当AI被改名：一场词汇的降级

一、从“人工智能”到“AI”：省略了什么

1956年达特茅斯会议上，约翰·麦卡锡等人提出“Artificial Intelligence”时，这个词组带着明确的野心：用机器模拟人类智能的全部内容——推理、学习、感知、语言。中文译名“人工智能”四个字，保留了“人工”与“智能”的张力，也保留了那个时代的学术抱负。

但日常语言很快开始偷懒。英文里“AI”两个字母的缩写早在七八十年代就流行于技术圈，中文则长期坚持“人工智能”的全称，直到2010年代深度学习热潮兴起，“AI”才在中文语境中全面取代全称。这一替换看似只是语言经济性原则的胜利，实则悄悄抹掉了“人工”二字所携带的建构性提示：智能不是自然生成的，而是被制造、被设计、被嵌入特定目标的。当人们说“AI认为”“AI决定”时，那个“人工”的限定词消失了，机器仿佛成了自带意图的主体。

更值得留意的是，这种省略并非中性。语言学家早就指出，缩写往往伴随着语义的漂移——“AI”比“人工智能”更短、更上口，也更适合出现在标题和广告里。它从学术术语变成了品牌标签，而标签是不需要精确的。

二、“大模型”与“生成式AI”：新词如何遮蔽旧问题

2022年底ChatGPT发布后，中文舆论场迅速流行起两个新词：“大模型”和“生成式AI”。它们各自有技术依据：前者指参数规模巨大的神经网络模型，后者指能够生成文本、图像、音频等内容的人工智能系统。但这两个词的流行，恰好完成了一次问题转移。

“大模型”把注意力引向“大”——参数多、算力强、数据量大。于是讨论很容易变成规模竞赛：多少亿参数、多少张GPU、多少万亿token。但模型规模与能力之间的关系远非线性， scaling law 也有其边界。更重要的是，“大”这个形容词掩盖了模型内部的结构性选择：训练数据来自哪里、标注者是谁、损失函数优化的是什么目标、对齐阶段注入了哪些价值偏好。这些才是决定模型行为的关键，却不在“大”字的视野里。

“生成式AI”则把焦点放在“生成”上——能写诗、能画图、能编代码。生成能力确实直观、可演示、易传播，但它遮蔽了同一套技术底层的判别与预测能力，也遮蔽了生成内容与事实之间的鸿沟。一个模型能生成流畅的段落，不代表它理解段落所指涉的世界。用“生成”来命名整类技术，等于用最炫目的表面功能定义了整个系统，这本身就是一种认知窄化。

三、技术黑箱与词汇的“去责任化”

词汇降级的另一面，是责任主体的模糊化。当媒体说“AI出错了”“算法推荐了不当内容”时，句子的主语是技术本身，而不是设计、训练、部署、运营这套系统的人或组织。这种句法结构并非偶然，它反映并强化了一种“去责任化”的认知习惯。

以自动驾驶为例。早期报道常用“自动驾驶汽车撞人”，后来行业推动改用“辅助驾驶系统介入时发生碰撞”。措辞变化的背后是责任归属的博弈：如果叫“自动”，系统就是行为主体；如果叫“辅助”，驾驶员仍是责任主体。词汇的选择直接影响了事故调查的框架和公众的归因方式。同样，推荐算法导致信息茧房、深度伪造引发诈骗、招聘模型产生性别偏见——这些问题的讨论一旦停留在“AI如何如何”，追责就容易被技术黑箱吸收。

技术黑箱本身是真实存在的：深度神经网络的决策过程难以完全解释，这是当前可解释性研究的核心难题。但黑箱的存在不应该成为语言上回避责任的理由。恰恰因为内部机制不透明，外部才更需要精确的词汇来锚定责任链条——谁选择了训练数据，谁设定了优化目标，谁通过了上线评估，谁在事故后决定不召回。词汇的降级在这里不是简化，而是卸责。

四、商业话术中的“智能”通胀

“智能”这个词在商业传播中已经严重通胀。二十年前，一个带定时功能的电饭煲叫“智能电饭煲”；十年前，能连Wi-Fi的灯泡叫“智能灯泡”；现在，任何接入了API调用的功能都敢叫“AI赋能”。这种通胀遵循一个清晰的逻辑：越是不精确的词汇，越容易附着在营销叙事上。

风险投资领域对此尤为敏感。同一家做机器学习基础设施的公司，在2015年路演时叫“大数据公司”，2018年改叫“AI公司”，2023年又改叫“大模型公司”。技术内核未必有本质变化，但估值逻辑随词汇切换而重置。这不是说所有公司都在包装，而是说词汇的流动性本身创造了一种套利空间：当“AI”意味着更高的估值倍数时，精确描述技术的动力就减弱了。

对公众而言，这种通胀的后果是期望管理失控。当“智能”被用在从门锁到客服的一切事物上，人们要么对真正的技术突破脱敏，要么对每一个“智能”产品抱有不切实际的期待。词汇的降级在这里表现为：一个原本有严格学术含义的词，被稀释成了形容词，最后变成了装饰音。

五、公众理解：被简化的代价

术语简化并非全无好处。对非专业读者来说，“AI”比“人工智能”更容易进入日常对话，“大模型”比“基于Transformer架构的大规模预训练语言模型”更易传播。问题不在于简化本身，而在于简化是否保留了理解所必需的关键信息。

一个典型的例子是“幻觉”（hallucination）。这个隐喻把模型生成虚假信息描述成一种感知错乱，暗示系统“以为”自己说的是真的。但技术上讲，语言模型并没有“以为”的状态，它只是在给定上下文下预测下一个token。用“幻觉”一词，既抬高了模型的拟人化程度，又淡化了训练数据偏差、解码策略选择、缺乏事实核查机制这些可干预的工程问题。公众听到“AI产生幻觉”，容易理解为一种偶发的、类似人类错觉的现象，而不是系统性的输出特性。

再如“对齐”（alignment）。这个词在学术语境中有精确含义：使模型行为与人类意图和价值观一致。但在公共讨论中，“对齐”常被简化为“让AI听话”。听话是一个行为主义隐喻，掩盖了对齐研究中最困难的部分——谁的价值观、如何权衡冲突的价值、在什么粒度上对齐、对齐到什么程度算足够。词汇的降级让一个深具争议的研究议程变成了一个工程开关。

六、保留精确：一种必要的抵抗

词汇的降级不是孤例，它是技术传播中一种反复出现的模式：新领域出现，术语从学术圈溢出，媒体简化，商业收编，最后固化为大众常识。这个过程很难逆转，但并非不可干预。

对写作者和传播者而言，至少可以做到几点：在首次出现时给出全称和定义，不把“AI”当作不需要解释的主语，在讨论责任和风险时明确行为主体。对技术从业者而言，在对外沟通中抵抗过度简化，不用“智能”去修饰一切自动化功能，在营销材料中区分“基于规则的系统”和“基于学习的系统”。对读者而言，遇到“AI决定”“算法认为”这类表述时，多问一句：具体是什么系统、在什么环节、由谁部署、受谁监督。

词汇的精确不是学究气，它是公共讨论的基础设施。当“人工智能”被压缩成“AI”，当“大模型”取代了对训练数据和优化目标的追问，当“生成”掩盖了事实与虚构的边界，我们失去的不只是几个字，而是理解这套技术如何运作、如何影响生活、由谁负责的能力。降级是容易的，抵抗降级需要自觉。而自觉，从把词用对开始。