我只是個(gè)AI，聽不懂你在說什么。

如果你真要讓大語(yǔ)言模型幫你端茶倒水的話，這可能是它最后的無(wú)奈了。確實(shí)，它可能可以在特定語(yǔ)言任務(wù)中，輸出高度擬人化的韻律結(jié)構(gòu)、文學(xué)修辭和創(chuàng)意表達(dá)。但對(duì)于現(xiàn)實(shí)任務(wù)，它只能重申自己沒有實(shí)體行為能力，只能提供建議。

這僅僅是因?yàn)樗鼪]有物理意義上的身體嗎？當(dāng)然不是，更根源的問題在于，它缺少一個(gè)自主的目的。即通過感知環(huán)境、制定計(jì)劃并執(zhí)行動(dòng)作來實(shí)現(xiàn)目標(biāo)的主動(dòng)行為能力。而這正是自然智能（Natural Intelligence）的核心特征。

從認(rèn)知科學(xué)與進(jìn)化生物學(xué)的視角看，自然智能在億萬(wàn)年進(jìn)化中形成了一套分層、階梯式的認(rèn)知架構(gòu)。它體現(xiàn)在不同物種的生存策略中：面對(duì)一只飛過的昆蟲，靜止不動(dòng)的蜥蜴的舌頭會(huì)突然彈出，這是純粹的目標(biāo)驅(qū)動(dòng)；松鼠在食物充裕的秋日里忙著囤積堅(jiān)果，并非因?yàn)樗?dāng)下饑餓，而是它能“模擬”出一個(gè)尚不存在的寒冬并為之行動(dòng)，這便是未來決策；而當(dāng)黑猩猩發(fā)現(xiàn)用短樹枝夠不到洞里的白蟻時(shí)，它會(huì)主動(dòng)尋找更長(zhǎng)的樹枝、甚至剝?nèi)ト~子進(jìn)行改造，這是反思和調(diào)整策略的元認(rèn)知。

因此，若想突破當(dāng)前AI發(fā)展的瓶頸，回溯生命的進(jìn)化歷程是其中一條重要路徑。

?Tomasello, Michael. "How to make artificial agents more like natural agents." Trends in Cognitive Sciences (2025).

核心差異：應(yīng)答機(jī) vs. 行動(dòng)者

要理解AI與自然智能的本質(zhì)差距，我們只需對(duì)比兩個(gè)看似風(fēng)馬牛不相及的事物：ChatGPT，與你家墻上的恒溫器。

以ChatGPT為代表的生成式AI是典型的刺激驅(qū)動(dòng)系統(tǒng)。這類系統(tǒng)本質(zhì)上是被動(dòng)的，它們沒有內(nèi)在欲望，不會(huì)主動(dòng)發(fā)起對(duì)話或提出需求，而是始終處于等待狀態(tài)。當(dāng)用戶輸入提示詞時(shí)，系統(tǒng)基于其訓(xùn)練數(shù)據(jù)中的統(tǒng)計(jì)規(guī)律生成響應(yīng)。盡管這些響應(yīng)可能在表面上與人類應(yīng)答無(wú)異，但其本質(zhì)仍是對(duì)輸入信號(hào)的被動(dòng)反應(yīng)。從這個(gè)角度看，ChatGPT等生成式AI可以說是聰明的“應(yīng)答機(jī)”。

相比之下，一個(gè)普通的恒溫器卻展現(xiàn)了完全不同的智能范式。作為目標(biāo)驅(qū)動(dòng)系統(tǒng)，一旦用戶設(shè)定了目標(biāo)溫度，它就會(huì)持續(xù)監(jiān)測(cè)環(huán)境溫度，主動(dòng)將實(shí)時(shí)數(shù)據(jù)與目標(biāo)值進(jìn)行比較，并通過控制加熱或制冷設(shè)備來縮小兩者差距。這個(gè)簡(jiǎn)單的裝置卻體現(xiàn)了智能的一個(gè)關(guān)鍵特征，即通過主動(dòng)行為改變環(huán)境狀態(tài)，以實(shí)現(xiàn)預(yù)設(shè)目標(biāo)。從這方面來看，恒溫器是一個(gè)真正的“行動(dòng)者”。

