會寫流暢文字，不代表離通用智能只差一步

模型能寫出流暢文字，也能解編程題，於是有人斷言：通用智能只差一步。Michael I. Jordan 借用上世紀德雷福斯（Hubert Dreyfus）提出的「第一步謬誤」指出：這一步跳躍本身就是錯的。把幾件驚人的事做好，不等於接近無所不能。

「第一步謬誤」長什麼樣

這種模式並不新鮮。早期 AI 能玩狹窄的遊戲、解整齊的謎題，熱衷者就把每次勝利讀成終點將至。今天的演示更大——聊天、寫代碼、生成圖像——但邏輯一樣：出色的第一步，被讀成「幾乎到達」。

Jordan 對當前系統的直白描述是：大型「統計盒子」。它們做輸入到輸出的映射——這可以非常有用，但還談不上在開放世界裏，對目標、制度與取捨做系統級思考。

流暢感會騙過眼睛

聽起來像人的語言特別有說服力。系統若用漂亮段落自我解釋，人們就容易賦予它意圖、計劃，甚至某種心智。Jordan 長期反對這種擬人化：流暢文本證明的是語言上的強力模式匹配，並不證明機器分享了人類對工作、風險或社會的理解。

這會影響產品判斷。一個感覺像同事的聊天機器人，一旦任務離開訓練分佈，或一旦把「夠好的文字」誤當成「夠好的決策」，仍可能失手。

工程學科有理論；炒作常常跳過理論

Jordan 把今日 AI 文化與電氣、化工、機械工程對照：那些領域有深厚理論——馬克士威、牛頓——以及懂約束的工程師實踐。他認為，許多 AI 討論更像聰明程序員憑直覺堆數據與算力，而公共敘事則飄向科幻小說。

• 出色演示證明的是一項能力，不是終點線
• 輸入輸出映射可以很有用，卻不必是「通用心智」
• 說清楚邊界，是嚴謹工程的一部分，不是缺乏野心

留下能力，放下幻象

這並不是要讀者否定大模型。Jordan 自己也承認，神經網絡的縮放特性真實且可能長期存在。要求更窄：說清楚這個統計盒子做什麼，在周圍搭建讓它安全、有用的配套系統，別再把流暢感當成通往 AGI 的門票。點出「第一步謬誤」，是為了保護判斷力——尤其對那些被告知「核心都搞定了」或「你們的小研究沒意義」的年輕研究者。