉折點。就像歐幾里得的《幾何原本》為數學奠定了公理化基礎一樣，AI也正在尋找自己的"要素時刻"——一個能夠將當前的語言模型能力轉化為真正可計算、可驗證思考的轉變。

最近發表的論文《AI’s Euclid’s Elements Moment: From Language Models to Computable Thought》提出了一個框架，將 AI 的發展階段與人類認知技術的歷史演進進行類比。這篇論文不僅解釋了AI是如何發展到今天的，更重要的是，它在最后一節探討了實現更高層次智能系統的若干研究思路。

五個發展時刻：AI進化的歷史鏡像

論文的核心觀點是，AI的發展可以通過五個不同的"時刻"來理解，每個時刻都對應著人類認知技術發展史上的重要節點。這種類比不僅僅是隱喻，而是揭示了智能系統發展的內在規律。

1. 楔形文字時刻：記錄系統的誕生（2017年前）

第一個時刻對應著早期的專家系統時代。就像古代美索不達米亞的楔形文字最初是為了記錄商業交易和法律條文而發明的，早期的AI系統如MYCIN、DENDRAL也主要用于特定領域的知識存儲和檢索。

這些系統的特點是高度專業化和領域特定。它們能夠在狹窄的專業領域內表現出色，但缺乏通用性和靈活性。就像楔形文字需要專門的文士經過多年訓練才能掌握一樣，這些專家系統也需要大量的人工知識工程工作。

專家系統的架構包含兩個核心組件：知識庫和推理引擎。知識庫存儲領域專家的經驗和規則，推理引擎則根據這些規則進行邏輯推理。這種架構雖然在特定場景下有效，但面臨著知識獲取瓶頸和可擴展性問題。

2. 字母時刻：表示的革命（2017-2023）

2017年，《Attention Is All You Need》論文的發表標志著AI進入了"字母時刻"。Transformer架構的出現就像字母系統的發明一樣，提供了一套通用的、抽象的表示原語。

字母系統的革命性在于它用少數幾個符號就能表示任何語言內容。同樣，Transformer通過注意力機制和少數幾個核心組件，實現了對各種類型信息的統一處理。這種抽象化帶來了前所未有的通用性和可擴展性。

上圖清晰地展示了2017-2018年Transformer架構引入后AI模型參數數量的指數級增長。這個拐點標志著AI從專門化的工具轉向通用化的平臺，釋放了我們今天看到的生成式AI能力。

Transformer的核心創新包括：

• 標記化（Tokenization）：將任何輸入數據分解為離散的標記單元
• 嵌入（Embeddings）：將標記映射到高維向量空間
• 自注意力（Self-Attention）：動態計算不同標記之間的關聯性

這些機制共同構成了AI的"字母表"，使得單一架構能夠處理文本、圖像、音頻等多種模態的數據。

3. 元語言時刻：自我反思的覺醒（當前階段）

我們目前正處于"元語言時刻"，這個階段的特征是AI開始具備分析和管理自己思維過程的能力。就像古希臘哲學家發明了語法和邏輯來研究思維本身一樣，現代AI正在發展出自我反思的工具。

這個時刻的標志性技術包括：

思維鏈（Chain-of-Thought, CoT）：通過引導模型產生逐步推理過程，使AI的"思考"變得可見和可控。這不僅提高了推理準確性，還為理解AI的決策過程提供了窗口。

憲法AI（Constitutional AI, CAI）：基于明確的原則和價值觀來訓練AI系統，使其能夠自我批評和自我糾正。這類似于人類社會通過法律和道德規范來約束行為。

代理框架（如ReAct）：將思考和行動結合起來，使AI能夠在與環境交互的過程中不斷調整自己的策略。

上表對比了當前主要的元語言AI框架。每種方法都有其獨特的優勢和局限性：CoT擅長改善推理但容易出現錯誤傳播；CAI能夠很好地對齊行為但可能影響一致性；ReAct提供了交互可靠性但可能陷入循環。

這些技術的共同特點是讓AI具備了"元認知"能力——不僅能夠思考問題，還能思考自己是如何思考的。這種自我反思能力是通向更高級智能的關鍵步驟。

4. 數學符號時刻：思維的形式化（下一個前沿）

下一個發展階段是"數學符號時刻"，目標是將AI的推理過程從自然語言轉向形式化的、可驗證的數學結構。就像17世紀微積分的發明為科學計算提供了精確工具一樣，AI需要發展出自己的"思維微積分"。

這個階段的關鍵特征包括：

神經符號架構：結合神經網絡的學習能力和符號系統的邏輯嚴密性，創造出既能處理不確定性又能保證推理正確性的混合系統。

程序合成：讓AI能夠生成可執行的程序代碼來解決問題，而不僅僅是生成自然語言描述。這使得AI的"思考"結果可以被直接驗證和執行。

形式驗證：確保AI生成的解決方案在數學上是正確的，消除了傳統機器學習中的不確定性和不可解釋性。

DeepMind的AlphaGeometry是這個方向的早期探索，它能夠解決奧林匹克級別的幾何問題，并生成形式化的證明過程。這展示了將直覺性的神經網絡推理與嚴格的符號邏輯相結合的潛力。