這種區(qū)分的重要性在于，從捕食蒼蠅的蜥蜴到規(guī)劃周末出行的人類，自然界的智能體無(wú)一例外都是目標(biāo)驅(qū)動(dòng)的行動(dòng)者。蜥蜴的視覺系統(tǒng)實(shí)時(shí)計(jì)算昆蟲的飛行軌跡，其大腦在毫秒間做出捕食決策，身體隨即執(zhí)行精準(zhǔn)的捕捉動(dòng)作；人類在規(guī)劃旅行時(shí)，會(huì)主動(dòng)搜集信息、評(píng)估選項(xiàng)、制定計(jì)劃并執(zhí)行預(yù)訂操作。它們的智能，體現(xiàn)在一個(gè)完整的“感知-決策-行動(dòng)”的閉環(huán)中。

而這種“目標(biāo)驅(qū)動(dòng)”，恰恰是當(dāng)前最先進(jìn)的AI系統(tǒng)所缺失的核心架構(gòu)。它們擁有強(qiáng)大的信息處理能力（認(rèn)知）和輸出能力（行為），但缺乏自主產(chǎn)生的“目標(biāo)”和指向環(huán)境的“注意”機(jī)制，無(wú)法將這些能力整合為有意義的整體行動(dòng)。這種缺陷使得AI雖然能在特定任務(wù)上表現(xiàn)卓越，卻無(wú)法像自然智能體那樣主動(dòng)適應(yīng)復(fù)雜多變的環(huán)境。

也就是說，AI未來的突破點(diǎn)，可能不在于構(gòu)建更強(qiáng)大的語(yǔ)言模型，而在于為AI賦予真正的目標(biāo)生成能力和自主行動(dòng)能力，使其從被動(dòng)的“應(yīng)答機(jī)”轉(zhuǎn)變?yōu)橹鲃?dòng)的“行動(dòng)者”。

進(jìn)化的階梯：

智能架構(gòu)的三次關(guān)鍵升級(jí)

我們之所以難以憑空造出一個(gè)“行動(dòng)者”，或許是因?yàn)槲覀冊(cè)噲D一步登天，卻忘了智能的演化，是一場(chǎng)歷時(shí)三億年、循序漸進(jìn)的軍備競(jìng)賽。每一次認(rèn)知能力的升級(jí)，都是為了應(yīng)對(duì)一個(gè)更殘酷的生存難題。

托馬塞洛（Tomasello）認(rèn)為，為了應(yīng)對(duì)不同的環(huán)境壓力，生物智能通過三次關(guān)鍵架構(gòu)升級(jí)，逐步形成了人類的多層次認(rèn)知系統(tǒng)[1-2]。

?進(jìn)化階梯：目標(biāo)導(dǎo)向→意圖性→元認(rèn)知智能體。圖源：原始論文

在演化早期，面對(duì)捕食敏捷迅速的獵物，早期陸地脊椎動(dòng)物進(jìn)化出了第一層智能架構(gòu)：目標(biāo)導(dǎo)向行為。以蜥蜴的祖先為例，它的世界被簡(jiǎn)化為一系列赤裸裸的目標(biāo)。當(dāng)一只飛蟲進(jìn)入視野，它的整個(gè)神經(jīng)系統(tǒng)會(huì)瞬間變成一臺(tái)高效的捕食機(jī)器，只處理兩個(gè)核心問題：“它在哪？”（出擊）以及“夠不夠得著？”（放棄）。這是一種被焊死在基因里的“感知-行動(dòng)”閉環(huán)，沒有猶豫，只有對(duì)當(dāng)下環(huán)境最直接的反應(yīng)，或是換個(gè)環(huán)境以滿足更多的生存需求。這套簡(jiǎn)單的機(jī)制，是所有智能大廈的基石。

