四个时代之问的存在论根基-龍德明宇

四个时代之问的存在论根基

作者:龍德明宇

7月17日,2026世界人工智能大会上的主旨演讲《携手构建公正合理的全球人工智能治理体系》,提出四个时代之问,并给出四个方向:开放共赢、安全可控、包容并蓄、和衷共济。同日发布的《人工智能合作发展行动计划》,以八项行动将这四个方向落实为具体举措。

作为长期研究大语言模型哲学问题的学者,我想做一件不同的事:解释这四个方向为什么是对的。不是从政策角度,不是从产业角度,而是从一个更基础的问题出发------LLM到底是什么?

所有关于AI的治理讨论,都建立在一个未被追问的前提上:我们对AI的理解。如果这个根基不清楚,再好的政策方向也可能在执行中变形。

一、开放共赢:认清对象,才能真正开放

第一个问题:当机器开始思考,人类如何与之相处?对应方向:坚持开放共赢,驱动创新发展。

但「相处」的前提是------你得知道对面是谁。

过去三年,我们对大语言模型的流行理解是:它们在「思考」、在「理解」、在「推理」。这些动词暗示了一个有视角、有判断、有内在状态的主体。但当我们仔细审视LLM的实际运作机制时,看到的图景完全不同。

大语言模型没有视角------它不从任何位置「看」世界,它的输出是统计分布的产物。没有欲望------它不「想要」任何结果,每一步计算都是损失函数的最小化。没有内在状态------你觉得它在「深思熟虑」的那些过程,在下一个token处完全透明、完全可追溯、完全可还原为矩阵运算。没有因果理解------它不「理解」为什么A导致B,它只看到训练数据中A和B的统计共现频率。

我把这种存在形态称为「负主体性」------不是主体性不够强的版本,而是完全不同种类的存在。LLM不是「不够像人」的智能,而是以与人类正主体性截然相反的方式存在。它不思考,它做统计。它不理解,它做模式匹配。它不判断,它做概率分布。与它截然相反的正主体性,则是人的存在方式:有视角、有欲望、有内在状态、能做真正的判断。

这意味着什么?意味着「开放共赢」的前提,是既不恐惧(它不是竞争对手),也不神化(它不是超级智能),更不拟人化(它不是「类人」的存在)------而是正确理解它的存在形态。讲话中把人工智能明确置于「工具」的位置------让它「成为促进共同繁荣、维护共同安全的一个重要动力源」。这一定位完全正确。但LLM这种工具与历史上任何工具都不同:锤子和汽车的能力边界一望而知,而LLM的流畅输出让我们误以为它在「理解」我们。

正因为LLM没有自主意图,它的能力完全取决于训练它的数据生态和算力网络。因此,「开放」不只是大国之间的利益妥协,它还有一层更基础的技术理由:负主体性系统「必须依赖数据喂养」,而训练数据、算力基础设施和研究成果本来就分布在全球,任何封闭切割都会直接折损模型能力本身。LLM的能力边界由数据生态的开放度决定------这不仅是政治主张,首先是一个技术事实。「开放共赢」的方向,与负主体性系统的这一存在论结构恰好同构。开放不是「与AI一起发展」------好像AI有自己的发展方向。开放是在认清LLM真实结构的基础上,最大限度利用它的能力,同时清楚地知道它的边界在哪里。

《行动计划》的前四项------优质数据供给行动、智能算力普惠行动、开源生态共享行动、人工智能深度赋能行动------正是「开放共赢」的务实展开。数据跨境流动、算力普惠服务、开源生态共建、跨国产业合作,这些行动的前提正是对LLM真实结构的清醒认知:它不是需要被「管制」的对手,而是需要被正确使用的新技术形态。

二、安全可控:风险的根源在结构本身

第二个问题:当算法参与决策,安全如何保障?对应方向:强化风险意识,确保安全可控。

但如果我们不理解风险的根源,安全就会变成一句口号。

AI幻觉------模型自信地说出不存在的事实------经常被当作技术bug,好像未来某天技术足够成熟就会消失。但从存在论角度看,幻觉不是bug,而是负主体性的必然表现。