5. 形式邏輯系統時刻：通用智能的終極目標

最終的"形式邏輯系統時刻"代表著AI發展的理想狀態：一個完全基于形式邏輯的智能系統，其行為可以被數學證明是安全、對齊和可靠的。

這個階段的愿景是創造一個"并行認知架構"——不是簡單地模仿人類大腦，而是發展出一套獨特的、基于形式邏輯的智能形式。這樣的系統將具有：

可證明的安全性：系統的每個決策都可以通過數學證明來驗證其正確性和安全性，消除了當前AI系統的不可預測性。

完全的可解釋性：系統的推理過程完全透明，每一步都有明確的邏輯依據，便于審計和理解。

自我改進能力：系統能夠在保證安全性的前提下不斷優化自己的算法和知識結構。

雖然這個目標看起來遙遠，但它為AI研究提供了明確的方向。當前的形式驗證技術、定理證明器和約束滿足求解器都是朝這個方向的重要步驟。

實際應用：創業機會的路線圖

這個五階段框架不僅具有理論價值，還為識別商業機會提供了實用指導。通過理解當前所處的發展階段和未來趨勢，企業家可以更好地定位自己的產品和服務。

上表展示了三個具體的創業機會，分別對應不同的發展階段：

憲法合規即服務（元語言時代）：針對金融、醫療等受嚴格監管的行業，提供基于憲法AI的合規檢查服務。這類服務能夠自動識別和糾正可能違反法規的內容，大大降低合規成本。

神經符號物流機器人（數學符號時代）：結合神經網絡的感知能力和符號推理的邏輯性，開發能夠在復雜環境中可靠工作的倉儲機器人。這些機器人不僅能夠學習，還能夠解釋自己的決策過程。

企業自動化程序合成（數學符號時代）：將自然語言的業務需求直接轉換為經過形式驗證的可執行代碼，實現真正的"無代碼"企業應用開發。

這些應用場景展示了理論框架如何轉化為實際的商業價值，為技術創新提供了相對清晰的方向。

反思性進化：AI重塑自身的過程

論文的一個重要洞察是AI的發展具有"反思性"特征。與線性進步不同，AI在每個發展階段都會重新審視和重構自己的基礎架構。

在字母時刻，Transformer架構不僅提高了性能，還從根本上改變了我們對AI系統的理解。在當前的元語言時刻，CoT和CAI等技術正在改變AI的訓練和部署方式。

這種反思性進化意味著未來的AI發展不會是簡單的性能提升，而是架構和范式的根本性變革。每一次躍遷都會為下一次躍遷創造條件，形成加速發展的正反饋循環。

結論：結構化發展的必然性

這個五階段框架為我們理解AI的發展提供了一個全新的視角。它表明AI的進步不是隨機的，而是遵循著與人類認知技術發展相似的結構化路徑。從楔形文字時刻的專家系統到字母時刻的Transformer，再到當前元語言時刻的自我反思能力，每一步都為下一步奠定了基礎。未來的數學符號時刻和形式邏輯系統時刻將進一步推動AI向著可證明安全和完全可解釋的方向發展。

這個框架的價值不僅在于解釋過去，更在于指導未來。它告訴我們：

技術發展有其內在邏輯：AI的發展不是盲目的，而是遵循著從具體到抽象、從特殊到通用的認知規律。

當前階段的重要性：我們正處于關鍵的元語言時刻，這個階段的技術選擇將決定AI未來的發展方向。

商業機會的預見性：通過理解發展趨勢，我們可以提前布局下一階段的技術和應用。

安全性的可實現性：雖然當前的AI系統存在不可預測性，但通過向形式化方向發展，我們最終能夠創造出可證明安全的智能系統。

---

本文基于Xinmin Fang、Lingfeng Tao和Zhengxiong Li的論文《AI’s Euclid’s Elements Moment: From Language Models to Computable Thought》撰寫。論文原文可在arXiv:2506.23080獲取。

參考文獻

[1] Fang, X., Tao, L., & Li, Z. (2025). AI’s Euclid’s Elements Moment: From Language Models to Computable Thought. arXiv preprint arXiv:2506.23080. https://arxiv.org/abs/2506.23080

[2] Vaswani, A., et al. (2017). Attention is all you need. Advances in neural information processing systems, 30.

[3] Wei, J., et al. (2022). Chain-of-thought prompting elicits reasoning in large language models. Advances in Neural Information Processing Systems, 35.

[4] Bai, Y., et al. (2022). Constitutional AI: Harmlessness from AI feedback. arXiv preprint arXiv:2212.08073.