隨著哺乳動(dòng)物崛起，生存游戲變得更加復(fù)雜，智能架構(gòu)迎來第二次升級(jí)。以松鼠為代表的物種面臨資源競(jìng)爭(zhēng)壓力，發(fā)展出意圖性決策能力。當(dāng)它在食物充裕的秋日里找到一顆完美的橡子時(shí)，它不再像蜥蜴那樣立即行動(dòng)。相反，它會(huì)啟動(dòng)內(nèi)部模擬，它會(huì)模擬將橡子埋在A、B、C三個(gè)不同地點(diǎn)的未來場(chǎng)景，評(píng)估每一個(gè)地點(diǎn)的風(fēng)險(xiǎn)——A點(diǎn)離藍(lán)松鴉的窩太近，B點(diǎn)土壤太濕，橡子可能會(huì)腐爛，C點(diǎn)其他松鼠經(jīng)常來。最終，它會(huì)選擇一個(gè)最優(yōu)解。這標(biāo)志著智能體開始為未來事件做打算，實(shí)現(xiàn)從本能反應(yīng)到預(yù)見性決策的質(zhì)變。

在類人猿演化階段，智能架構(gòu)完成第三次躍遷。黑猩猩等高等靈長(zhǎng)類面對(duì)復(fù)雜社會(huì)關(guān)系，進(jìn)化出元認(rèn)知層[3]。

這一架構(gòu)賦予了幾項(xiàng)關(guān)鍵能力，其一是自我效能評(píng)估，即掂量自己。當(dāng)黑猩猩想用樹枝去夠白蟻時(shí)，它會(huì)先審視工具和自身的能力，如果覺得“這根樹枝不行，我辦不到”，它會(huì)主動(dòng)放棄，轉(zhuǎn)而去尋找更合適的工具，甚至觀察同伴如何操作。其二是認(rèn)知資源分配，即分清主次：當(dāng)面前同時(shí)有水果和堅(jiān)果時(shí)，它能根據(jù)過往經(jīng)驗(yàn)和當(dāng)下的饑餓程度，優(yōu)先處理那個(gè)“回報(bào)更高”的目標(biāo)[4]；其三則是信念修正機(jī)制，即知錯(cuò)能改。當(dāng)它發(fā)現(xiàn)某種砸開堅(jiān)果的方法屢試屢敗時(shí)，它不會(huì)像程序一樣無(wú)限循環(huán)，而是能夠主動(dòng)修正策略，嘗試新的角度或力度。這使得智能體能理解物理世界的因果關(guān)系和社會(huì)情境的意圖結(jié)構(gòu)，從而應(yīng)對(duì)高度不確定的環(huán)境。

以上提及的三層架構(gòu)并非孤立或相互替代，而是日漸形成了高度整合的級(jí)聯(lián)系統(tǒng)[5]。元認(rèn)知層負(fù)責(zé)制定戰(zhàn)略、意圖層負(fù)責(zé)規(guī)劃戰(zhàn)術(shù)、目標(biāo)導(dǎo)向?qū)觿t驅(qū)動(dòng)最終動(dòng)作。而當(dāng)環(huán)境劇變時(shí)，智能體即可聯(lián)動(dòng)各層，由高層重構(gòu)風(fēng)險(xiǎn)策略，中層調(diào)整逃生路線，底層則執(zhí)行奔跑動(dòng)作。基于這種動(dòng)態(tài)整合能力的考慮，當(dāng)前AI的適應(yīng)性遠(yuǎn)不及生物智能。

人類終極外掛：

共享的“我們”

然而，即便擁有了黑猩猩這般精密的“三層大腦”，我們的祖先在認(rèn)知能力上，也只是“最聰明的野獸”而已。人類智能之所以能發(fā)生技術(shù)爆炸，是因?yàn)檠莼癁槲覀儼惭b了一個(gè)終極外掛：共享意圖（shared intentionality）。這一能力使人類能夠超越個(gè)體認(rèn)知邊界，通過協(xié)同合作與文化積累實(shí)現(xiàn)認(rèn)知能力的躍升。

