条件很好，为什么还是不快乐？
最近看了电丸 AK 的一段访谈。嘉宾谈起自己的工作：事情不多，收入很高，却过得不快乐，长期的煎熬甚至让他想要离职。
AK 很难认同这个选择。从外部条件看，工作轻松、收入高，意味着有更多自由安排自己的生活，这样的工作似乎不该主动放弃。但对当事人来说，它缺少意义、成长，或者某种很难向外人说清楚的满足感。
这让我想到“知识的诅咒”。当我们知道一件事以后，就很难回到不知道它时的状态。理解别人时，我们习惯带上自己的知识、经验和价值标准，容易忘记对方的处境和感受可能与我们相差很远。当一个人越来越习惯用知识解释世界，他会不会也越来越难直接感受一些东西？比如快乐。
我们知道情绪与激素、神经递质和神经活动有关，奖励系统会影响动机，环境、预期和记忆也会改变人的感受。这些知识本身没有错。我只是有些疑惑：如果总是从这些机制出发看待情绪，我们会不会渐渐习惯于先问“为什么”，把原本可以直接感受的快乐变成一道需要解释的题？
解释快乐
我很怀念以前在黄河边闲聊的时光。沿着河边走，看夕阳，走到月亮出来，一直聊到凌晨，河水还在往前流。那时候没有明确的目的，也没有什么值得记录的成果，就是觉得那一刻很好。
可如果我忽然开始琢磨，为什么这样的景色会让我快乐？是不是大脑释放了多巴胺？是不是现实恰好符合了我的预期？有没有办法让自己以后更频繁地获得这种体验？每个问题似乎都能继续追问，也可能找到某种科学解释。等我想明白一些，夕阳已经落下，聊天也结束了。
我多知道了一点快乐的原因，也少感受了一点当时的快乐。即使今天理解了幸福的机制，也没法回到那时的黄河边，重新吹到那阵风，听到那些声音，找回当时的感受。
分析和体验之间，大概有一种很难消除的矛盾。我们分析一段经历，是想把它变成可以理解、保存、以后还能用上的知识。可经历只发生在具体的时间里，不会停下来等我们想清楚。
心理学中有一种现象叫情绪标签化：用语言说出自己的感受，有时可以减轻负面情绪；但在一些实验中，这样做也会削弱积极体验的强度。当注意力从正在经历的事情转向对自己感受的观察和判断，体验本身也就变了。这比“理性会消灭感性”的说法更接近我想表达的意思。
语言不是世界
从情绪往外想，这种情况其实很常见。我们认识世界，总要借助某种表征，也就是用一种能够理解和处理的形式，表示复杂的现实。语言、数学和科学理论都在做这件事。
一个人说“我很快乐”，就已经做了一次很大的压缩。他把身体的感觉、周围的环境、记忆和期待、人与人之间的关系，还有许多说不清的感受，放进了“快乐”这一个词里。有了这样的抽象，我们才能交流，也才能积累适用于不同情境的知识。但压缩总要有所取舍，留下某些特征，省去另一些。“快乐”这个词不可能装下所有快乐的体验。
柏拉图的洞穴寓言很适合用来想这个问题。洞穴里的囚徒只能看见墙上的影子，却把影子当成了完整的现实。我们也容易把语言和理论描述出的世界，当作世界本身。这个比喻并不是说语言必然是错误的，也不能用来证明人永远无法认识真实世界。它让我想到的是：我们手里的描述，究竟涵盖了对象的多少部分？
面对科学解释时，我们尤其容易觉得，只要找到了更底层的机制，就把事情解释得更完整了。比如，“人类的爱情与某些神经化学过程相关”，是一个可以研究的科学命题；但如果说“爱情不过就是几种神经递质”，就把某个层面的解释当成了全部。
神经化学过程可以解释爱情如何发生的一部分机制，却未必说得清其中的社会关系、个人记忆和主观意义。科学方法并不要求我们舍弃这些层次。把特定层次的科学描述当成唯一有效的描述，才是这里需要留意的科学主义倾向。
数学和物理公式是不是会好一些？相比日常语言，它们确实能建立更精确的符号关系。在假设和适用范围明确的情况下，同一套关系还可以用到不同领域。例如，同一个数学结构可以同时描述机械运动、电路变化，以及经济系统中的某些动态关系。
