Kevin Knight Warns of Cognitive Outsourcing as LLMs Disrupt NLP Paradigms

Kevin Knight 以亲历者视角揭示大模型对NLP研究范式的颠覆性冲击，指出其暴力解法正淘汰传统语言学经验，并重新定义智能演进的硬尺度——长程自主认知时长。

大模型使经验型语言学方法迅速过时，迫使顶尖学者转向纯数学等新领域；

AI质变标志是“无需人工干预的长程认知时长”，而非基准测试分数；

当前技术繁荣正系统性削弱人类深度思考能力与问题建模习惯。

适合NLP研究员、AI架构师、技术战略负责人阅读。

“把算术外包给计算器，把做饭外包给外卖，都没问题。但当我们一遇到问题就习惯性直接问 AI 时，最可怕的事情正在发生：人类正在自愿停止思考。”

作为前国际计算语言学协会（ACL）顶会主席、经典 AI 教材作者，以及培养了 Transformer 奠基论文第一作者 Ashish Vaswani 和前 OpenAI 研究副总裁 Barret Zoph 的学界泰斗，Kevin Knight 在语言智能领域深耕了三十余年。在近日钛动科技首届科技增长大会（TGC 2026）的现场，这位亲手参与缔造并见证了现代自然语言处理（NLP）兴衰的技术开拓者，没有给出通稿式的乐观预言，而是用一种罕见的坦率与自嘲，撕开了当代 AI 繁荣背后的残酷切片与深层隐忧。

在这场横跨语言学、纯数学、具身智能与认知哲学的开场演讲中，他给出的不仅是一套关于 AI 进化的底层坐标，更是一份关于技术如何反噬研究者与整个人类思维的清醒诊断：

• 一次无可奈何的技术败退：大模型的暴力美学如何在一夜之间将老一派科学家毕生的经验技巧扫入历史垃圾堆，迫使顶尖学者在承认“语言已被攻克”后，仓皇转行逃向纯数学；

• 衡量智能演进的唯一硬尺度：抛开虚无的 Benchmark 刷榜，AI 质变的核心在于“无需人类干预的长程认知时长（Cognitive Runtime）”，模型正从秒级的工具调用，跃迁至跨越数十小时乃至“百年级”的自主攻坚；

• “卧室假说”与物理世界的壁垒：围棋和数学之所以被率先攻克，是因为它们拥有近乎零成本的自我反馈机制，机器可以在“卧室”里闭关成神；而具身智能、生物医药与真实商业之所以进展迟缓，是因为物理世界的试错成本无法被算法凭空压缩；

• 圈内人的荒诞两极与认知警钟：面对技术奇点，身处一线的学者们走向了极端——有人开始抽烟（笃信 AI 必将攻克癌症），有人散尽家财不再存退休金（认定毁灭即将来临）；但真正的危机既非乌托邦也非世界末日，而是在机器长考能力爆发的今天，人类正在将自己最核心的“困惑与思考”全盘让渡。

以下为编译后 Kevin Knight 的分享整理。

一、从每天早晨与机器下棋说起

大约十年前，我在家里做了一个国际象棋机器人。它在一个真实的实体棋盘上下棋，直到今天，我每天早晨的第一件事依然是给自己冲一杯咖啡，然后和这个机器人下一盘棋。这纯粹是我的个人爱好。

差不多同一时期，DeepMind 做出了轰动世界的 AlphaGo 和 AlphaZero。它们起初学习人类大师的棋谱，但随后进化为纯粹通过自我博弈来学习——通过自己的对弈经验，探索获胜的策略。你可以形象地理解为：AlphaGo 走进自己的卧室闭关下棋，一周之后从楼上走下来，它就成了世界冠军。当时这并没有让我感到焦虑，因为棋盘游戏不是我的研究领域，我依然享受每天早晨的那盘棋。

我真正深耕几十年的领域是自然语言处理（NLP）——教机器做英汉翻译、回答问题、理解文本。在早期，这些都是极度困难的命题。读研究生时，我妻子甚至会和朋友感叹，觉得我很可怜，因为我选了一个“不可能被解决的问题”作为毕业课题。

