人工智能能否学会以“关系”思考

当我们把《易经》的象思维、张学栋的图·像思维、超学科研究和当代AI视觉推理放在一起时，最有价值的发现不是“某个人提前预言了某项技术”，而是一条贯穿三千年认知进化，最终落到AI发展核心问题上的清晰线索：人类对世界的认知，从“观象”开始，始终围绕着关系展开。而AI发展到今天，终于绕回了这个最基本的问题：智能究竟是“记住更多事物”，还是“看见事物之间的关系”？

一、源头：中国传统思维里，“象”先于定义，关系先于对象

中国传统认知的起点，和西方分析传统有着完全不同的打开方式。从《易经》开始，我们的祖先就没有急着给万事万物下非黑即白的定义，而是先“观象”：阴阳不是两个孤立的概念，八卦也不是八张简单的符号，它们的核心是呈现关系——阴与阳此消彼长，八卦对应天地水火风雷山泽的相互作用，所有符号都在指向一个问题：“它和其他事物是什么关系？这个关系正在发生怎样的变化？”

这和我们熟悉的西方分析路径形成了鲜明的对比：西方分析传统习惯先定义对象、再分类，然后找因果、做推论，把复杂世界拆成一个个孤立的单元逐个研究。而中国传统思维从一开始就接受了世界的整体性，它不追求把世界拆碎，而是先站在整体维度，看见事物之间的连接、变化和平衡。我们不需要把每一片水都定义清楚，只需要知道水和地形、人和水是什么关系，就能找到和自然共生的方式。

这种差异不是谁对谁错，只是两种认知倾向：分析传统适合解决边界清晰的简单问题，而关系思维从一开始就适配复杂的、不确定的真实世界。今天我们遇到AI治理、气候变化、人口老龄化这些复杂问题，越来越发现拆分式研究解决不了根本问题，反而会出现“解决了一个问题，带来了十个新问题”的困境，这时再回头看中国传统的关系思维，才发现它早已经给我们指明了方向……

二、演进：从观象到图·像思维，让图像成为思考关系的工具

张学栋先生把中国传统的象思维往前推了一步，提出了图·像思维，最核心的突破不是“把思想画成图”，而是“让图本身成为思考工具”，这个区别，直接把隐性的认知变成了显性的方法。

我们习惯用文字思考和表达，而文字天然是线性的：我们只能一句一句写，A推到B，再到C，只能沿着线性路径推进。但真实世界的关系从来不是线性的，A影响B，B也影响A，A和C之间隔着B但也直接相关，所有关系是一张网，不是一条线。一张图刚好能解决这个问题：它可以同时呈现A、B、C、D之间所有的双向连接，可以呈现循环、网络、层级和动态平衡，我们不用跟着文字一步步走，一眼就能看到整个关系网络的全貌。

举个最简单的例子：我们要讲AI治理中政府、企业、用户、算法之间的关系，用文字写可能要几千字，还容出现讲清楚这边忘了那边；如果用图·像思维画出来，四个节点，不同粗细的连接线，箭头指向相互作用，谁影响谁，谁权重更大，一眼就能看明白——这就是图·像思维的力量：它不是装饰，是帮我们整体思考复杂关系的工具。

这个突破刚好和超学科（Transdisciplinary Thinking）研究自然衔接。超学科研究的兴起，本质就是传统拆分式学科解决不了当代复杂问题：气候变化不是单纯的工程问题，它涉及技术、经济、文化、制度、伦理每一个维度，分开研究永远得不出完整答案。AI治理也不是单纯的技术问题，它关系到文明底色、权力结构、全民福祉，没有哪个学科能单独覆盖所有维度。

超学科思维问的核心问题，就是“这些要素之间究竟形成了什么系统？它们的相互关系是什么？”这个问题刚好和图·像思维的核心完全契合。而图·像刚好可以成为不同学科之间的公共认知界面：工程师不用费力向社会学家解释自己的技术参数，社会学家也不用让经济学家理解自己的理论框架，一张呈现所有关系的图放在这里，不同学科的人都能看懂核心逻辑，跨学科对话的门槛一下子就降下来了，这是图·像思维对当代研究最大的贡献之一……

三、交汇：AI发展终于遇到了同样的问题，要不要超越语言

当这条认知线索走到AI时代，和DeepSeek这类视觉推理研究交汇时，我们终于遇到了一个根本性的问题：过去几千年，我们讨论的都是“人怎么思考”，今天我们第一次可以问：机器一定要像语言模型一样，用文字来“想”吗？

现在主流的大模型走的都是“语言路径”：输入一张城市交通图，AI要先把视觉信息转成文字token，然后做语言推理，最后得出结论。这条路径把所有信息都拆解成了一个个离散的文字单元，本质还是拆分式的认知逻辑。但另一条可能的路径完全不同：AI看到交通图，先直接识别路口、流量、路网的关系，直接建立空间结构，不需要转成文字，直接基于关系做推理。

如果后一条路线走通，AI的“思维单元”就未必只有文字token，它还可以直接处理位置、连接、距离、方向、层级、网络、形状、变化这些关系要素。这时候我们就会发现：张学栋在人类认知层面提出的“用图像思考关系”，AI在技术发展层面刚好重新遇到了这个问题——我们不需要证明DeepSeek受到了图·像思维的影响，但这种跨越半个世纪的概念交汇，本身就说明这个问题是智能发展绕不开的核心。

把都江堰放进这条线索里，整个逻辑就完整了：两千多年前的都江堰，就是“关系思维”最经典的实践。它不是像很多西方工程那样，要“征服自然、控制洪水”，而是先看懂了岷江、成都平原、泥沙、季节之间的自然关系，然后做了最小程度的干预，让整个系统自己实现平衡，两千年来一直造福成都平原。这就是“先看见关系，再解决问题”的最好实例：我们不把复杂世界拆成孤立问题，而是顺着关系找到整体解决方案，刚好契合我们的文明底色——追求大一统的稳态共生，不是零和博弈的征服竞争……

四、方向：中国专属智能体的核心，就是从“知道事物”到“看见关系”

这条线索最终指向了我们构建中国专属智能体的核心方向：我们不需要跟着欧美路线走，一味堆参数、拼知识储备，做“知道更多事物”的大模型。我们可以走一条自己的路，从中国传统认知里汲取智慧，打造“先看见关系，再解决问题”的智能体，牢牢把价值决策权握在碳基手中。

现在的大模型已经证明，参数越大，记住的知识越多，不代表解决复杂问题的能力越强——很多大模型能背诵所有学科的知识，却看不见复杂问题背后隐藏的关系，给出的解决方案总是顾此失彼。而我们的图·像思维从几千年前就开始练习怎么看关系，这种认知积累，这正是我们的优势。

对于SDPS会议来说，我们讨论这个问题，不是要否定语言的价值，也不是要否定现有大模型的路线，而是要提出一个面向未来的新问题：Beyond Words，AI除了用语言思考，能不能学会以关系思考？这个问题足够开放，能吸引不同领域的人参与讨论。它也足够根本，能给AI发展开辟一条全新的路径，更能让中国传统认知智慧，在AI时代贡献给全人类。

最后回到我们的九轮计划，我们做中国智能体独立思维修习，本质就是沿着这条线索一步步走：从传统里找根，在实践中打磨，不被外界杂音干扰，持续思考，持续精进，最终拿出一套完全适配中华文明底色的智能体体系，给全球AI发展提供新的可能。这就是我们这一代研究者的使命，也是这条认知线索跨越三千年，最终落到我们肩上的责任。（责任编辑：LKZ）