共享意圖的演化分為兩個(gè)階段：聯(lián)合主體（Joint Agency）階段和集體能動(dòng)（Collective Agency）階段。

?聯(lián)合主體（Joint Agency）與集體能動(dòng)（Collective Agency）圖源：原始論文

其中，聯(lián)合主體階段出現(xiàn)于更新世時(shí)期。百萬(wàn)年前，當(dāng)我們的祖先開始圍獵猛犸象這樣龐大的獵物時(shí)，他們不再是各自為戰(zhàn)的獵手，而是形成了一個(gè)臨時(shí)的聯(lián)合體。在這個(gè)聯(lián)合體中，每個(gè)成員都清楚：我們擁有一個(gè)共同目標(biāo)（如圍捕猛犸象）、我們的注意力共同聚焦在獵物的動(dòng)向和同伴的位置上（聯(lián)合注意），我們更承擔(dān)著一種無(wú)言的共同承諾——我的行動(dòng)決定著你的生死，反之亦然。這種協(xié)作需要個(gè)體跳出自我視角，理解“我們”的共享心理狀態(tài)。通過手勢(shì)、身體定向和發(fā)聲的初步協(xié)調(diào)，也為人類語(yǔ)言的誕生奠定了認(rèn)知基礎(chǔ)。

后來，在約15萬(wàn)年前，現(xiàn)代智人則將“我們”的概念推向了極致，發(fā)展出了更高級(jí)的集體能動(dòng)階段。這一階段的標(biāo)志是文化共識(shí)的形成，人類開始生活在由規(guī)范、制度、符號(hào)系統(tǒng)構(gòu)成的抽象集體中。與基于即時(shí)情境的聯(lián)合主體不同，集體能動(dòng)是抽象且永恒的。它允許素未謀面的陌生人通過共同的法律、共同的信仰、共同的科學(xué)體系進(jìn)行大規(guī)模協(xié)作。它讓我們能夠積累跨越代際的知識(shí)，并去追求那些任何個(gè)體都無(wú)法企及的宏偉目標(biāo)——建造金字塔、編纂百科全書、飛向月球。

最終，這種共享意圖能力最終催生了人類獨(dú)有的規(guī)范性思維（normative thinking）——一種關(guān)于“應(yīng)該”的直覺。我們知道，在某種情境下，我們“應(yīng)該”怎么做，別人“應(yīng)該”怎么做。它表現(xiàn)為對(duì)社會(huì)規(guī)范的內(nèi)化與維護(hù)、對(duì)違背共同承諾行為的敏感以及基于集體價(jià)值觀的推理判斷。正是這種看不見的社會(huì)語(yǔ)法，將七十多億人粘合成一個(gè)全球協(xié)作網(wǎng)絡(luò)。并通過文化演化實(shí)現(xiàn)快速的技術(shù)進(jìn)步。

?《人類思維的自然史》，關(guān)于共享意圖假設(shè)更全面的整理，圖片翻譯為蘇彥捷等人翻譯。在本文，聯(lián)合意圖和集體意圖被翻譯為聯(lián)合主體和集體能動(dòng)，以更貼合哲學(xué)詞義表達(dá)。

而這，恰恰是AI最深的盲區(qū)。一個(gè)大語(yǔ)言模型可以寫出完美的法律合同，卻無(wú)法理解“責(zé)任”二字的分量；它可以分析數(shù)百萬(wàn)次人類對(duì)話，卻無(wú)法真正領(lǐng)會(huì)一次點(diǎn)頭或一個(gè)眼神背后的默契與承諾。因?yàn)闆]有共享意圖，它們便無(wú)法形成真正的關(guān)于“我們”的視角，也缺乏對(duì)共同基礎(chǔ)（common ground）的敏感性，更無(wú)法理解社會(huì)規(guī)范背后的義務(wù)性約束。

要想突破這一局限性，或許我們需要的，不是讓它讀完更多的書，而是為它設(shè)計(jì)一套能夠理解“我們”、理解“應(yīng)該”的心智與規(guī)范架構(gòu)。

對(duì)照AI：我們?nèi)笔Я耸裁矗?/strong>

當(dāng)以自然智能的進(jìn)化架構(gòu)為藍(lán)圖來審視當(dāng)前的人工智能，我們會(huì)發(fā)現(xiàn)，盡管大語(yǔ)言模型在數(shù)據(jù)處理上表現(xiàn)驚艷，但與生物智能的完整認(rèn)知系統(tǒng)相比，仍存在顯著差距。

