前沿追踪 | “机器学习”这个说法真的对吗？

1950年，图灵预言：到20世纪末，人们会理所当然地谈论“会思考的机器”，而不再觉得荒谬。今天，他的话应验了——“机器学习”“神经网络”“计算机视觉”早已成为日常用语，极少有人质疑这些词是否恰当。但近日Anoush Margaryan在《Technology in Society》发表论文认为：“机器学习”是用词不当（misnomer）。当前算法所做的，并非真正意义上的学习，而是高级的自动统计分析。更值得警惕的是，这种术语混淆不是中性的。当我们用描述人类的词（学习、智能、能动性）去描述机器，同时用机器术语（升级、重装、优化）来描述人，人与机器的边界被模糊了。这种“双向挪用”正在悄然改变我们对自己的认知——我们开始把自己看作“肉做的机器”，而把机器看作“有思想的伙伴”。一、机器学习到底在做什么？

简单说，当下的机器学习有三种主要形式：

• 监督学习：给机器海量“输入-输出”配对数据（如蓝巴士图片配标签“巴士”），让它学会对新输入（如红巴士）做出正确判断。

• 无监督学习：不给标签，让机器自己通过聚类算法找出数据中的模式。

• 强化学习：通过“奖励/惩罚”机制，让机器在反复试错中优化行为，类似巴甫洛夫的条件反射实验。

此外还有深度学习，即用多层“神经网络”处理数据，在巨量文本中找出词语共现规律，从而生成看似连贯的文本——比如ChatGPT。

但关键是，所有这些过程的本质，是基于海量先例的模式匹配和概率预测。正如批评者所言，ChatGPT不过是一只“随机鹦鹉”——它能流利地重组人类写过的句子，却从不理解句子的含义。真正的“智能”来自那些被它“吞食”的文本的原作者，而非算法本身。

因此，与其说机器在“学习”，不如说它在执行“自动化的预测性统计分析”。

二、什么才配叫“真正的学习”？

人类的学习（作者称之为“learning proper”）远不只是处理信息。它至少包含以下核心特征：

• 心智模型与参照框架的转变：学习不是简单增加知识，而是根本性地调整我们看待世界的假设、期望和意义结构。这种转变往往由“认知失调”或“迷失困境”触发。

• 自我导向与自我调节：学习者主动设定目标、规划路径、监控进度、调整策略，而不是被动响应外部指令。

• 刻意练习与自我反思：通过反复练习提高表现，更关键的是对自身行动和思维进行批判性反思，从失败和成功中汲取深层教训。

• 社会学习：通过观察、模仿、对话、合作从他人那里学习，但这不否定个体最终要自己完成内化和转化。

• 跨越领域的终身转化：一个管理顾问可以转行当厨师，而一个语言模型永远只能处理文本，无法“转行”去做别的事。

简言之，人类学习是能动性（agency） 的集中体现——它是有意图的、有前瞻的、有自我反应的、有自我反思的。

三、机器有“能动性”吗？——没有

在计算机科学中，“智能体”被定义为能感知环境并采取行动的东西。但这与“能动性”的标准理解相去甚远。

真正的能动性意味着：

1. 意向性：能自己设定目的和计划，而不是执行他人植入的目标。

2. 前瞻性：能构想未来可能的结果，并据此指导当下行为。

3. 自我反应性：能主动调节自己的行动，并对自己的表现负责。

4. 自我反思性：能审视自身思考的充分性，并做出修正。

而这四条，当前的机器学习算法一条都不满足。它们没有意志，没有欲望，无法“超越环境的指令”，更无法“塑造自己的人生境遇”。它们只是人类意图的延伸——我们给目标，它算结果。

所以，把“代理”“能动”这样的词安在机器头上，不是技术隐喻，而是概念错误。

四、对比一目了然：相似只是表面，差异才是本质

作者概括了机器“学习”与真正学习的核心差异：

机制/特性机器学习真正学习数据处理、分类、模式识别✅ 有✅ 有刺激-反应式调整✅ 有✅ 有观察与复制✅ 有✅ 有刻意练习与自我反思部分（可试错，但无反思）✅ 有参照框架的转变❌ 无✅ 有认知失调/迷失困境触发❌ 无✅ 有从他人经验中学习❌ 无✅ 有自我导向与自我调节❌ 无✅ 有意向性、前瞻性、自我反应、自我反思❌ 全无✅ 全有

可见，机器只覆盖了人类学习中极浅层的部分（信息处理和模式匹配），而所有高阶、深度、转化性的机制，它一概欠缺。

五、误用术语，会带来什么风险？

作者指出，这种术语错配至少有三大危害：

第一，虚假宣传。 把统计工具包装成“学习机器”，让公众和投资者高估了AI的实际能力。若改用“自动模式识别器”这类更准确的名称，恐怕热度会大减。

第二，人机关系错位。 当人们像对待真人一样与AI交互（如对聊天机器人客套、对虚拟助手产生情感依赖），不仅效率低下，还可能强化性别刻板印象，或助长认知惰性。

第三，最深层的影响——改变人的自我认知。 如果“学习”可以廉价地由机器完成，那么人类独有的学习能力、反思能力、自主性是否也不再珍贵？这种潜移默化的观念侵蚀，比技术本身更危险。

六、怎么办？——正视术语，回归常识

作者并不反对AI，但呼吁几项务实行动：

• 准确公开信息：开发者在宣传时应明确声明，当前系统的“学习”并非真正的学习，避免误导公众和决策者。

• 加强人文社科融入：AI技术教育不能只讲数学和代码，必须引入哲学、社会学对“能动性”“学习”“意图”的深刻思考。

• 审慎监管：限制过度拟人化（如给AI赋予性别、人格等），至少在营销层面禁止误导性术语。

最关键的是，我们需要在认知上划清界限：机器是工具，不是伙伴；是助手，不是学习者。一个拿着工具的人，永远比工具本身或空手的人更强——这句话在AI时代依然成立。

原文：Anoush Margaryan, Why machine learning is a misnomer, Technology in Society（2026）.

责编：李尉博