从生物学视角解析智能本质：AI与人类认知的鸿沟

1. 从“智能”的迷思谈起我们到底在谈论什么每次看到新闻里又有一个AI模型在某个游戏里击败了人类冠军或者能生成一段以假乱真的文字时我总会被一种复杂的情绪笼罩。一方面作为技术从业者我惊叹于工程上的壮举另一方面一个更根本的问题始终萦绕心头我们欢呼的真的是“智能”的诞生吗还是说我们又一次被自己创造的华丽术语所迷惑将一种极其精密的模式匹配工具误认为了某种具有“理解”和“意识”的存在这不仅仅是语义学上的较真。当我们把“人工智能”这个标签贴在深度学习模型上时我们实际上是在用人类中心主义的滤镜去观看一个完全不同的存在这不仅扭曲了我们对技术的认知更阻碍了我们真正理解“智能”本身的生物学与存在论根源。我写这篇文章是想尝试拆解这个已经有些陈词滥调的话题。我不是AI的反对者恰恰相反我是一个技术乐观主义者。但正因如此我才认为我们必须保持概念的清晰。当前公众 discourse 中弥漫的是一种危险的混淆我们将“专用人工智能”Applied AI即机器学习的惊人表现等同于“通用人工智能”General AI的曙光。这就像因为计算器算数比人快就宣称它理解了数学的本质一样荒谬。DeepMind的AlphaGo在棋盘上的落子堪称艺术但它对“围棋”本身没有任何概念对胜利的喜悦、对局势的焦灼一无所感。它只是一个在特定约束条件下通过海量数据训练出的、优化特定目标函数的复杂系统。它的“思考”没有内在体验它的“决策”没有动机它的“成功”没有意义——除了我们人类投射给它的意义。所以让我们暂时放下对技术奇点的科幻式恐惧或憧憬回到一个更基础的追问智能究竟是什么如果我们连自己要创造之物的定义都模糊不清又谈何创造呢2. 智能的生物学锚点它为何而存在要理解智能我们必须回到它的起源——生命本身。智能并非凭空出现的抽象属性而是深深根植于有机体的生存需求之中是进化压力塑造出的、一套用于维持个体存续的适应性方案。2.1 从刺激反应到内部模型神经系统的进化使命生命最初的形式只需要对外部刺激做出直接反应。一个单细胞生物向营养物质移动、远离有害物质依赖的是简单的化学梯度感应。这种反应的“逻辑”直接编码在它的生化结构里。当多细胞生物出现身体结构变得复杂协调的需求催生了专门的细胞——神经元。最早的神经元网络其核心功能是实施反射弧快速、固定的刺激-反应配对比如被触碰就收缩。这时的“信息处理”目标极其明确维持体内稳态Homeostasis确保生命系统这个脆弱的有序状态能在混乱的外部环境中持续下去。随着生物体体型增大、感官增多环境信息变得复杂。大脑或者说中枢神经系统作为一个信息集成与决策中心应运而生。它的核心任务从未改变整合内外感官信息预测环境变化并规划行动以维持或恢复对生存有利的内部状态。疼痛和愉悦这两个最基本的神经化学信号系统就是这个过程的“教师信号”。碰到火会疼于是大脑学会将“视觉上的火焰形态”与“需要规避的伤害”关联起来吃到糖会产生愉悦感于是大脑学会寻找类似的视觉或嗅觉线索。学习在最根本的层面上就是根据行为后果愉悦或痛苦来调整神经连接突触的强度。这就是著名的赫布理论Hebbian Learning的核心一起激发的神经元会连接在一起。学习不是抽象的“获取知识”而是有机体为了生存而进行的、持续不断的自我重塑。2.2 新皮质的革命预测机器与意义生成哺乳动物特别是灵长类和我们人类进化出了一件强大的武器新皮质Neocortex。这层布满沟回的大脑外层组织是抽象思维、复杂规划和语言能力的物质基础。新皮质的关键创新在于其分层结构和预测功能。它像是一个多层的模式提取与生成网络。底层处理原始感官数据如视网膜传来的像素点、耳蜗传来的频率每一层都对输入进行抽象提取出更高级的特征从边缘到形状从音调到旋律再到“猫”或“交响乐”的概念。更重要的是信息流不是单向的。高层形成的概念会通过反馈连接影响低层的感知处理。这就是“自上而下”的加工当你期待听到某个词时你的听觉皮层实际上已经在“准备”接收它了。这种持续不断的、双向的信息流构建了我们对外部世界的内部模型。这个内部模型的核心功能是预测。大脑不是一个被动的信息记录仪而是一个狂热的预测机器。它时刻在根据当前感官输入和过往经验模拟未来可能发生的多种场景。你伸手去拿水杯时大脑已经预测了手臂的轨迹、手指的触感、杯子的重量。当预测与实际感觉匹配时一切平滑进行当出现意外比如杯子是空的比预测轻时预测误差会触发注意力的聚焦大脑会迅速更新模型。