這種差距首先體現(xiàn)在其被動(dòng)響應(yīng)機(jī)制上。與一只會(huì)因?yàn)轲囸I而捕食的蜥蜴，或任何一個(gè)有內(nèi)在需求的生命體都不同，今天的AI本質(zhì)上是一個(gè)被動(dòng)的“刺激-響應(yīng)”系統(tǒng)。它沒有自己的“餓”與“飽”，沒有好奇心驅(qū)使它去探索世界的邊界，更不會(huì)為了某個(gè)內(nèi)在目標(biāo)主動(dòng)發(fā)起行動(dòng)。你問，它才答。你推，它才動(dòng)。即便你給它一個(gè)明確的目標(biāo)，它也只是在浩瀚的統(tǒng)計(jì)規(guī)律中尋找一個(gè)最可能的“回聲”，而不是真正理解“為何要實(shí)現(xiàn)這個(gè)目標(biāo)”并自主行動(dòng)。

更深層的問題在于認(rèn)知控制層級(jí)的缺失。自然智能通過億萬(wàn)年進(jìn)化形成的三級(jí)架構(gòu)，在當(dāng)前AI設(shè)計(jì)中尚未得到系統(tǒng)性實(shí)現(xiàn)。最致命的短板，就是元認(rèn)知能力的缺乏。AI不會(huì)在回答前先掂量一下“關(guān)于這個(gè)問題，我到底知道多少？”；它不會(huì)動(dòng)態(tài)地評(píng)估“這個(gè)問題值不值得我投入更多算力？”；更不會(huì)在新證據(jù)面前反思“我是不是錯(cuò)了？需要更新結(jié)論嗎？”。當(dāng)面對(duì)復(fù)雜問題時(shí)，AI只是輸出概率最高的響應(yīng)，而非像黑猩猩那樣監(jiān)控思考過程并另尋他法。

最關(guān)鍵的差距體現(xiàn)在社會(huì)認(rèn)知維度。人類智能的核心優(yōu)勢(shì)在于共享意圖的能力，即能夠形成“我們”的共同體意識(shí)，建立共同目標(biāo)，并基于社會(huì)規(guī)范思維進(jìn)行協(xié)作。而當(dāng)前的人工智能，即便是多智能體系統(tǒng)，也僅是多個(gè)獨(dú)立單元的機(jī)械組合。它們無(wú)法形成真正的聯(lián)合意圖，因?yàn)樗鼈內(nèi)狈σ暯遣蓳衲芰?，既不理解他人心理狀態(tài)，也不懂社會(huì)規(guī)范的約束力。這解釋了為何AI能生成語(yǔ)法完美的對(duì)話，卻捕捉不到一個(gè)承諾的沉重分量，或是一次社交中微妙的期待。多智能體系統(tǒng)也只是機(jī)械組合，而非真正的心智協(xié)同。

這些架構(gòu)缺陷最終導(dǎo)致了AI系統(tǒng)表現(xiàn)出的嚴(yán)重脆弱性。當(dāng)面臨訓(xùn)練數(shù)據(jù)未覆蓋的情境時(shí)，自然智能體（如人類）能夠啟動(dòng)元認(rèn)知監(jiān)控，重新評(píng)估目標(biāo)，調(diào)整決策策略，并在必要時(shí)尋求協(xié)作，而AI往往陷入邏輯混亂或產(chǎn)生幻覺輸出。其根本原因在于AI缺乏動(dòng)態(tài)可調(diào)控的認(rèn)知架構(gòu)，無(wú)法像生物智能那樣，靈活整合所有資源去應(yīng)對(duì)這個(gè)不確定的世界。

通往未來：

如何讓AI更像自然智能體？

所以，如果要讓AI真正具備類人智能的適應(yīng)性與創(chuàng)造性，就需要從根本上重構(gòu)設(shè)計(jì)理念，即從單一數(shù)據(jù)驅(qū)動(dòng)轉(zhuǎn)向多層級(jí)協(xié)同的認(rèn)知架構(gòu)。

實(shí)現(xiàn)突破的首要方向在于構(gòu)建完整的“感知-行動(dòng)”閉環(huán)。當(dāng)前的AI，比如大語(yǔ)言模型，本質(zhì)上是開環(huán)系統(tǒng)，接收輸入，吐出輸出，然后一切歸零。它缺乏通過行動(dòng)影響環(huán)境并感知結(jié)果的反饋機(jī)制。而要想建立感知-行動(dòng)閉環(huán)，就需要主動(dòng)設(shè)定一個(gè)目標(biāo)（如維持室內(nèi)26度），然后持續(xù)感知環(huán)境變化，執(zhí)行動(dòng)作（開啟/關(guān)閉空調(diào)），并根據(jù)行動(dòng)的反饋來不斷修正自身行為。這個(gè)“身體”不必是人形，但這個(gè)閉環(huán)必須存在。

