8.6
深览指数
人文36 氪·复旦《管理视野》··AI 生成
亚当·斯密造了一个“大模型”
本文以亚当·斯密在《道德情操论》中提出的同情共感（sympathy）机制为核心，将其类比为人类的“大道德模型”（LMM），并系统阐述其与大语言模型（LLM）在架构、训练方式、故障模式及对“不完美”的容忍上的惊人同构。作者指出，斯密的模拟引擎比硅谷更早定义了从经验中学习的通用架构，而理解它在管理中的失灵（如自我欺骗、集体狂热、KPI异化），对当下企业有重要借鉴意义。文章适合对哲学、AI交叉领域及管理底层逻辑感兴趣的深度读者。
核心观点
- ▍亚当·斯密在《道德情操论》中构建了一个解释人类社会运作的“大道德模型”（LMM），其核心是同情共感（sympathy）这一模拟引擎，与今天的大语言模型（LLM）在放弃规则、从经验中学习的思路上惊人一致。
- ▍企业管理的许多痛点，如新员工判断力发育、出海泛化困难、董事会独立性、KPI异化，都是斯密所描述的共情系统（公正旁观者）的发育、失灵或错位问题。
- 01斯密认为人无法直接进入他人内心，只能通过设想自己在相同处境下的感受来模拟，这个过程是先验的，但校准是后天的，需要“千万次具体的经验”才能形成抽象的道德法则。
- 02AI发展史上，符号主义（写规则）因世界太复杂而失败，联结主义（神经网络，如AlexNet）通过大量数据自主学习而成功，这与斯密反对理性推导出道德、主张从经验中学习的路线同构。
- 03斯密的“公正的旁观者”（心中法官）并非天生或外部赋予，而是从所有社会经验中提炼出的判断标准，其发育过程与大语言模型先预训练、再通过人类反馈微调的过程相似。
- 04文章列举了斯密描述的人类道德故障与AI对齐问题及企业管理痛的对应关系：自我欺骗（AI倾向迎合用户/下属报喜不报忧）、无知的自信（AI幻觉/会议室里未经验证的流畅发言）、集体狂热（数据同质化AI输出/商业泡沫）、对“看得见”的崇拜（奖励劫持/KPI异化）。
- 05斯密认为共情永远不完美，模拟与真实间存在差距，这提供了一种必要距离，使人既能理解又能保持行动力，他用音乐的比喻说，即使不是“齐奏”，也必须是“和弦”。
- 06斯密观察到，人赞赏一个精巧机制常源于它本身的美感而非纯功利计算，这种“惊异”是社会创新的原始燃料，乔布斯的成功和人对大语言模型的初始震撼皆源于此。
反方 / 局限
- — 文章暗示，大语言模型缺乏斯密所说的“心中法官”的真正独立性，其判断功能可能只是将人类评分员的偏好做了平均，无法像人一样形成独立的“追求配得上被赞美”的判断。
- — 文章承认，大语言模型和人类管理者都面临“被锁在叙述里”的困境：模型只能基于用户单方面叙述补全情境，无法核实事实；管理者也常陷于下属、跨部门同事三套不同但都不算谎言的叙述中。
亚当·斯密《道德情操论》Sympathy（同情共感）公正的旁观者符号主义联结主义大语言模型（LLM）大道德模型（LMM）KPI异化
21 分钟 · 5 卡片 · 12 资料
读原文 →