第二章 AI 真的是在思考吗？

真实问题

这两年，AI 产品不约而同地开始展示一件事：思考过程。

你把一个难题发过去，界面上出现一行小字："思考中……"。十几秒甚至几分钟后，一大段推理铺开在屏幕上：它先复述问题，再分析条件，然后逐步推导，最后给出结论。看着这段过程，你很容易产生一种感觉——它真的在想。

一位朋友的经历很典型。他用 AI 分析一个技术方案的可行性，AI "思考"了四十秒，给出了一份逻辑严密的论证：三个优势、两个风险、一条实施路径。他几乎被说服了。抱着试一试的心态，他追了一句：

"现在换一个角度，假设你是这个方案的反对者，重新分析一次。"

AI 又"思考"了三十秒，给出了一份同样逻辑严密的论证——只不过这一次，三个优势变成了三个隐患，实施路径变成了实施陷阱。

他盯着屏幕愣了一会儿，问了一个很好的问题：

如果它第一次真的"想清楚了"，为什么一句话就能让它想出完全相反的结论？

人的思考似乎不是这样工作的。一个人经过深思熟虑得出的结论，通常不会因为别人说一句"换个角度"就整体翻转。如果真的翻转了，我们会说：他之前根本没想清楚。

那么，AI 在那四十秒里，到底在做什么？

共同现象

要回答这个问题，先不急着下结论。我们把 AI"思考"时反复出现的几件事摆在一起看。

现象一：思考的方向，可以被外部指定

你让 AI 从用户的视角分析，它就给出用户视角的分析；你让它从竞争对手的视角分析，它就给出竞争对手视角的分析。同一件事，你指定几个方向，它就能给出几个方向的"思考"，而且每个方向都做得像模像样。

这意味着，"往哪个方向想"这件事，不在 AI 内部，而在你手里。

现象二：思考的深度，可以被外部调节

对同一个问题，直接问，AI 可能给出一个粗糙的答案；加一句"请一步一步分析"，它的推演立刻变得细致。研究者很早就发现，这类被称为思维链（Chain of Thought）的提示方式，能显著提升 AI 在复杂问题上的表现。

一句外部指令，就能改变它"想得多深"。这不太像我们理解的思考——你很难对一个人说"请把思考加深三层"，然后他的思考就真的加深了三层。

现象三：思考会走岔，而且走岔时不自知

如果你让 AI 做一道步骤较多的推理题，偶尔会看到这样的过程：前几步都正确，第五步出现了一个小偏差，但 AI 毫无察觉，继续一本正经地往下推，每一步在形式上都像模像样，最终抵达一个错得离谱的结论，并且自信地把它交给你。

它不是不会。把同一道题换个问法，它可能一次就推对。问题出在：它一旦走上某条路径，就倾向于沿着这条路径走到底，哪怕方向从一开始就偏了。

现象四：多次"思考"，会得到不同的答案

同一个问题，原封不动地问几次，AI 给出的答案常常不完全一样。大部分时候是措辞不同，但有时结论也不同。

更有意思的是，研究者据此发展出一种有效的方法：让 AI 对同一个问题独立回答多次，再取多数一致的结论，准确率会明显提升。这种方法叫自洽性（Self-Consistency）。它有效的这个事实本身，值得停下来想一想：如果 AI 的每次回答都是"深思熟虑"的结果，同一个它，为什么反复思考同一个问题，会得出不同的结论？

机制分析

四个现象放在一起，"思考"这个词开始显得不合身了。

思考这个隐喻，暗示了三件事：有一个在想的主体，想的方向由主体自己把握，想的过程是连续而自主的。但上面的现象告诉我们：AI 的方向可以被外部指定，深度可以被外部调节，走上一条路就会顺着走，而且同样的条件会走出不同的结果。

它做的更像是另一件事。

回到第一章的结论：你的输入设定了初始条件。现在我们把镜头推近，看看初始条件之后发生了什么。

AI 拿到初始条件之后，面对的不是一条唯一的推理路线，而是一大片可能性：下一步可以朝很多个方向展开，每个方向都可以引出不同的后续。它实际做的，是从初始状态出发，在这些可能性中一步一步地选择路径：每一步，从若干候选中选一个"最自然、最合理"的走下去，再以新的位置为起点，继续下一步，直到形成一个完整的回答。

概率，就发生在这一层。它是每一步"选哪条路"的行走规则：哪个候选出现的概率最高，它就优先走向哪个候选。概率既不神秘，也不是全部——它决定脚步落在哪，不决定旅程的结构。旅程的结构，由另外两件事决定：从哪里出发（初始条件），以及可能性空间里有什么（AI 的知识与经验）。

