仰望星空与凝视算法；萨金特借天文史，重新审视人工智能的本质边界。

在人类认知的漫长历程中，总有一些时刻让我们深刻反思：我们究竟是在描述世界，还是在解释世界？2025年12月29日，北京大学汇丰商学院举办的诺奖对话系列活动中，2011年诺贝尔经济学奖得主托马斯·萨金特教授，以“人工智能：过去、现在与未来”为主题，带来一场跨越时空的深刻探讨。现场汇聚三百多名师生与各界人士，线上近十万人同步观看，这场讲座不仅回顾了人工智能的发展脉络，更将焦点置于一个古老却永恒的科学难题之上。

回溯几个世纪前，天文学家面对行星诡异的运动轨迹，曾陷入深深的困惑。托勒密的体系通过层层叠加的本轮与均轮，巧妙地拟合了观测数据，却始终停留在表象的描述层面。这种精妙的数学构造，虽然在预测位置上表现出色，但未能触及天体运动的内在机制。直到哥白尼提出日心说，改变了参照框架，人们才开始追问更深层的问题：行星为何偏离完美的圆形路径？这种偏离背后，究竟隐藏着怎样的结构逻辑？

约翰内斯·开普勒接手了这一挑战。他基于第谷·布拉赫积累的精确观测资料，长期苦思那些残差数据。最终，他大胆抛弃圆形的执念，提出行星轨道为椭圆形，太阳位于椭圆的一个焦点。这一转变看似简单，却实现了从描述到解释的飞跃。开普勒没有增加更多复杂的曲线，而是通过简化结构，揭示了天体运动的真实规律。这一发现为牛顿的万有引力定律奠定了基础，也标志着现代科学方法论的转向：科学不再满足于拟合数据，而追求机制的理解与因果的揭示。

这一历史叙事，与当今人工智能的处境形成了惊人的呼应。萨金特教授指出，当代AI在模式识别与泛化能力上取得了显著进展。它能从海量数据中高效提取结构性关联，并在图像识别、语音处理、自然语言生成等领域展现出超越人类的速度与准确性。这些成就源于深度学习等技术的强大压缩能力，使AI成为一种高效的“模式压缩机器”。然而，这种强大也暴露了其局限：AI擅长描述现象，却难以深入解释这些现象的生成机制。

萨金特将智能的核心能力拆分为三层：模式识别、泛化推断以及基于理解的决策。前两层是AI当前强势所在，它通过统计关联实现高效预测与适应。但在第三层，即对机制的深刻洞察上，AI仍显不足。它可以预测市场波动、推荐内容，却难以说明这些模式为何在特定制度或自然法则下产生与演变。这种“描述vs解释”的对立，正是讲座的核心张力。萨金特强调，真正的智能不应止步于数据拟合，而需迈向因果机制的把握，这也是人类认知区别于机器学习的关键所在。

进一步展开，萨金特借用科学史的镜鉴，提醒我们警惕对AI的过度拟人化解读。当前的主流模型虽在任务表现上令人印象深刻，但其“理解”更多是基于参数优化的黑箱过程，而非对世界结构的透明把握。这种差距并非技术瓶颈那么简单，而是方法论层面的根本差异。未来人工智能的发展，或许需要在强化描述能力的同时，融入更多因果推理、机制建模的元素，以逐步缩小与人类解释力的距离。只有这样，AI才能从单纯的工具，逐步接近真正意义上的智能伙伴。

这场讲座的意义，不仅在于对AI现状的精准剖析，更在于它唤醒我们对科学本质的重新思考。在天体轨道从本轮堆砌到椭圆简化的历程中，科学实现了范式转变。今天，面对算法主导的世界，我们同样需要追问：AI是否会引领新一轮从描述到解释的跃迁？萨金特教授的洞见，为这一问题提供了深刻的启发，值得每一位关注智能未来的人士反复品味与延伸。