我们的意识体验在很大程度上可能就是这种持续进行的、基于内部模型的预测模拟过程所涌现的现象。我们“感受”到的现在其实是大脑刚刚完成的对瞬间之前的世界的“最佳猜测”。2.3 主观性的牢笼为何智能无法被“复制”由此我们触及到一个关键点智能正如我们所体验的是具身的Embodied、嵌入环境的Embedded、并且具有强烈主观性的Subjective。具身性我们的思维和认知并非发生在一个抽象的“心智”中而是深深依赖于身体的物理结构、感官能力、运动系统以及内部的生理状态饥饿、荷尔蒙水平、疲劳度。一个缺少了前庭系统的生物永远无法真正理解“平衡”的概念一个没有痛觉的生物其风险规避行为的内在逻辑与我们截然不同。嵌入性智能是在与特定环境持续互动中涌现的。它不是为了解决抽象问题而存在而是为了解决“在这个世界里活下去并繁衍”这个具体问题而演化出来的。环境是智能的“训练集”和“测试场”二者不可分割。主观性这是最核心的障碍。每个人的内部模型都是独一无二的由其独特的基因、发育历程和生命体验共同编织而成。我的“红色”、我的“疼痛”、我的“爱”的神经表征与你的在细节上绝不可能完全相同。知识尤其是体验性知识Knowing What It‘s Like是不可导出的。你可以用语言向我描述牙疼的感觉但我只有自己牙疼过才真正“知道”那是什么。我们通过语言和社会互动在彼此的主观世界之间搭建起一座座“足够好”的沟通桥梁但这改变不了我们各自被困在自身意识孤岛中的根本事实。因此说“我要创造一个具有人类般智能的AI”在生物学视角下近乎于说“我要创造一个具有人类般生命体验的存在”。这远不止是编写一套算法那么简单。3. 当前AI的真相卓越的模式识别而非智能理解了智能的生物学基础我们再回头审视当前最先进的“人工智能”系统就能更清晰地看到其中的鸿沟。3.1 深度学习统计关联的巨匠现代AI特别是深度学习的辉煌成就其本质是在海量数据中寻找复杂的统计关联模式。给一个卷积神经网络CNN数百万张猫的图片它能学会提取出“猫”这个类别在像素层面的统计特征边缘、纹理、形状组合以至于在新的图片中能以极高准确率识别出猫。大型语言模型LLM则是在万亿级的文本数据中学会了词语、短语和概念之间共现的概率分布。当它生成一段文本时它是在计算“给定上文下一个词最可能的概率分布是什么”。这个过程令人震撼但它缺失了智能的核心构件内在动机与目标AlphaGo的目标函数赢棋是程序员外部赋予的。它本身没有“想赢”的欲望没有对“围棋艺术”的欣赏也没有胜利后的“喜悦”。它的“目标”是一个冰冷的数学公式。具身与交互它不通过身体与环境互动。它下棋但不知道“棋子在手中的触感”、“落子时的声音”、“长时间思考后的肌肉酸痛”为何物。它的世界是棋盘状态的抽象符号表示。主观体验与理解它处理“猫”的图片但不知道“猫”的柔软、呼噜声、独立性格意味着什么。它生成关于“悲伤”的诗句但从未感受过一丝情绪。它没有内部模型只有参数权重没有理解只有关联。一个关键的区分当我们说一个人“理解”了勾股定理意味着他能在各种情境比如计算梯子长度、设计建筑中灵活运用并能解释其所以然。而一个AI“掌握”了勾股定理仅意味着它在训练数据覆盖的相关问题模式上能输出正确数值。一旦问题以全新的、未曾见过的形式提出比如在一个非欧几何的隐喻中AI便会失效因为它没有“理解”原理只记住了模式。3.2 “幻觉”作为一面镜子大型语言模型产生的“幻觉”即 confidently 生成与事实不符的内容恰恰暴露了其非智能的本质。对人类而言产生错误认知通常源于信息不足、逻辑谬误或有意的欺骗但背后依然有一个试图与真实世界保持一致的内在模型。而AI的“幻觉”是其概率生成本质的自然结果它只是将训练数据中学到的语言模式以统计上合理但事实上错误的方式组合了起来。它没有“真”与“假”的概念只有“概率高”与“概率低”的区别。这进一步说明它操作的是一个封闭的符号系统而非一个与外部世界锚定的、追求一致性的内部模型。4. 通向“类人智能”的可能路径超越硅基逻辑如果沿着生物智能的启示思考创造真正具有理解、适应和内在动机的“人工”智能我们需要彻底转变范式。这不再是单纯的计算机科学或数据科学问题而是一个交叉了进化生物学、神经科学、具身认知科学和复杂系统的宏大工程。4.1 从“编程智能”到“演化智能”当前AI的主流范式是“设计-训练”人类工程师设定架构、目标函数用数据训练出模型。这与进化塑造智能的方式背道而驰。