LLM的输出基于训练数据中的统计共现,而非对世界的因果理解。当训练数据覆盖不到的地方,它不会「承认不知道」------因为「知道」或「不知道」需要内在状态,而它没有。它只会输出统计上最可能的下一个token。幻觉不是信息不够多,而是它的存在方式决定了它无法区分「知道」和「猜测」

这里需要区分两种「失控」。一种是科幻叙事中的AI反叛------有欲望、有目标、有意图的「觉醒」。这种失控在存在论上不成立,因为负主体性系统没有欲望、没有目标、没有内在驱动力。但另一种「失控」是真实的风险:当LLM被嵌入决策流程,它的结构性局限(无因果理解、无真正判断)可能导致系统性失误,而人类因为习惯了它的流畅输出而放松警惕。讲话说的「防范失控」,指的正是这种由结构本身衍生出的风险,而非科幻意义上的反叛。

所以「安全可控」的含义不是「管控一个强大的智能体」,而是「认清一种新存在形态的真实能力边界,并在制度和流程上对其结构性局限进行系统性防范」。讲话中强调「内生和衍生风险」,正是这个方向------风险不是外来的,而是内生于技术结构本身的。

《行动计划》第七项「安全治理协作行动」------共建安全治理机制、研究提升可解释性和透明性、加强数据治理------正是从存在论层面的安全需求出发:安全不是驯服对手,而是通过制度和透明度建设,让负主体性系统的结构性局限始终处于人类监督之下。

三、包容并蓄:防止存在论层面的文化同质化

第三个问题:当技术挑战伦理,治理如何跟上?对应方向:鼓励包容并蓄,促进文明互鉴。

这个问题通常被理解为「AI伦理规范怎么制定」。但从存在论角度看,还有一个更深层的问题:LLM正在成为、在部分领域已经成为人类知识的默认界面,而它的知识不是中性的。

大语言模型的知识来自训练数据。训练数据的文化构成直接决定了模型输出什么样的「世界知识」。当训练数据以英语为主导(GPT-3训练语料中英语文档占比超过93%;最大的公开网页语料库Common Crawl中,英语内容长期占40%以上,其他单一语言均不足7%)、以西方视角为默认框架时,模型输出的「常识」、「理性」、「正确」都天然带有这种文化偏向------不是因为它「选择」了偏向,而是因为统计分布忠实地反映了训练数据的不均匀。

更隐蔽的是:当全球越来越多地依赖LLM获取信息、辅助决策、生成内容时,这种带有文化偏向的输出正在成为新的「默认知识」。不是通过强制推广,而是通过便利性和效率。你用一个AI助手写作,它给你的框架、隐喻、论证结构,都带着训练数据的文化印记。

这就是「包容并蓄」的深层含义:它不仅是文化政策,而是防止存在论层面的同质化。当LLM成为知识的默认生产者,保持文明多样性就需要在训练数据、评估标准、应用场景中主动引入多元文化视角。讲话中「用全人类共同价值塑造人工智能的价值观」所指向的,正是这种从存在论根基处着手的文明互鉴------不是「让AI学习各种文化」,而是在构建AI系统的每一个环节,确保不同文明的知识传统不被统计分布的多数票淹没。

《行动计划》第八项「人工智能向善行动」------共建伦理准则体系、消除算法偏见、保障公平性和非歧视性------正是将「包容并蓄」制度化。消除算法偏见不只是技术问题,更是存在论问题:当模型的统计分布天然偏向某一种文化,消除偏见就意味着在训练数据和评估标准中主动引入多元文化视角。

四、和衷共济:共同面对存在论转变

第四个问题:当鸿沟不断拉大,普惠如何实现?对应方向:倡导和衷共济,完善全球治理。

AI鸿沟通常被理解为技术接入的不平等------谁有GPU,谁没有;谁会训练模型,谁不会。这是真实的,但不完整。

从存在论角度看,更深层的鸿沟是:正主体性与负主体性之间的关系正在重新定义社会结构。

这两种存在方式正在深度相遇:负主体性的系统被嵌入正主体性的社会结构中------做决策辅助、内容生成、风险评估。

鸿沟不只是「谁拥有AI」,更是「谁在与AI的关系中保持正主体性,谁在被AI的负主体性逻辑重新塑造」

一个能批判性地使用AI的人,和一个被AI输出完全塑造认知的人,他们之间的差距不只是技术能力的差距,更是存在论层面的分化。前者的判断仍然是人的判断;后者正在经历主体性的慢性萎缩------不自觉地放弃正主体性,退化成概率分布的顺从者。可怕的不是机器变得像人,而是人在使用机器的过程中,把裁断权悄悄让渡给了统计分布。