几十年来，我们所做的核心就是构建“语言模型”。这项探索可以追溯到 1950 年克劳德·香农（Claude Shannon）。我们给机器设定了一个看似奇怪的任务，比如这句话：“Mary saw toys in the window and wanted [it / them]”（玛丽看到橱窗里的玩具，想要它/它们）。机器该选哪个？人类凭常识知道她大概率想要的是玩具（them），而不是橱窗（it）。为了做出正确预测，机器必须理解现实世界、理解人类社会运作的逻辑。正是通过预测下一个词这个看似简单的任务，我们逐步解决了机器翻译等一系列宏大问题。

到了 20 世纪 80 年代，IBM 取得了里程碑式的突破：仅通过前两个词来预测下一个词。我们沿着统计路径构建了第一代系统，机器开始通过阅读文本进行学习并与人交流。后来 Google 基于这套传统思路构建了更大的模型。当时整个学术界的共识是：这条路会按部就班地走下去，我们在自然语言处理上的进展将会是线性的、缓慢改良的。

但到了 2016 年前后，质变发生了。

二、当一辈子的经验归零，我逃向了数学

循环神经网络（RNN）、Transformer、再到 ChatGPT，机器预测下一个词的能力呈断崖式跃迁。当我们走到这一步时，整个学术界突然发现：我们居然把语言问题彻底解决了。机器不仅能理解、翻译，还能流畅地生成语言。

它是如何做到的？最底层的动力首先是训练规模：全网量级的文本被灌入模型，人类无需介入，机器自己从中掌握统计规律；其次是后训练（Post-training），引入人类反馈强化学习（RLHF），由人类对模型的回答给出优劣判断。

如果把 1950 年到 2030 年拉一条时间线，不画准确率或困惑度（Perplexity），而是画我们这群 NLP 科学家的“心理情绪曲线”，那会非常戏剧化：

• 起初我们很快乐：虽然进度停滞不前，但因为不知道未来在哪，大家探索得津津有味；

• 统计学浪潮到来：一部分人很兴奋，因为机器能从文本中学习了；另一部分热爱传统语言学、厌恶统计学的人则极其痛苦；

• 平稳推进期：英汉翻译这类技术在几十年前行得很慢但很稳，甚至可以成立机器翻译初创公司；

• 神经网络与大模型革命：整整一代研究者陷入了巨大的焦虑与混乱。这意味着我们过去几十年积累的技巧、算法和经验，在一夜之间几乎被扫进了垃圾堆，必须强行切换到全新的体系。

到了 GPT-4 时代，传统的 NLP 研究体系甚至陷入了一种迷茫：作为核心命题的“语言理解”已经被基本攻克，研究者们甚至不知道该去往何处。

我当时的反应是：既然这一局机器赢了，那我就换一个更难的战场。

过去几十年，我一直认为“语言”是人类最狡黠、最深奥的产物——词语充满多义性，排列组合变幻莫测；相比之下，“数字”按部就班，乘法口诀表清晰规整。但当我真正跳进纯数学领域研究了几个星期后，我才发现数学的混沌程度远超想象，全世界最顶尖的数学家面对最基础的数学猜想也束手无策。

于是几年前我转行做数学，在学术期刊发表论文，希望借助 AI 去加速数学研究的进程。然而就在前段时间，AI 浪潮同样席卷了数学界：系统不仅攻克了价值百万美元的千禧年数学难题之一，OpenAI 更是集中发布了 300 多篇论文，用全新的证明思路解决了 300 多个极为重要的数学问题。数学界同样感受到了当年 NLP 学者所经历的震颤。

为什么大模型能在数学领域实现这一跃迁？一方面，互联网上沉淀了古往今来顶尖数学家的大量论文，模型通读后掌握了跨领域的超强关联能力；但更关键的是推理与自校验机制。就像 AlphaGo 一样，在形式化数学系统里，证明对不对，机器能够自我验证。机器再次走进了它的“卧室”，闭关演算一周，走下楼时，它已经是顶尖的数学家。

