外观
第二章 AI 真的是在思考吗？
屏幕上的"思考过程"
这两年，许多 AI 产品开始展示所谓的"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。
比如，有人用 AI 分析一个技术方案的可行性。AI “思考”了一会儿，给出一份逻辑严密的论证：几个优势、几个风险和一条实施路径。他几乎被说服了，又追问了一句：
"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”了一会儿，给出一份同样严密的论证。不过这一次，优势变成了隐患，实施路径也变成了实施陷阱。
他盯着屏幕愣了一会儿，问道：
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。
那四十秒里，AI 到底做了什么？
反常点
先把 AI "思考"时反复出现的几件事放在一起看。
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。
"往哪个方向想"并不是 AI 自己决定的，提问方式就能改变它。
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"。对人来说，很难用"请把思考加深三层"这样的指令，得到同样明确的变化。
会走岔，而且不自知
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。
同一个问题会得到不同答案
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。
研究者据此发展出一种方法：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）。如果每次回答都是"深思熟虑"的结果，同一个 AI 为什么会在相同问题上给出不同结论？
路径是怎样生成的
这些现象放在一起，"思考"这个词开始显得不合身。
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。
回到第一章的结论：你的输入设定了初始条件。接下来要看的，是初始条件之后发生的过程。
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：模型依据当前概率分布选择候选，采样设置还会改变选择的随机性。概率既不神秘，也不是全部——它影响脚步落在哪，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）。
用这个机制回看这些现象：
- 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。
这里需要描述的是一个结构：起点、空间、路径和行走规则。
常见看法各自漏了什么
关于"AI 在想什么"，常见解释有三种。它们各自抓住了一部分事实，却无法覆盖全部现象。
拟人视角："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"，把设计的主动权交了出去；你会把它的结论当作深思熟虑的产物，误以为它已经过了充分的检验。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。
概率视角："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。
推理模型视角："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。
为什么"搜索"更准确
AI 在一次回答中所做的事情，用"搜索"来描述，比用"思考"更准确。两个词关注的内容不同。
"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。
因此，本书给出第二个核心主张：
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。
"思考"让你成为观众，"搜索"让你成为设计者。这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，在这个描述下就有了明确解释：两次回答从同一片空间的不同入口出发，各自形成一条局部合理的路径。
搜索轨迹模型
把前两章的讨论合在一起，可以建立一个更完整的模型。
一次 AI 回答的生成过程：
这个模型可以从四个关键部件理解。
认知空间在单次回答、模型和工具均不变的条件下可以近似看作稳定。外部 Context、工具结果和多轮反馈仍可能改变本次搜索实际可用的状态。
初始状态是变量。它由你的输入设定，决定搜索从哪个位置、朝哪个方向开始。
搜索轨迹是单次回答实际走出的路径，而可能的路径有无数条。换一种问法，就可能走出另一条路。
行走规则是概率。它让每一步保持连贯，也让路径带有不确定性，这正是前面现象以及自洽性方法的共同背景。
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"，不可观察、不可调整；搜索关注的是"在空间里走出了怎样一条路"，可以拆解、可以设计。
从黑盒到轨迹
先看"思考"这一图景：
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。
让技巧对应到路径
如果"搜索"这个描述成立，它应当能重新解释已有的 Prompt 技巧，而且比"思考"更具体。
| 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 |
两列解释的差别在于，左边依赖无法验证的心理隐喻，如"认真""全面""换个角度"；右边则对应模型中的结构变量：深度、广度、入口、轨迹数量和初始状态。
"搜索"比"思考"更准确，指的就是这一点：它把有效技巧还原成结构操作。理解结构后，面对新场景，可以自行判断是增加轨迹、切换入口，还是加深搜索。
把路径用于排障
下面用排查偶发线上故障的 AI Coding 场景，说明两种用法的差别。
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。
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。
几轮对话下来，AI 给出了多个“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。
问题在于，小周一直等待 AI "想出"答案。每次提问，AI 都从显眼的入口出发，沿着概率较高的路径走到一个局部结论。
把 AI 当作搜索系统来设计。
小周换了一种方式。他不再问"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。"
第一次搜索牺牲深度换取广度，先铺开可疑区域，暂不锁定"最可能"的路径。第二次搜索为每个候选设计可执行的验证，把可能性变成可以排除的假设。第三次搜索加入新信息，调整初始条件，重新评估各类原因。
结果是，第三次搜索后，"定时任务在整点集中触发、拖垮共享资源"排到了首位。这个方向在前两次对话中从未被 AI 主动提起，小周按验证方法排查，当天定位到问题。
同一个模型、同一片认知空间，答案所在的区域一直存在。差别在于，一种用法等待 AI 走过去，另一种用法主动设计搜索路径。
搜索的边界
这个观点容易引来四种误读。
"说 AI 是搜索，是在贬低它的智能"
搜索是一种结构描述，与能力高低无关。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。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，但不是搜索的全部——这一点在本书的理论边界中是一条基本原则。
"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“思考过程”的疑问出发，观察到方向和深度可以被外部影响，路径会分叉，结果也会因概率而变化。与其争论 AI 是否真的在思考，不如先描述这些现象共同呈现的过程结构。
本章把第一章的"初始条件"推进成一个过程模型：在条件固定时，认知空间可以作为稳定背景；概率分布影响行走规则；每一次回答都可以被抽象为一条外部可观察的搜索轨迹。
本章界定的是搜索系统本身：第一章看到搜索的初始条件，本章进一步说明搜索如何在认知空间中形成路径。下一章开始，我们拆开系统的具体构造：认知空间、搜索状态、搜索轨迹，以及贯穿全书的搜索配置。
章节信息
- 所属篇目：第一篇 · 重新认识 AI
- 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