上一问的结尾，我们卡在了一个新的位置：面对一个总是答对的系统，我们只能检查答案，打不开过程。而在所有“答对”里，有一种最有分量，那就是预测。一个理论、一个人、一台机器，如果能够可靠地说出接下来会发生什么，我们通常就认为它抓住了某种真实的东西。预测得准，几乎是理解的最高证明。

能预测，就等于理解了吗？

这个问题在过去只困扰科学哲学家。现在它困扰所有人，因为我们身边出现了史上最强的预测者，而它说不出为什么。

一我们习惯把预测当作理解的证明

一个学生说他理解了牛顿定律，我们怎么检验？出一道题，让他算一个球落地要几秒。算对了，我们说他懂了。一个医生说他理解这种病，我们看他能否说出病情会怎样发展。一个经济学家说他理解市场，我们看他的预测准不准。在几乎所有领域，预测都是理解的考试。考不过，说明没理解；考过了，我们通常就不再追问。

这个习惯有它的道理。理解某个东西，应该意味着知道它会怎样表现；如果你的“理解”对它的行为一无所知，那个理解就很可疑。但反过来是否成立，知道它会怎样表现，就一定意味着理解了它？

二托勒密的轮子

历史给出的第一个提醒来自天上。托勒密把地球放在宇宙中心，用轮子套轮子的办法描述行星的运动：行星在一个小圆上转，小圆的圆心又在一个大圆上转。这个体系预测得非常好，日食、行星的位置，一千多年里没有比它更好用的表。它同时在“宇宙是什么样”这件事上完全错了。

哥白尼刚提出日心说的时候，预测精度并不比托勒密高，有些地方还更差。如果预测是理解的唯一标准，当时的人应该留在托勒密那里。他们最终没有留下，是因为他们想要的不只是算对位置，还想要知道天上真正的结构。预测的成功，没有自动担保理解。

三牛顿：我不做假设

但科学自己也走过另一条路。牛顿的万有引力能精确预测行星、潮汐和落体，却对引力是什么、它怎么隔着虚空起作用不置一词。有人质疑，他回答：我不做假设。能算出引力怎样作用，不必说它为什么存在。

这句话把预测与解释明确分了层。数学描述给出现象的规律，规律背后的原因暂时留白。此后物理学里最成功的理论，常常正是这种算得准、说不清的理论，量子力学是最著名的例子：计算从未出错，解释至今吵不清。牛顿开创的传统等于承认了一种知识，它带着预测，却不带最终的理解。那么这种知识里，“理解”到底缺了什么，还是说它其实什么都不缺？

四拉普拉斯的妖：如果一切都能预测

拉普拉斯把预测推到了极限。设想一个智慧体，知道此刻宇宙里每一个粒子的位置和受力，它就能算出未来的一切，也能倒推过去的一切。对它来说，没有任何事情是意外的。

这个智慧体理解世界吗？拉普拉斯没有说。这个空白很有意思。它知道每一块骨牌什么时候倒，却未必知道“骨牌”是什么，未必知道这一排骨牌是有人摆的，未必知道为什么有人要摆。完美的预测，和对世界的理解，看起来仍然是两件事。可如果预测已经完美，理解还能给我们什么？

五解释与预测是同一件事的两面？

二十世纪中叶，亨普尔试图把这两件事统一起来。他说，解释一个现象，就是从普遍规律加上初始条件，把它推导出来；事情发生之前推导，叫预测，发生之后推导，叫解释。两者在逻辑上完全对称。这是“能预测就等于理解”的最强哲学版本。

反例很快出现。从旗杆影子的长度和太阳的角度，可以推出旗杆的高度，推导无懈可击；但没有人会说影子解释了旗杆有多高。对称性破了。预测可以从任何方向走，解释只能从原因走向结果。这一区分，后来在因果那一问里已经见过，这里它以另一种方式回来：预测是关系，理解是方向。

六鸡叫了，天亮了

这条区分在生活里随处可见。鸡叫和天亮高度相关，靠鸡叫预测天亮，几乎从不出错。但天不是鸡叫出来的。冰淇淋销量和溺水人数同涨同落，靠一个预测另一个也很准，但它们中间隔着一个夏天。