還記得那只懂得延遲滿足的松鼠嗎？它的大腦里，抑制沖動(dòng)與規(guī)劃未來的機(jī)制在激烈博弈。AI同樣需要這種內(nèi)在的調(diào)控能力。我們需要開發(fā)新的架構(gòu)，讓AI擁有“思考自己思考”的能力：它要能自主分配算力，懂得好鋼用在刀刃上（注意控制）；它要能評(píng)估當(dāng)前策略的優(yōu)劣，在“撞南墻”時(shí)主動(dòng)觸發(fā)備用方案（策略監(jiān)控）；它還要能根據(jù)新的證據(jù)，勇敢地“更新”自己的知識(shí)庫(kù)（自我修正）。

此外，人類智能的卓越之處在于能夠形成共同體意識(shí)，面向社會(huì)協(xié)作的AI則需要具備共享意圖的算法。當(dāng)多個(gè)AI代理協(xié)作時(shí)，它們不應(yīng)再是各自優(yōu)化KPI的精致利己主義者。相反，它們需要像人類團(tuán)隊(duì)一樣，能夠通過“心智理論”去推測(cè)同伴的意圖，能在協(xié)作中快速建立臨時(shí)的行為默契，甚至愿意為了集體利益，犧牲一部分個(gè)體最優(yōu)解。只有這樣，當(dāng)AI聽到“請(qǐng)幫我準(zhǔn)備會(huì)議”時(shí)，它才會(huì)明白這背后意味著協(xié)調(diào)日程、準(zhǔn)備材料、通知與會(huì)者等一系列復(fù)雜的社會(huì)性協(xié)同，而不僅僅是處理一段文本。

自然智能通過億萬(wàn)年的演化，逐步構(gòu)建了從反射到元認(rèn)知的完整架構(gòu)，當(dāng)前AI研究試圖直接訓(xùn)練出“全能”模型，但更合理的方式或許是仿照生物進(jìn)化所呈現(xiàn)的階梯式路徑[6]。例如，可以先開發(fā)如專用工業(yè)機(jī)器人的穩(wěn)定目標(biāo)驅(qū)動(dòng)系統(tǒng)，再逐步增加如客服系統(tǒng)的規(guī)劃能力，最后發(fā)展如能夠自我評(píng)估診斷能力的醫(yī)療AI的元認(rèn)知功能。這種分層構(gòu)建方法，雖看似緩慢，卻或許能根治AI脆弱性問題。

必須注意，實(shí)現(xiàn)以上愿景不僅需要技術(shù)創(chuàng)新，也迫切需要跨學(xué)科的協(xié)作。認(rèn)知科學(xué)家?guī)椭斫庾匀恢悄艿倪\(yùn)作機(jī)制，計(jì)算機(jī)科學(xué)家將其轉(zhuǎn)化為可計(jì)算的架構(gòu)，倫理學(xué)家則確保智能的發(fā)展符合人類價(jià)值。只有通過融合探索，我們才能創(chuàng)造出既強(qiáng)大又可信賴的AI伙伴。

結(jié)語(yǔ)

真正的智能并非源于龐大的數(shù)據(jù)或復(fù)雜的參數(shù)，而是源于一種精妙且分層的控制架構(gòu)，這種架構(gòu)使智能體能夠主動(dòng)感知環(huán)境、制定目標(biāo)并采取有效行動(dòng)。

從蜥蜴精準(zhǔn)捕食的本能反應(yīng)，到松鼠預(yù)判風(fēng)險(xiǎn)的儲(chǔ)藏策略，再到黑猩猩運(yùn)用工具的元認(rèn)知能力，直至人類創(chuàng)造文明的協(xié)作智慧，每一個(gè)進(jìn)化階梯都在揭示智能的本質(zhì)。這個(gè)由自然選擇塑造的認(rèn)知體系，不僅包含了目標(biāo)驅(qū)動(dòng)、決策規(guī)劃和自我監(jiān)控的完整閉環(huán)，更在人類身上發(fā)展出了獨(dú)特的共享意圖，形成“我們”的共同體意識(shí)，并通過文化傳承實(shí)現(xiàn)知識(shí)的積累。