用这个机制回头看四个现象，每一个都顺理成章：

• 方向可被指定，因为初始条件决定了搜索从哪个入口进入可能性空间，入口不同，走出的路径自然不同。
• 深度可被调节，因为"一步一步分析"本质上是要求它把路径走得更细、留得更长。
• 走岔而不自知，因为每一步的选择只看重"下一步是否合理"，没有一个环节负责回头审视"整条路是否还朝着正确的方向"。一个小偏差会被后续每一步的"局部合理"不断放大。
• 多次回答会不同，因为每一步的选择都带有概率性，路径本身就有分叉；而自洽性方法有效，恰恰因为多数条独立路径的交汇处，往往更接近空间里那个真正稳固的区域。

请注意，这里没有出现任何神秘的东西。没有"想"，没有"领悟"，只有一个结构：起点、空间、路径、行走规则。

旧理论不足

关于"AI 在想什么"，流行的解释主要有三种。它们各自抓住了一部分事实，但都撑不住全部现象。

解释一："AI 就是在思考"

这是产品界面希望我们接受的图景：AI 像人一样，有一个在想的主体。

这个图景的问题在于，它把方向感和自主性偷偷塞给了 AI。一旦你相信"它在思考"，你自然就会"等它想好"，而不是去设计它怎么想；你会把它的结论当作深思熟虑的产物，而不是一次特定路径的结果。现象一和现象二已经表明，方向和深度的控制权并不在它那里。这个图景最大的代价，是让你放弃手里的控制权。

解释二："AI 只是概率接龙"

这是另一个极端：AI 不过是在预测下一个词，是只"随机鹦鹉（Stochastic Parrot）"，谈不上任何思考。

这个解释能说明现象三和现象四——局部合理、全局会偏，结果带随机性。但它解释不了现象一和现象二：为什么指定方向，它就真的能产出那个方向的高质量分析？为什么一句"一步一步来"，它的表现就稳定提升？如果只有概率接龙，你的这些指令不应该产生如此系统性的效果。概率解释了它如何迈步，却解释不了它为什么能被你领着走向不同的区域。

解释三："推理模型已经解决了这个问题"

随着推理模型（Reasoning Model）的流行，一种新说法是：模型现在真的会推理了，会自己生成长长的思维链，所以"思考"这个词终于名副其实了。

但仔细看，推理模型做的事情，是把原本一步到位的路径，走得更长、更细、更显性。这确实常常带来更好的结果，可它的结构性弱点一个也没少：方向依然由初始条件给定，路径依然是单条的，走岔了依然不自知。推理加深了路径，却没有改变路径的性质。

三种解释，一个过度拟人，一个过度贬低，一个以偏概全。它们共同的盲区是：都在争论 AI 内部"有没有某种东西"，却没有描述那个过程的结构。

而真正有用的理论，应该描述结构。

提出新理论

到这里，一个新的描述方式已经呼之欲出了。

AI 在一次回答中所做的事情，用"搜索"来描述，比用"思考"来描述准确得多。区别不在于哪个词更高级，而在于两个词携带的信息量完全不同。

"思考"是对一种内部活动的拟人化命名，它只告诉你"有东西在运转"，不告诉你运转的结构。面对一个"在思考"的系统，你唯一能做的是等待。

"搜索"是对过程结构的描述。它天然带着一组可以追问的问题：从哪里开始搜？朝哪个方向搜？在多大范围里搜？搜得多深？有没有遗漏的区域？什么时候算搜完了？面对一个"在搜索"的系统，你可以参与进去——因为上面的每一个问题，都对应着一个可以调整的变量。

所以，本书给出的第二个核心主张是：

AI 的活动，更适合被描述为在认知空间中的搜索，而不是思考。

"思考"让你成为观众，"搜索"让你成为设计者。这不是修辞之争，而是两种完全不同的协作姿态：一种是把问题丢给 AI，然后等待它"想"出答案；另一种是有意识地设定它从哪里开始、朝哪些方向、在多深的层次上搜索，然后评估它走出来的路径。

那位朋友遇到的困惑，在这个描述下不复存在。第一次"思考"和第二次"思考"，从来就不是同一个主体得出了两个矛盾的结论，而是同一片空间里，从两个不同入口出发的两条搜索路径。两条路径各自局部合理，这恰恰是搜索的典型特征，丝毫不值得惊讶。