珀尔把这件事说得最清楚。认知能力有三级：看见，也就是从观察中预测；干预，知道改变一个变量会怎样；反事实，知道如果当初不这样会怎样。只从数据里学的系统，无论多强，都停在第一级。它能告诉你雨伞销量与下雨相关，不能告诉你禁止卖伞会不会停雨。理解，至少要爬到第二级。

七能预测未必能解释，能解释未必能预测

反过来的情况同样存在。天气预报能相当准地告诉你明天会不会下雨，但气象学对某一朵云为什么在那一刻下雨，解释得并不完整。地质学对地震为什么发生解释得相当好，板块、应力、断层，却几乎无法预测下一次地震在哪一天。

如果预测等于理解，我们就得说气象学比地质学更理解它的对象，而地质学几乎不理解地震。这显然不对。理解与预测之间的关系，比考试和分数复杂得多：有些系统可以被理解却不可预测，混沌就是这样；有些系统可以被预测却不被理解，大多数统计模型就是这样。

八弗里德曼与安德森：那就不要理解了

有人干脆放弃了理解。弗里德曼在一九五三年替经济学辩护说，不要问理论的假设是否符合现实，只问它预测得好不好；台球高手并不在解微分方程，但“好像在解方程”的模型能很好地预测他的击球。半个世纪后，安德森在大数据浪潮之初写道，数据足够多，相关性就够了，谷歌不需要知道为什么这个广告有效，理论可以退场。

这两个说法都招来了大量批评，但它们诚实地描述了一种正在发生的实践：在越来越多的领域，人们已经用预测替代了理解，而且没有觉得缺了什么。问题从哲学推进到了工程：当预测足够好，理解是不是变成了一种奢侈？

九史上最强的预测者

AI 让这个问题从边缘走到了中心。一个大型模型做的事，用最朴素的话说，就是预测：给定前面的文字，预测下一个词。它没有被教过语法，没有被教过物理，没有被教过任何一门学科的“为什么”。它只是在海量文本上把预测做到了极致。结果是，它能写文章、答题、编程、翻译，很多时候比人做得好。

它理解语言吗？它理解它谈论的东西吗？我们不知道，而且我们没有办法知道，因为我们能检查的只有预测的结果，打不开产生结果的过程。这是上一问的困境在这里的具体形态：它的曲线全对上了，箱子里是什么，我们看不见。

十它算出了蛋白质怎么折，它理解蛋白质吗

更尖锐的例子在科学里。蛋白质怎样折叠，是分子生物学几十年的难题。二〇二〇年，一个 AI 系统把这个问题的预测精度推到了接近实验的水平。它没有提出任何新的物理原理，它只是从已知的结构里学会了预测未知的结构。

科学家们得到了几亿个蛋白质的结构，却没有得到关于折叠的理论。这是一种奇特的处境：知识大大增加了，理解没有相应增加。按牛顿的传统，这没什么问题，我不做假设。按亚里士多德的标准，我们对折叠的“知道”并没有前进一步，因为我们仍然不知道为什么。两种传统，在同一个成果面前，给出相反的评价。

十一当预测好到不再需要理解

真正需要担心的，也许不是 AI 不理解，而是我们不再需要理解。当一个系统的预测足够可靠，追问为什么就变成了一种成本。医生按模型的建议开药，工程师按模型的输出设计，研究者按模型的结果写论文。每一次都有效，每一次都省下了理解的功夫。

托勒密的体系用了一千多年，不是因为没有人怀疑它，而是因为它够用。当预测够用，理解就没有市场。而理解的价值，恰恰在预测失效的那一刻才显现：模型遇到了它没见过的情况，我们需要知道它为什么错，需要知道世界哪里变了。那时候，如果我们已经很久没有翻那本书，我们会发现自己什么都说不出来。

十二所以，能预测，就等于理解了吗？

不等于。但也不能简单地分开。预测是理解的必要证据：说自己理解却预测不了，多半是错觉。预测又不是理解的充分证明：托勒密的轮子、鸡叫和天亮、拟合得完美的曲线，都在提醒这一点。理解多出来的那部分，是方向，是原因，是在事情变了的时候知道该改哪里。

AI 把这个古老的区分变成了每天的选择。我们可以拥有一个预测得比我们准、却说不出为什么的系统，并且越来越依赖它。问题不再是“它理解了吗”，而是“我们还要不要理解”。而这又引出了一个更大的问题。如果科学本身也越来越依赖这种不带理解的预测，那么科学是在越来越接近真理，还是只是越来越擅长预测？