BRAIN / BRAIN × AI20 SEP 2026
脑科学与AI89｜人脑加大模型，能放大我们应对不确定的本事吗：能，但有条件
小明哥读《智能简史》重写版读到这里，说了一个感觉：面对不确定的世界，会进化、会学习的人脑，和可以重新训练的大模型，各有长短；在新的人工智能范式出现之前，大模型自己应付不了不确定的世界，而人脑加大模型，会放大人类应付它的能力。这一篇把这个判断摆出来审一遍：哪里对，要补什么前提，什么情况下要改口。
判断方向是对的：大模型缺的，是"被现实筛"的那一环，它不付代价，也拿不到做错之后的反馈；人脑有。但"人加大模型"不会自动放大。用对了，人负责出题、承担代价、拿现实去核；模型负责铺开大量候选。用错了，人把判断也交出去，放大的就是错误。
3样 01 应付不确定的必需品 |
50名 02 医生随机试验 |
+16个百分点 03 模型单独作答 |
雾里的林间小路，只看得见脚下一段。不确定的世界就是这样：没人能算到终点，能做的是走一段、看一段、随时能调头。图片来源：Aleksandr Gorlov / Pexels
面对不确定的世界，人脑和大模型各有所长。放大的前提是分工：人管题目、代价和核验，模型管广度和速度。
BRAIN / 01
一、不确定的世界，靠什么应付
《不确定世界》第 19 章说，生命应付不确定的办法，不是事先算准环境、再设计出合适的物种，而是同时下很多注，让环境来筛。哪种碰巧合用，哪种就留下来。它是筛选，不是设计。
第 1 章补了另一半：长期的精确推演一定会被放大的误差撂倒。真正活得久的安排，不赌自己能算到终点，赌的是"无论走到哪条岔路都还能应对"：留余量、留退路，不把生死押在一个预测上。
所以应付不确定，至少要三样东西：
BRAIN / 02
二、大模型强在哪，缺在哪
—强在第一样。它读过人类写下的大部分东西，能在几秒内铺开几十种方案、几十个反例。第 84 篇讲过，AI 一次能交出几百篇候选证明，"生成"已经变便宜了。—缺在第二样。大模型训完就冻住了，它说错了不会疼，下次也不会因为这次错了而改（第 71 篇讲的"外挂记忆"能缓解一部分，但没有治好）。《智能简史》第 25 章说得很直接：大模型最缺的是"自己的好坏和代价"那一层。—证据： 2026 年 9 月一篇临床 AI 的综述总结，最前沿的模型在诊断推理上已经追平甚至超过医生，但有两类毛病一直没解决：不知道自己有多不确定，以及遇到和训练时不一样的情况就不稳。这两条，正好是应付不确定世界最要紧的两条。
BRAIN / 03
三、人脑强在哪，缺在哪
—强在第二、三样。人会亲身承担后果，摔一次就记住；能自己去试、去问、去看现场，拿到书上没有的新信息；能决定"这件事输不起，先留退路"。—缺在第一样。一个人能想到的方案有限，读过的书有限，还容易被自己的框架困住，只看得见支持自己的证据。
所以两者确实互补：一个广而不疼，一个窄而知痛。
BRAIN / 04
四、要补的前提：放大不是自动的
这是小明哥那句话最需要补的地方。
2024 年斯坦福等团队做过一个随机试验：50 名医生看同一批疑难病例，一半可以用大模型，一半只能用常规资料。结果，用了大模型的那组，诊断成绩并没有显著提高（76% 对 74%，差别不显著）；反倒是大模型自己单独作答，比两组医生都高约 16 个百分点。
也就是说，在那个场景里，"人加模型"不但没放大，反而拖了模型的后腿。原因不难猜：医生把模型当成多一个参考，多半还是按自己原来的路子走；该听模型的时候没听，该核它的时候也没有一套核的办法。
放大要靠分工，不是靠"一起用"。第 84 篇讲过这个分工：
—人出题、定标准、承担代价。要解决什么、什么算好、错了谁买单，这几件事不能交出去。—模型铺开候选、找反例、补盲区。让它把你没想到的方案和反对意见摆出来。—人拿现实去核，控制下行。核不了的按"候选"对待；输不起的地方先留退路，不因为模型说得很有把握就加码。
要是把第一条和第三条也交出去，那就不是放大，而是换了一个不付代价的决策者。
BRAIN / 05
五、什么情况下这个判断要改
—出现新一代 AI：能在真实世界里边做边学、自己承担后果、知道自己有多不确定。到那时，"大模型自己做不到"就不成立了。—越来越多随机试验显示：在不确定的任务上，模型单独做持续好过人加模型。上面那项诊断试验已经是一个苗头，但它考的是有标准答案的病例，还不是真正"答案未知"的不确定。要盯的是后一类任务上的证据。—反过来，如果有一批试验显示，按"人出题、模型铺开、人来核"这套分工，人加模型稳定地好过两边单独做，这个判断就更硬了。
BRAIN / 06
六、和大脑对照
—大脑本身就是"多下注、让现实筛"的产物。几十亿年的进化把这套办法刻进了身体：疼会让你记住，意外会让多巴胺报警（第 55 篇），睡觉时把白天挑中的写进长期记忆（第 33 篇）。大模型的训练也有"筛"，但筛完就停了，上线以后不再被现实筛。—大脑的弱点也来自同一处。为了省力，它会走老路、只看支持自己的证据。这正是大模型能补上的地方：它没有面子要保，可以替你把反对意见摆出来。
BRAIN / 07
七、对我们有什么用
—用 AI 时，先分清哪几件事不能交出去：出什么题、什么算好、错了谁买单、输不起的地方留没留退路。—让 AI 做它最擅长的"多下注"：让它多给几个方案、多找几个反例，而不是只要一个答案。—给自己留一个核的动作：AI 说得越有把握，越要找一个现实中的检验点去核一下。
BRAIN / 08
八、边界
—文中的诊断试验只有 50 名医生、用的是当时的模型，结论不能直接推到所有领域。—"大模型缺的是被现实筛"说的是今天主流的、训完就冻住的大模型；带长期记忆、能自己行动的智能体正在改变这一点，但还没有补齐。—本篇是对一个判断的审查，不是最终结论；第五节列的情况出现时，按新证据改。
BRAIN / 09
九、自测：合上文章回答
—什么情况出现时，"大模型自己做不到"这个判断要改？
BRAIN / 10
十、三行，留着复习
```
怎么应付不确定 多下注、让现实筛、扛得住错；大模型强在多下注，缺被现实筛（不付代价、不知自己多不确定）
放大不是自动的 2024 年试验：医生用模型没显著变好，模型单独反而更高；人加模型可能比两边都差
放大的条件 人出题、定标准、担代价、拿现实核、留退路；模型铺候选、找反例；判断交出去就成了放大错误
```