大语言模型在文本生成、信息检索、编程辅助等领域表现出色，但如何让它们从"会答题"进阶到"会判断"，成为学界和产业界的共同课题；研究人员指出，现实问题往往边界模糊、条件不完备且充满不确定性。仅依靠海量数据和模式匹配，模型容易在突发情境、价值权衡和跨场景应用中暴露弱点——给出看似流畅但缺乏稳健依据的结论，或难以解释决策过程，增加误用风险。 滑铁卢大学心理学教授萨姆·约翰逊认为，现有系统的进步主要体现在知识覆盖和任务熟练度上，但缺少接近人类"智慧"的核心能力：面对复杂问题时的审慎推理和自我校正。研究团队将问题归结为对"不确定性处理"的系统性缺失。当信息冲突、目标多元或环境变化时，模型缺少识别自身认知局限的机制，也缺少在多种方案间动态权衡的能力，导致在复杂问题上表现不稳定。 若模型无法具备更强的自我监控和情境适配能力，应用越深入社会系统，潜在风险越大。在医疗、教育、公共服务、企业决策等场景中，错误建议、过度自信或难以追溯的推理链条可能引发合规、伦理和安全问题。反之，增强模型的元认知能力，让它在输出时体现"不确定性程度"、展示权衡过程、主动暴露信息缺口，将帮助用户更好地理解和验证结果，为人机协作奠定更可靠的基础。 针对这些挑战，研究团队提出以"元认知能力"为核心的训练和架构思路，并配套提出"智慧水平"的评估基准。他们将"智慧"拆解为可操作的策略：从多角度审视问题、根据情境调整策略、在不同观点间权衡、对结论保持可修正的灵活性，以及识别知识边界并在必要时寻求外部信息。当"智慧"被分解为可训练、可评估的具体能力后，模型优化就从盲目追求更大参数规模，转向更精细的能力塑造和质量控制。 在训练机制上，研究强调让模型不仅学习"答案"，还要学习"如何判断自己是否知道"和"在何种条件下需要改变策略"。这意味着未来的训练方法可能更强调过程性指标，包括不确定性表达的准确度、冲突信息的处理能力、价值权衡的透明度等，推动模型在复杂任务中的稳健性和可解释性同步提升。 研究团队展望，引入元认知框架的模型有望在多个方向取得突破：面对陌生问题时具备更强的迁移能力，在多主体协作中更善于沟通和校验，在安全层面更好地与人类价值观对齐，通过更透明的推理降低误导性输出。业内人士认为，随着监管要求强化，可解释、可审计、可纠偏的能力将成为智能系统进入关键行业的必要条件，这项研究提供了值得关注的新思路。
当机器学会说"我不知道"而非强求确定性答案时，或许标志着人工智能进入了新阶段。这项研究为技术演进提供了新路径，也引发深刻思考：在追求智能极限的过程中，对人类认知奥秘的探索，永远是最珍贵的智慧源泉。