AlphaGo 的第 37 手，大模型为什么学不会

2016 年 3 月，首尔。第二局的第 37 手落在五路，看起来像送子。解说员一度以为程序出错了。

AlphaGo 赢了那局，最终 4 比 1 战胜李世石。李世石赛后说，看到那一手，他改变了想法——机器是有创造力的。

十年后，当年参与 AlphaGo 的人说：今天的大模型，没有学会那台机器真正会的东西。

一、发生了什么

10 月 2 日，《麻省理工科技评论》刊出格雷佩尔的文章。他是伦敦大学学院机器学习教授、AlphaGo 团队核心成员，最近从谷歌 DeepMind 离职。

他的核心区分是两套系统。AlphaGo 的策略网络负责"直觉"，判断某个局面像不像好棋；搜索负责"权衡"，把候选着法展开成一棵有几千个分支的博弈树，逐条推演后果。第 37 手在直觉网络眼里很普通——它估计人类高手下出这一手的概率大约万分之一。是搜索把它捞了回来。

今天的大模型是另一回事。它一次选一个 token，本质上只有直觉那一半。思维链看起来像推理：把问题拆开、保留中间结果、再往下走。但格雷佩尔指出，这些中间步骤仍然是同一个下一词预测过程，只是多迭代了几轮，并没有引入一个独立的推理机制。

他给了三条更硬的理由。第一，模型没有一份明确、持久、可检查的认知状态——不列出现在相信什么、怀疑什么、排除了什么、还有哪些问题没解决。第二，模型的知识和它操作知识的方式混在同一组权重里，没有一个独立表示的信念集合。第三，研究已经发现，思维链常常是事后编的：答案先出来，解释再补上。

这篇文章不是纯批评。他提出的替代方案，是把 AlphaGo 的博弈树换成一张"认知状态表"：哪些已定、哪些存疑、哪些被排除、哪些待解；每次推理都是一步改变这张表的动作；再由一个独立的部分评估这一步到底消除了多少不确定性，只有拿到证据才更新信念。

二、跟你有什么关系

用思维链做高风险判断的。 步骤写得长，不等于过程可审计。医疗、工程、科研要看的是"结论怎么来的"，不是"解释得多顺"。

做评测的。 只测最终答案，等于鼓励模型编一条好看的路。要测它能不能说出被排除的选项和不确定的地方。

买模型的。 "推理模型"是产品名，不是机制说明。同一道题换掉无关信息，答案是否稳定，比榜单名次更能说明问题。

三、怎么判断模型是不是在"想"

1. 问它排除了什么。 真在推理的系统知道自己否掉了哪些路径。答不出来，说明它只是选了一个看起来对的答案。
2. 让它标出证据链最弱的一环。 能定位薄弱点，才有修正的可能；只会重复结论，就是在讲故事。
3. 改一个无关条件，再问一次。 换掉人名、换掉顺序，看结论是否跟着乱跳。稳定的系统对无关变化不敏感。
4. 看它敢不敢说"这里我不知道"。 真正的推理会产生"待解"状态。什么都能答的，通常什么都没算。

四、三个别信的说法

"思维链越长，推理能力越强。" 长度只说明它生成了更多 token。格雷佩尔的说法更尖锐：这些步骤可能是在答案之后补的，越长越像辩护词。

"推理模型就等于有了推理机制。" 命名是营销。要看的是有没有独立于生成过程的搜索、评估和信念更新。没有这三样，仍是系统 1。

"AlphaGo 靠直觉赢下第 37 手。" 恰恰相反。直觉网络认为那一手概率极低，是搜索把它选出来的。把创造力归给直觉，会误导我们对"机器如何创新"的理解。

五、一句话结论

会做题，是在很大的记忆里找到像答案的东西；会想，是能说清自己排除了什么、还差什么证据。

信息来源

• Don't be fooled—LLMs don't reason，MIT Technology Review，2026-10-02

功能与价格以官方公告为准。本文写于 2026 年 10 月 19 日。