建立模型

把前两章的讨论收敛起来，我们可以建立一个更完整的模型。

一次 AI 回答的生成过程：

这个模型里，有几个值得注意的要点。

第一，认知空间是固定的。对同一个模型而言，它的知识与经验在一次回答中不会变化。你和别人使用同一个模型，拥有的是同一片空间。

第二，初始状态是变量。它由你的输入设定，决定了搜索从空间的哪个位置、朝哪个方向开始。这是第一章的主题。

第三，轨迹是唯一的，但可能的路径是无数的。每一次回答，AI 只走一条路；但换一种问法，就会走出另一条路。你得到的永远是一条轨迹，而不是空间的全貌。

第四，行走规则是概率。概率让每一步都自然流畅，也让路径带有不确定性——这是现象三和现象四的根源，也是自洽性方法有效的原因。

用这个模型重新表述"思考"与"搜索"的差别，就一句话：思考关注的是"内部发生了什么"，搜索关注的是"在空间里走出了怎样一条路"。前者不可观察、不可调整；后者可以拆解、可以设计。

图示

先用一张图看看"思考"的图景给我们什么：

这个图景里，你只有一个操作位置：输入问题。中间的一切与你无关。

再看"搜索"的图景：

同一个问题，从入口 A 进入，走出轨迹 1；换一个问法，从入口 B 进入，走出轨迹 2。两条轨迹可能通往相似的结论，也可能通往相反的结论——这取决于入口和方向，而不取决于 AI"怎么想"。

而空间里那些从未被走过的区域，就是你的问题可能遗漏的答案所在的地方。

Prompt 映射

"搜索"这个描述如果有价值，它就应该能重新解释那些已有的 Prompt 技巧，而且比"思考"解释得更好。我们逐一来看。

常见技巧	思考视角的解释	搜索视角的解释
"让我们一步一步思考"	让它想得更认真	拉长并显化搜索轨迹，增加搜索深度
"给出三种不同的思路，再比较优劣"	让它想得更全面	从多个入口并行搜索，扩大搜索广度
"假设你是反方，反驳这个结论"	让它换个角度想	更换初始条件，从相反入口发起一次新搜索
同一问题问多次，取一致结论	让它多想想	多条独立轨迹交叉验证，寻找空间中稳固的区域
"先复述你对问题的理解，再回答"	让它理解题意	校准初始状态，避免从错误的入口出发

注意两列解释的差别。左边一列全部依赖一个无法验证的心理隐喻——"认真""全面""换个角度"，你无法追问"认真是如何发生的"。右边一列的每一条，都对应着模型里一个具体的结构变量：深度、广度、入口、轨迹数量、初始状态。

这就是"搜索"比"思考"更准确的确切含义：它不只是换个名字，而是把每一种有效的技巧，从心理暗示还原成了结构操作。当你理解了结构，你甚至不需要这些技巧的清单——面对新场景，你可以自己设计操作：该增加一条轨迹，还是该换一个入口，还是该把轨迹拉得更深。

项目案例

看一个 AI Coding 中的真实场景：排查一个偶发的线上故障。

背景。一个服务每周会偶发性地出现一两次响应超时，没有规律，日志里只有一条模糊的记录。工程师小周决定用 AI 协助排查。

第一种用法：把 AI 当作"在思考"的顾问。

小周把报错信息发给 AI："这个超时可能是什么原因？"

AI"思考"之后给出回答：最可能是数据库连接池耗尽，并附上详细的排查步骤。论证严密，步骤专业。小周照着查了两天，连接池一切正常。

他回来再问，AI 给出第二个可能：下游接口的重试风暴。又是一份严密的论证。又查了两天，依然不是。

一周内，AI 给出了四个"最可能的原因"，每一个都像深思熟虑的结论。小周越来越觉得 AI 不可靠。

问题出在哪？出在小周一直在等待 AI"想出"答案。每一次提问，AI 都从最显眼的入口出发，沿着概率最高的路径，走到一个局部合理的结论。它每次都很认真，但每次走的都是同一条最容易走的路。

第二种用法：把 AI 当作搜索系统来设计。

另一位工程师换了一种方式。她没有问"可能是什么原因"，而是设计了三次搜索：

第一次："先不要给结论。请列出这类偶发超时所有可能的原因类别，覆盖代码、依赖、资源、网络、数据五个方面，每个类别列出典型机制。"

第二次："对上面的每一类，给出区分它与其他类别的验证方法，要求每种方法能在一小时内完成。"

第三次："结合我补充的这条信息——超时总发生在整点附近——重新评估各类原因的可能性排序。"