这种抽象能力很强，但数学表达精确，不代表任意一个数学模型都能准确对应现实。我们仍然需要定义变量、提出假设，再接受经验检验。与其笼统地判断语言和数学哪个更可靠，我更想知道的是：一种表示方式保留了现实中的哪些结构，又省略了哪些？
沿着这个问题，很容易想到大语言模型。它能从海量文本中学习概念与关系，在数学、编程、推理和知识问答中的表现，也说明符号学习可以带来远超简单记忆的泛化能力。
不过，文本里的世界终究不能涵盖整个物理世界。人会通过身体、行动、对时间的感知和环境反馈，反复修正自己的概念；以文本学习为主的系统，则缺少其中一部分直接交互的渠道。多模态输入、工具使用和具身智能正在缩小这种差异，因此也不能据此断言语言模型绝对无法理解现实。
智能怎么产生
从最基础的“数”想起。假设一个人从未接触过数的概念，它看见三个苹果、三块石头和三只鸟，最初感受到的只是不同的东西。如果只能记住具体经验，每遇到一类新对象，它就得重新记录一次。
但如果它发现，这些东西虽然不同，却有相同的数量关系，就能从具体对象里提取出一个不变量：“三”。有了这个抽象，它便能把对三只鸟的认识，用到任意三个对象上。它多出来的是一种表示能力，过去必须分开描述的经验，现在可以放进同一套结构里理解。
新的概念也会遇到处理不了的问题。自然数可以用来计数，但不足以处理所有减法，比如 2−6。如果系统只允许 0、1、2、3……这些数，就没法表示这个结果。引入负数，相当于扩展了原有的表示空间，让此前无法表达的关系有了表达方式。同样，对可以无限继续的有限计数过程作出抽象，也能帮助我们建立关于无穷的数学概念。
我们先从经验中发现重复的结构，提取不变量，形成抽象；等旧的抽象遇到无法处理的问题，再扩展原有的表达体系。
比起“创造力就是组合已有知识”，我觉得这个过程更能说明创造性思维的一些特征。新概念当然仍要借助已有的经验和概念。创造有它的来处，只是我们在原有经验的基础上，找到了表达某些关系的新形式。
但把经验压缩成一个简洁的说法，还不等于获得了知识，错误的理论也可以很简洁。有价值的抽象需要解释已有现象、预测新现象，而且换到不同场景里，仍然相对稳定。
人为什么能持续做这样的抽象？一个可能的原因是我们的认知和身体行动紧密相连。我们通过空间组织对象，通过时间理解变化，通过因果关系理解行动与结果。当预期和现实不符时，我们会在实践中碰壁，要面对的也不只是文字里的逻辑矛盾，但模型没有感受。
时间本身就是一个例子。我们直观地感到，“现在”在不停往前走，过去已经消失，未来还没发生。但物理学解释，会把时空事件看成一个整体结构，并不要求宇宙存在一个统一的、持续前进的“现在”。这既不能证明未来早已注定，也不能证明时间只是意识的幻觉。它说明的是，我们感受到的时间流逝，未必与物理理论中的时间结构完全相同。我们有自己的想法有属于我们自己的智能。
InnovationEval
把这些想法放到算法工程里，我会想到自己和 AI 一起工作的经历。如果把输入、输出、约束和优化目标交代清楚，只要问题在模型的能力范围内，它通常就能很快完成大量工作。
但任务一旦涉及复杂的数据依赖、历史一致性、互相冲突的约束，或者必须长期验证才能发现的隐含条件，我就得反复和它解释、确认。它可能写出了逻辑正确的函数，却没理解整个系统为什么不能这样设计；也可能提高了一个指标，同时破坏了另一个没有充分说清楚的约束。
除了理解复杂任务，AI 能不能进一步提出新的研究方法？2026 年 10 月，Epoch AI 发布了 InnovationEval 评测，尝试检验 AI 能否独立完成一项有实际创新要求的机器学习研究。
评测选取的参考对象，是论文《Reinforcement Learning via Self-Distillation》提出的 SDPO。传统强化学习中的 GRPO 通过组内相对奖励，估计哪些策略应该得到强化。但如果只看最终结果给奖励，就可能很难判断生成过程中的哪些步骤导致了成功或失败。