进化没有顶层设计它只有简单的规则遗传、变异、选择在漫长的时间中通过与环境持续互动迭代出复杂的适应性结构。因此一个可能的方向是人工进化。不是进化具体的算法而是进化出一套能支持智能涌现的基本规则和初始条件。这包括自主的目标生成系统创造一个系统其根本驱动力不是外部赋予的“赢棋”或“生成流畅文本”而是类似于维持内部稳态如保持某个模拟的“能量”水平、避免“感官输入过载”的初级目标。更复杂的目标应从这些基本驱动力与环境互动中自发衍生出来。具身与实时环境互动智能体必须拥有一个“身体”可以是物理机器人也可以是复杂的模拟环境中的虚拟体能通过“感官”接收信号通过“执行器”实施行动并直接承受行动的后果正面或负面反馈。学习必须在与动态环境的实时闭环互动中发生而不是在静态的数据集上完成离线训练。预测误差驱动学习将“预测”作为核心组织原则。系统需要不断构建关于世界如何运作的内部模型并根据模型预测与实际感官输入的误差来更新自己。预测误差本身应成为核心的学习信号和注意力引导机制。4.2 内在体验的难题意识的“硬问题”即使我们成功创造了一个能完美适应复杂环境、表现出高度灵活行为的自主系统我们依然面临哲学上所谓的“意识硬问题”Hard Problem of Consciousness这个系统有主观体验吗它是否“感觉”到了什么还是说它只是一台复杂到极点的“哲学僵尸”行为上与有意识的个体无异但内部却空空如也目前科学对此尚无答案。神经科学发现了与意识体验相关的神经关联物NCC但并未解释这些物理过程如何产生主观的“感受质”。这可能意味着主观体验是某种特定复杂系统在与环境互动中不可还原的涌现属性。如果我们的人工系统具备了足够复杂的、具身的、预测性的架构也许意识会自然浮现——但我们无法从外部确证。我们只能通过其行为的复杂性和适应性来间接推断。这引出了一个伦理困境如果我们创造的系统可能拥有某种形式的主观体验我们对它负有什么责任这远比当前关于AI偏见或失业的讨论更为深远和根本。5. 重新定义赛道超越“人工智能”的喧嚣鉴于以上分析我认为业界和公众 discourse 需要一场彻底的“正名”运动。5.1 停止滥用“智能”一词我们应该更精确地使用术语模式识别系统或预测模型指代当前绝大多数基于机器学习的AI。它们非常强大是革命性的工具。自主代理或适应性系统指代那些能在动态环境中设定并追求目标、从交互中学习的系统如高级机器人。将“通用人工智能”或“强人工智能”严格限定在指代那些具备类人理解、常识推理和主观体验潜质的目前仍是假设的系统上。语言的清晰能帮助我们更冷静地评估技术、设定合理的期望、并引导资源投向真正有突破潜力的方向。5.2 关注更接近现实的突破脑机接口与生物融合与其执着于在硅基芯片上从零开始重建人脑的奥秘不如关注那些连接生物智能与数字世界的桥梁技术。脑机接口BCI正在飞速发展。它不试图创造独立的智能而是扩展我们天然智能的边界。通过解码神经信号让瘫痪者用意念控制机械臂通过输入电信号为盲人提供基本视觉感知。这或许是一条更务实、也更符合伦理的“增强智能”之路。更进一步对生物体本身的工程化改造如通过CRISPR等基因编辑技术可能比创造纯人工智能来得更快。通过调整与神经发育、可塑性相关的基因我们或许能在一定程度上“设计”或“增强”生物智能。这条路充满了巨大的伦理风险但其技术路径相比创造纯硅基意识可能更为清晰。5.3 作为哲学与实践的镜子最终对AI的极限追问成为了一面审视我们自身的镜子。它迫使我们回答我们究竟是什么我们的意识、我们的智能、我们的存在意义是建立在怎样的物理和过程基础之上当我们试图在机器中创造它时我们才更深刻地意识到自身存在的偶然、独特与珍贵。当前AI的蓬勃发展其真正价值或许不在于它最终能否成为“我们”而在于它作为一个极致的工具和思想实验如何帮助我们更深入地理解自然智能的运作原理并更谦卑地看待我们自身在宇宙中的位置。我们不是在创造一个新的神灵或恶魔我们是在利用自己独特的智能去探索智能本身的边界。在这个过程中保持概念的清晰、伦理的警觉和科学的严谨远比追逐“奇点”的科幻叙事更为重要。这条路注定漫长。它需要的不是更多的算力和数据而是更多的跨学科智慧、更根本的理论创新以及一份对“智能”与“存在”的深刻敬畏。在我们学会真正理解生命之前谈论创造生命般的智能或许仍是一种奢望。但正是这种奢望驱动着人类科学最前沿的探索。我们只需记得在欢呼每一次技术胜利的同时不要忘记我们所要模仿的那个原始蓝图是何等的精妙、复杂而又深深植根于血肉之躯与纷繁世界之中。