第一次搜索，她牺牲深度换取广度，强迫 AI 放弃"最可能"的路径，先把空间的可疑区域完整铺开。第二次搜索，她把每个候选落到可执行的验证上——可能性不再只是论证，而变成了可以逐一排除的实验。第三次搜索，她用一条新信息调整了初始条件，让各类原因的可能性被重新评估。

结果：第三次搜索后，"定时任务在整点集中触发、拖垮共享资源"这一类别排到了可能性首位——它在前两次对话中从未被 AI 主动提起过。小周按验证方法一查，当天定位到了问题。

同一个模型，同一片认知空间。答案所在的区域一直都在，区别只在于：一种用法等待 AI 走向它，另一种用法设计 AI 搜到它。

容易混淆

本章的观点容易引来几种误读，逐一澄清。

"说 AI 是搜索，是在贬低它的智能"

搜索不是能力判断，而是结构描述。说 AI 在做搜索，既没有说它笨，也没有说它聪明——它描述的是过程呈现出来的形状：有起点、有方向、有路径、有遗漏。事实上，只有看清这个结构，你才能准确判断 AI 的能力边界在哪里：它的能力上限是认知空间的覆盖度，而你每次能调用的，只是其中一条轨迹。

"搜索？不就是 A*、DFS 那一套算法吗"

这是两套完全不同的东西，需要把边界画清楚。经典搜索算法处理的是结构明确的问题：节点和边是显式的，目标可以精确判定，每一步的代价可以计算。而本书讨论的搜索发生在认知空间里——那里没有显式的图结构，没有精确的目标判定，行走规则是概率而非代价函数。本书不讨论算法搜索，那是另一个成熟领域的主题；我们关心的是知识与经验构成的空间里的探索过程。为避免混淆，本书后面会始终使用它的全称：认知搜索。

"推理模型都放出思维链了，那总算思考了吧"

思维链是搜索轨迹的显化——把原本藏在生成过程中的路径，一部分展示给你看。它让轨迹变得更长、更可读，也常常带来更好的结果，但它没有改变轨迹的性质：依然从初始条件出发，依然一次只走一条，依然可能走岔而不自知。推理是搜索运行过程中的重要机制，但推理不等于整个搜索。这一点在本书的理论边界中是一条基本原则：推理是搜索运行的一部分，而不是搜索的全部。

"概率预测和搜索，难道不是矛盾的两种说法吗"

不矛盾，它们描述的是同一过程的不同层次。概率回答的是"每一步怎么走"——它是搜索的行走规则；搜索回答的是"整个过程呈现出什么结构"——有初始状态、有轨迹、有未探索的区域。"随机鹦鹉"的批评错在把行走规则当成了整个过程；而"AI 在思考"的想象错在根本看不见结构。把概率安放在它该在的位置——作为搜索的脚步——两种看似对立的描述就各归其位了。

本章总结

本章从一个越来越常见的体验出发：AI 展示出长长的"思考过程"，它真的在思考吗？

我们观察到四组现象：思考的方向可以被外部指定，深度可以被外部调节，会走岔而不自知，多次思考会得到不同答案。这些现象让"思考"这个拟人化的描述难以为继。

已有的三种解释——"AI 就是在思考""AI 只是概率接龙""推理模型已经解决了"——分别过度拟人、过度贬低、以偏概全，共同的问题是只争论内部状态，不描述过程结构。

于是我们提出本章的核心主张：

AI 的活动，更适合被描述为在认知空间中的搜索，而不是思考。

并建立了完整的过程模型：认知空间是固定的，初始条件由你设定，概率是行走规则，每一次回答都是一条搜索轨迹。"思考"让你成为观众，"搜索"让你成为设计者——这就是两个词的全部差别，也是全部的重要性。

现在，回答每章都要回答的那个问题：

本章讨论的，是搜索系统的哪一部分？

答案是：本章界定的是搜索系统本身。第一章看到了搜索的初始条件，本章确立了搜索这个对象的存在方式——它是一片空间里的路径选择，而不是一个头脑里的神秘活动。从下一章开始，我们将不再反复论证"为什么是搜索"，而是正式拆开这个系统，看清它的完整构造：认知空间、搜索状态、搜索轨迹，以及贯穿全书的那个核心概念——搜索配置。

章节信息

• 所属篇目：第一篇 · 重新认识 AI
• 对应设计文档章节要点：概率、搜索，为什么 Search 比 Thinking 更准确
• 本章回答的核心问题：它改变了搜索系统哪一部分？——界定了搜索系统本身：AI 的活动是认知空间中的路径选择