BRAIN / BRAIN × AI20 SEP 2026
脑科学与AI⑳｜把借来的词，换回机器义
"AI 学会了撒谎""它在思考""模型出现幻觉"——读这类新闻时，你有没有停下来问过：这里的"学会""思考""幻觉"，和用在人身上时，是同一个意思吗？上一篇末尾埋了一句话：AI 术语借人类的词起名，借的是直觉，欠的是精确。这一篇把这句话展开成一份词表——它同时是本系列写到第 20 篇的一次复习。
每个拟人的术语都是一笔交易：借给你一半正确的直觉，同时埋进一个错误的推论。 命名本身就是一次有损导出（第 16 篇）——词是压缩包，你解压时用自己的直觉填充，而填进去的是人类心理学。读 AI 的第一项功课：见到拟人词，先换回机器义，再判断那句话还剩多少。
5 01 个词逐个清账：借对哪半，埋了什么 |
1 02 道替换题：拟人词换回机器义再读 |
20 03 篇的一次复习：词表即索引 |
五个借来的词：每个借你一半直觉，埋你一个推论。换回机器义后再读新闻，很多"突破"会缩水成工程改进。
BRAIN / 01
一、为什么术语要借词
先替起名的人说句公道话：不是他们粗心，是没有别的办法。全新的东西没有词，隐喻是最快的导出格式——"神经网络"三个字让一个数学结构在两秒内被外行大致领会，换成"多层可微分参数化函数复合"就谁也不传播了。第 16 篇讲过：语言压缩最狠、千人千解。术语命名是同一件事的极端版——借词借来了传播，代价是每个读者解压时，都往里填了人类心理学。 下面逐词清账：借对了哪半，埋了什么。
BRAIN / 02
二、五个词，逐个换回机器义
"学习"。 借对的一半：训练确实在改变系统自身（第 14 篇：知识是长成的，这一点两边真像）。埋的推论：它"懂了"。 机器义：外部程序按猜词的对错，把几千亿个数字各拧一点，重复几万亿次——模型自己不知道自己在被训练，也没有"明白过来"的那一刻。第 15 篇的判据在此适用：懂不懂，只能拿没见过的题考出来。
"注意力"。 借对的一半：确实在给不同的输入分配不同的权重。埋的推论：它像人一样在专注和忽略。 机器义：一种加权平均——算出每个词与其他词的相关分数，按分数配比混合。人类的注意（第 9 篇）是有代价的取舍：注意这个就要放弃那个；机器的"注意力"全都算了一遍，只是权重不同——它没有付出"错过"这个代价，而付代价恰恰是人类注意的本质。
"记忆"。 借对的一半：确实能接着上文说。埋的推论：聊过＝它记得。 机器义（第 7 篇）：每轮把此前对话整叠重读一遍，读完即忘——"记得你"是外挂文件在替它记。推论错在哪，用过长对话的人都撞过：换个窗口，"记忆"瞬间归零。
"幻觉"。 这个词埋的推论最深：它暗示模型平时"看见真实"，偶尔看花了眼——是一种可以治好的病。 机器义（第 14 篇）：模型没有原件可查，每次回答都是重建，对错是程度不是状态——所谓幻觉，只是重建走样到被你发现的那部分。换回机器义，"下一代解决幻觉"这句话就自动降级为"下一代走样更少"——期待值完全不同。
"专家"。 上一篇刚清过账，一句带过：流水线上的均匀分工，不是医院里的分科——切掉一个专家，丢的不是某科能力，是整体清晰度。
BRAIN / 03
三、这份账和钱有关
把词换回机器义，不只是较真——它直接改变你对一批声明的估值。
叙事的温度是靠拟人词升上去的："它学会了推理"比"它生成更多中间步骤后正确率提高"值钱得多，"通往通用智能"比"在更多基准上得分更高"性感得多——可是后者才是发生了的事。 一个实用的读法：把新闻里的每个拟人词替换成机器义，再看那句话还剩多少。剩下的部分往往仍然可观——这几年的进展是真的——但溢价的那部分，正是压在词上的。判断一项"突破"的成色，先做这道替换题；替换后缩水最厉害的领域，叙事泡沫最厚。
BRAIN / 04
四、边界：别矫枉过正
三条克制。一，拟人词不全是错账——"学习=改变系统自身"这半边是真的，逐词判"借对了哪半"，不是一刀切反拟人；二，脑科学自己也这么起名——海马体因长得像海马得名，借的是形状；心理学的"注意"最初也是隐喻——命名难是普遍困境，AI 不是特别不老实，只是特别新；三，机器义本身也会过时——如果哪天模型真长出可定位的分区（第 18 篇的观察哨）、真有了权重级的历史（第 17 篇），部分词的账要重清。词表不是永久判决，是当前余额。
BRAIN / 05
五、三行，留着复习
```
术语是交易 每个拟人词借你一半直觉，埋你一个推论；命名=有损导出，解压填进的是人类心理学
换回机器义再读 学习=拧数字 · 注意力=加权平均 · 记忆=外挂重读 · 幻觉=重建走样 · 专家=均匀分工
溢价压在词上 拟人词替换后缩水最厉害的说法，叙事泡沫最厚——这道替换题就是祛魅工具
```