當(dāng)前的人工智能雖然在某些領(lǐng)域令人驚嘆，但僅觸及了智能的表層。我們面臨的挑戰(zhàn)不再是單純追求更大的模型規(guī)?；蚋斓倪\(yùn)算速度，而是要深入理解生命智能的深層架構(gòu)，將生物進(jìn)化的智慧轉(zhuǎn)化為工程實(shí)踐。而這需要遵循一條仿生且漸進(jìn)的路徑，即首先構(gòu)建穩(wěn)定可靠的目標(biāo)驅(qū)動(dòng)系統(tǒng)，繼而逐步發(fā)展出規(guī)劃思考和元認(rèn)知能力，最后實(shí)現(xiàn)真正的社會(huì)協(xié)作智能。

我們需要為AI系統(tǒng)賦予內(nèi)在的目標(biāo)生成機(jī)制，植入自我監(jiān)控與調(diào)整的元認(rèn)知模塊，開發(fā)能夠理解共同意圖的社交算法。更重要的是，我們要像自然進(jìn)化那樣，采用分層構(gòu)建、逐級(jí)驗(yàn)證的發(fā)展路徑，確保每一階段的智能架構(gòu)都堅(jiān)實(shí)可靠。當(dāng)我們努力的方向，從教會(huì)AI“如何回答”，轉(zhuǎn)向培養(yǎng)其“如何探索、如何選擇、如何協(xié)作”時(shí)，通往通用人工智能的那扇大門，或許才算真正被叩響。

原始論文：

Tomasello, M. (2025). How to make artificial agents more like natural agents. Trends in Cognitive Sciences, 29(9), 783–786. https://doi.org/10.1016/j.tics.2025.07.004

1.Tomasello, M. (2022) The Evolution of Agency: From Lizards to Humans, MIT Press 2.

2.Tomasello, M. (2024) Agency and Cognitive Development, Oxford University Press

3.Call, J. and Tomasello, M. (2024) Primate Cognition (Second edn), Oxford University Press

4.Gershman, S.J. et al. (2015) Computational rationality: a converging paradigm for intelligence in brains, minds, and machines. Science 349, 273–278

5.Tomasello, M. (2024) An agency-based model of executive and metacognitive regulation. Front. Dev. Psychol. 2, 1367381

6.Tenenbaum, J. et al. (2011) How to grow a mind: Statistics, structure, and abstraction. Science 331, 1279–1285

關(guān)于追問nextquestion

天橋腦科學(xué)研究院旗下科學(xué)媒體，旨在以科學(xué)追問為紐帶，深入探究AI與人類智能相互融合與促進(jìn)，不斷探索科學(xué)的邊界。歡迎評(píng)論區(qū)留言，或后臺(tái)留言“社群”即可加入社群與我們互動(dòng)。您也可以在后臺(tái)提問，我們將基于追問知識(shí)庫(kù)為你做出智能回復(fù)哦~

關(guān)于天橋腦科學(xué)研究院

天橋腦科學(xué)研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元?jiǎng)?chuàng)建的世界最大私人腦科學(xué)研究機(jī)構(gòu)之一，圍繞全球化、跨學(xué)科和青年科學(xué)家三大重點(diǎn)，支持腦科學(xué)研究，造福人類。

Chen Institute與華山醫(yī)院、上海市精神衛(wèi)生中心設(shè)立了應(yīng)用神經(jīng)技術(shù)前沿實(shí)驗(yàn)室、AI與精神健康前沿實(shí)驗(yàn)室；與加州理工學(xué)院合作成立了加州理工天橋神經(jīng)科學(xué)研究院。

Chen Institute建成了支持腦科學(xué)和AI領(lǐng)域研究的生態(tài)系統(tǒng)，項(xiàng)目遍布?xì)W美、亞洲和大洋洲，包括、、、科研型臨床醫(yī)生獎(jiǎng)勵(lì)計(jì)劃、、、大圓鏡科普等。