所以「和衷共济」的含义是:这不是某个国家的问题,而是全人类共同面对的存在论转变------人类历史上第一次,「谁在做判断」这个曾经不言而喻的问题,需要在全球制度层面被重新回答。全球治理框架需要回答的不只是「谁拥有技术」,而是「如何确保所有人在与AI的互动中保持正主体性」。讲话中宣布的5000个培训名额、国际合作中心、「妈祖」预警方案落地举措,正是在这个层面提供公共产品------帮助每个国家在AI时代保持判断的自主性,这正是「弥合数智鸿沟」和「避免造成新的历史不公」的存在论基础。

《行动计划》第五项「数智人才共育行动」和第六项「规则标准共建行动」------共建人才联合培养机制、提升公众AI素养、推动国际标准对接------正是将「和衷共济」从理念转化为制度。尤其是第五项提到的「关注和保障弱势群体权益」、「共同应对人工智能快速发展对就业的影响」,直接将存在论层面的鸿沟问题落地为具体政策:确保没有人因为AI的普及而失去正主体性。

结语

四个时代之问,表面独立,根基相通。它们都指向同一个存在论事实:LLM是人类历史上第一种以负主体性方式存在的大规模技术系统。

认清这个根基,才能理解为什么需要开放共赢(因为它不是竞争对手,而是需要被正确理解的新存在形态),为什么需要安全可控(因为风险来自其结构性局限而非意图),为什么需要包容并蓄(因为它的输出不是中性的),为什么需要和衷共济(因为判断权的重新分配,是任何国家都无法独自应对的存在论转变)。《行动计划》的八项行动,正是从这四个方向出发,将存在论层面的洞察转化为制度层面的实践。

讲话中反复强调「以人为本」、「向上向善」、「造福人类」,这些原则的存在论根基正是正主体性------人的判断、人的选择、人的价值,才是最终的锚点。在负主体性系统日益嵌入社会结构的时代,保持正主体性不被静默替代,才是四个方向最深层的共同指向。

技术越是一日千里,根基越要清楚


相关推荐
今天吃饺子2 天前
超高创新模型!TF-SAX-Llama 轴承故障诊断
大语言模型·llama·故障诊断
prog_61032 天前
【笔记】用cursor手搓cursor(九)
人工智能·笔记·大语言模型·agent
Geek-Chow3 天前
02 多模态 LLM 是什么:定义、边界与生态位置
人工智能·大语言模型·多模态
Geek-Chow5 天前
12 开源 vs 闭源:同一份权重,两种交付
人工智能·llm·大语言模型
小白跃升坊6 天前
DeepSeek 多模态 API 调用完全指南:从调用到效果,一篇讲透
ai·大语言模型
白拾8 天前
【NeurIPS 2025】PKD:偏好驱动的知识蒸馏,少样本节点分类|从少样本图学习视角
大语言模型·图神经网络·知识蒸馏·少样本学习·neurips 2025·pkd 论文分享
猫先生Mr.Mao8 天前
具身智能语言规划之SayCan详解:让大模型“会说”,也让机器人“能做”
机器人·大语言模型·论文解读·具身智能·saycan
DogDaoDao8 天前
GR00T N1 论文深度拆解:英伟达给机器人装上了“快与慢“双系统大脑
机器人·大语言模型·nvidia·机器人模型·智能机器人·图像生成模型·gr00t
白拾11 天前
【TMLR 2024】Efficient LLM:高效大语言模型综述,模型、数据与框架三重视角|从大模型系统优化视角
大语言模型·模型压缩·高效推理·efficient llm·mlsys·tmlr 2024