SDPO 的做法是把环境提供的文本反馈加入上下文，让拿到反馈的当前模型充当教师，再通过逐词元蒸馏，提供更稠密的训练信号。
研究人员从代码环境里移除了 SDPO 的实现，保留强 GRPO 基线、训练任务和评测条件。评测要求 AI 独立提出有价值的后训练算法，在规定范围内取得可比较的收益，照着现成论文复现不在这个目标之内。
GPT-5.6 Sol 和 Claude Fable 5 各自获得了最多 3,000 GPU-hours 的计算预算，最终都没能发现与 SDPO 相当的新方法。
Sol 给 GRPO 加入了自我模仿项，让全成功的样本组也能贡献更新。这个做法带来了一定收益，但与既有研究相似。按宽松标准计算，它取得了约 35% 的 SDPO 增益；调整不合范围的训练改动，并考虑墙钟效率后，剩下约 15%。Fable 5 则尝试了类似 STaR 的失败样本重采样，没有取得有效改进。
增加批次大小、调整超参数、扩大搜索，都可能让一个给定目标的分数变高。研究创新还要求我们发现新的关系，提出新的机制，或者改变对学习过程的原有理解。能把已知方法组合用得更好，不代表已经具备了重新发现所需原理的能力。
RSI 能走到哪一步？
想到这里，就绕不开递归自我改进，也就是 Recursive Self-Improvement，简称 RSI。通常说的 RSI，是指一个系统先改进自己的能力，再利用提升后的能力，完成下一轮自我改进。
这种改进可以发生在不同层面。比较基础的一层，是自动寻找更好的参数、提示词、训练配置或模型架构。再往前一步，是 AI 独立设计新的学习算法，并通过实验检验它是否优于旧方法。
我更感兴趣的是，系统能不能发现自己的概念体系有缺陷，再主动建立新的概念体系。比如，一个只认识自然数的系统，能否理解负数，并发现这些陌生的符号能够组成一套自洽、普适的数学结构？一个沿用既有时间观念的系统，能不能提出不需要绝对时间的理论？
放到 AI 训练里，类似的问题是：一个始终用现有损失函数优化模型的 AI，能否发现原来的学习信号漏掉了关键信息，并据此提出新的训练目标或反馈机制？
SDPO 在有限意义上提供了一个例子。它通过重新利用过去被浪费的反馈信息，改变了学习信号的构造方式，改进并非只来自扩大 GRPO 的计算规模。不过，发明一个新算法，距离持续改进自己的概念体系，还还远。
如果长期围绕固定指标优化，它可能越来越擅长在现有规则里拿高分，却缺少质疑这些规则的动机，也得不到足够的反馈来判断规则该怎么改。
可这也不是换一个损失函数就能解决的问题。概念创新很难由单一奖励来衡量。一个想法新颖，不代表它正确；看起来复杂，不一定就深刻；换了一种说法，也不等于创造了新知识。
回到黄河边
写到这里，我觉得前面的几个问题可以连起来了。工作轻松、收入高的人仍然可能不快乐，因为我们对生活条件的评价，无法代替他实际的感受。科学能解释情绪的某些机制，但复杂的经验还需要从其他层次理解。
对 AI 来说，求解明确的问题、发现新的方法，以及重新建立理解问题的框架，也需要不同层次的认知能力。这或许可以帮助我们理解，为什么它在一些明确任务上已经表现得很出色，却仍然难以独立完成某些创新研究。
这些思考让我觉得，任何智能都要借助有限的表征理解世界。如果它还想理解更多，就需要发现自己的表征哪里不够用，并有能力扩展它。
概念帮助我们走出洞穴，也可能让我们被另一套解释困住。知识和理论是我们离不开的东西，但它们都有覆盖不到的现实。科学可以帮助我们理解情绪，生活里值得经历的事情，也不必全都变成等待分析的数据。
我还是会想起在黄河边散步的那个傍晚。我可以用物理学解释夕阳，用神经科学解释快乐，用哲学讨论时间是否真的在流动，但无论怎样解释，都回不到那个瞬间。也许，那一刻可贵的地方，就包括我没有急着解释它。