三、机器能离开人类“自主思考”多久？

很多人凭直觉感受到 AI 进化的步伐正在加快，我的切身体会也是如此。在语言和数学领域，几乎每隔几个月就会出现彻底颠覆旧认知的突破。

但该如何量化这种“加速”？我的观察维度是：机器在脱离人类干预的情况下，能够独立、自主地为你解决问题多长时间？

• 最开始，它只能自主运转 15 秒，回答一个单轮问题，然后停下来等你输入下一句；

• 接着，它能自主运转 10 分钟，在网络上收集材料、整理事实，交给你一份结构完整的调研报告；

• 进一步，它可以在 1 小时内完全按照你的产品需求，自主写出一个小型软件；

• 而到了近期，它已经可以连续工作 10 个小时，自主构建一个庞大的软件系统，期间完全不需要向人类求助。

如果把这个逻辑推到极致：近期被攻克的那道百万美元级数学难题，背后是相当于机器自主思考了 100 年的算力消耗——具体而言，是 10,000 个智能体在无人类介入的情况下，高度协同、完全自主地连续推演了 88 个小时。

人类现实中面临的绝大多数商业和实际业务问题，复杂度大致就落在这个区间：攻克某种癌症也许需要超过 10 小时的连续深度推演，而解决企业内部复杂的增长与运营问题，同样需要突破单轮对话的局限。AI 的核心跃迁，正是这种“长程自主思考时间”的持续拉长。

四、下一轮飞跃的试金石

既然语言和纯形式化数学已被相继攻破，接下来的突破口会在哪里？答案集中在几个方向：机器人（具身智能）、生物医药，以及由 AI 完全自主运行一家企业。

决定这些领域推进快慢的本质瓶颈，在于反馈机制（Feedback Loop）从何而来。

AlphaGo 和纯数学模型之所以能以惊人速度进化，是因为它们拥有近乎零边际成本的自闭环环境——机器可以在数字世界里自我试错、自我判定；但现实物理世界没有现成的“卧室”：

• 在机器人领域：机械臂完成任务就是成功，失败了就要反思重来。但实体硬件不能光靠脑内模拟，哪怕仿真环境做得再逼真，它在物理世界的受力、摩擦与损耗依然不可避免；

• 在生物医药领域：大模型可以读完生物化学的全部文献，提出精妙的分子构型，但这些假说是否成立，必须经过现实中的湿实验，以及漫长的人体临床试验周期；

• 在自主商业实体领域：未来一定会出现由机器完全接管运转的公司，与人类企业同台竞争。商业世界的反馈极其残酷直接——就是现金流与利润。但机器公司可能还没来得及跑通正确的商业模型，手头的资金就已经消耗殆尽。

物理世界的规律不会被算法压缩，凡是需要依赖物理世界提供真实反馈的领域，AI 的演进节奏都会受到现实客观规律的拉扯。

五、最大的危机不是 AI 毁灭世界，而是人类停止思考

伴随这种加速度，整个产业弥漫着极端的撕裂感。

在我身边的 AI 研究同行中，乐观主义者和悲观主义者走向了两个极致：极端的乐观者甚至开始抽烟，因为他们坚信 AI 很快就能攻克肺癌，无需再关注身体健康；极端的悲观者则彻底放弃为退休存钱，因为他们认为 AI 很快就会带来不可抗的灾难，不如及时行乐。

我既不抽烟，也会继续存钱。我并不担心科幻小说里那些邪恶 AI 的毁灭性设定，但我确实对另一种正在悄然发生的变化感到深切的担忧。

我们把算术外包给计算器，没有任何问题；我们把粮食生产外包给农业机械，把做饭外包给外卖配送，这为我们腾出了宝贵的时间，人类的核心主体性并没有受损。

但当人类开始把“思考本身”外包给机器时，问题就完全变了。

即使像我这样的人，在日常生活中也开始频繁出现一种惯性：原本遇到一个复杂问题需要自己推演、琢磨、攻关，但现在的本能反应是“直接问 AI 吧”。当我们把认知推演、逻辑碰撞与深层困惑统统让渡给系统时，人类作为个体和整体社会，都将面临认知能力的系统性退化。

AI 不仅仅是在思考，它正在学会自主行动、理解整个数字世界，并在极其复杂的领域持续建立优势。对于每一个身处其中的人来说，我们唯一的应对方式，是在快速适应技术转向的同时，始终把住独立判断的缰绳：

让机器去做推演，但永远不要让机器替你思考。