文 _ 顧凡及（復(fù)旦大學(xué)生命科學(xué)學(xué)院）

聊天機(jī)器人近年異軍突起。問它問題，似乎無所不知；要它做文案工作，幾乎無所不能。人們驚呼人工智能即將趕超人類智能，對人類構(gòu)成前所未有的威脅。這或許是當(dāng)下最受關(guān)注的一個(gè)開放問題，但既然是開放問題，自然就還沒有定論。本文試圖梳理幾位人工智能科學(xué)家和腦科學(xué)家對這個(gè)問題的種種看法，這些觀點(diǎn)有相當(dāng)?shù)拇硇裕已灾袚?jù)又不盡相同，甚至在某些問題上針鋒相對。筆者自然不敢狂妄自居裁判，只是扼要地?cái)[出他們的觀點(diǎn)和論據(jù)，少數(shù)地方加上筆者個(gè)人的思考，目的是拋磚引玉，引起讀者的思考。

2024年底，人工智能“三教父”之一的辛頓（Geoffrey Hinton）在接受采訪時(shí)說：“就短期而言，我擔(dān)心的是網(wǎng)絡(luò)攻擊和生物武器?！谥衅冢覔?dān)心就業(yè)問題和自主致命性武器。從長遠(yuǎn)來看，我最擔(dān)心這些人工智能系統(tǒng)變得比我們更聰明，最終取代我們?！盵1]

另一位“教父”楊立昆（Yann LeCun）則認(rèn)為，現(xiàn)在的人工智能甚至還沒達(dá)到“貓類智能”：“……實(shí)際上，絕大多數(shù)人工智能研究人員都更認(rèn)同我，而不是那些擔(dān)心巨大風(fēng)險(xiǎn)的人的觀點(diǎn)。只是那些擔(dān)心存在風(fēng)險(xiǎn)的人的聲量更大，或者說他們當(dāng)中有一部分人更喜歡危言聳聽。辛頓或許不是這樣，但其中一些人確實(shí)如此。坦白講，人們害怕什么就說什么，寫聳人聽聞的東西更容易吸引讀者。如果你說一切安好，反而很難讓人信服。”[2]

辛頓。圖片來自utoronto.ca

然而僅在幾年之前，辛頓還認(rèn)為人工智能不可能在50—100年內(nèi)超越人類智能，但是有兩件事使他改變了觀點(diǎn)。

首先，他曾考慮是否需要構(gòu)建像腦一樣的模擬系統(tǒng)以實(shí)現(xiàn)低能耗的人工智能，但當(dāng)他把腦的“模擬智能”和數(shù)字計(jì)算機(jī)上實(shí)現(xiàn)的“數(shù)字智能”進(jìn)行比較時(shí)，他認(rèn)識到由于電子器件處理和傳輸數(shù)據(jù)的速度要比神經(jīng)元快得多，一臺機(jī)器能夠“學(xué)到”的知識要比個(gè)人多得多。另外，由于數(shù)字信號是精確的，機(jī)器可以精準(zhǔn)復(fù)制，一臺機(jī)器學(xué)到的知識（表現(xiàn)為權(quán)重和梯度）可以拷貝到其他有同樣結(jié)構(gòu)的機(jī)器上，由此學(xué)到不同知識的數(shù)字機(jī)器可以平均它們的權(quán)重和梯度，從而分享各自學(xué)到的知識，這樣數(shù)字機(jī)器就可能學(xué)到所有現(xiàn)存的電子文本，這是一個(gè)人即使活一萬年也做不到的。

其次，一個(gè)人也不可能把自己學(xué)到的知識原封不動地拷貝給另一個(gè)人，而只能通過緩慢的肉體通信（如說話）來改變另一個(gè)人腦中的突觸強(qiáng)度，這個(gè)過程非常緩慢，而且會漏掉大量“不可言傳”的知識。也正因?yàn)榇?，?shù)字智能可以永生，但模擬智能如人類智能一樣不可能永生，一旦承載其智能的系統(tǒng)崩壞/肉體死亡，智能也就隨之而去而ChatGPT的巨大成功也出乎他的意料，使他認(rèn)為數(shù)字智能比模擬智能更強(qiáng)。

此外，辛頓認(rèn)為真正的智能體必然會產(chǎn)生自己的目標(biāo)，并可能不受人類的控制，因此近年他大聲疾呼人工智能的危險(xiǎn)性，并呼吁投入大量資金研究人工智能的安全問題，為此他甚至退出了谷歌，以便可以自由發(fā)聲。

楊立昆。圖片來自nyu.edu

楊立昆認(rèn)為，現(xiàn)在最走紅的人工智能（大語言模型）不要說和人類智能相比，連“貓類智能”都不如。貓具有他所認(rèn)為的“智能四要素”——物理世界的內(nèi)心模型、持久的記憶、一定的推理能力和計(jì)劃能力，這些特性都是語言大模型不具備的。他喜歡舉的一個(gè)人類智能的例子是，一個(gè)10歲小孩都知道應(yīng)該怎樣收拾餐桌，而現(xiàn)在還沒有任何智能機(jī)器人能做到這一點(diǎn)；另一個(gè)例子是，一個(gè)17歲的孩子經(jīng)過20個(gè)小時(shí)的培訓(xùn)就能學(xué)會開車，而“自動駕駛汽車”雖然被投喂了海量的實(shí)際行駛數(shù)據(jù)，卻至今未能真正達(dá)到L5級別（完全自動駕駛級別）——現(xiàn)在的汽車廠商都已把曾一度吹噓的“無人駕駛”改為“輔助駕駛”。各種“日?，嵤隆痹趯?shí)驗(yàn)條件下演示一下是容易的，但是真的要付諸日用，難免百密一疏，碰到訓(xùn)練時(shí)沒想到的“長尾事件”，人工智能就更不知所措了；而人總能根據(jù)以往的經(jīng)驗(yàn)隨機(jī)應(yīng)變，通過類比采取盡可能好的應(yīng)對措施，雖然也不能保證百分之百成功。

針對數(shù)字智能可以閱讀遠(yuǎn)比個(gè)人一生能讀的多得多的文本這一論點(diǎn)，楊立昆強(qiáng)調(diào)：雖然從語言文本上來說，情況確實(shí)如此，但一個(gè)4歲小孩出生以來在醒著時(shí)接收到的視覺信息量就要遠(yuǎn)超現(xiàn)在所有互聯(lián)網(wǎng)上的文本信息，更不要說他還會接收到聽覺、觸覺、嗅覺等其他信息。動物和人在出生后首先通過這些觀察，然后進(jìn)一步通過互動，能接收到遠(yuǎn)比聊天機(jī)器人僅從語言文本上接收到的多得多的信息。這也是為什么動物和人具備“智能四要素”，而聊天機(jī)器人不具備。由于現(xiàn)在的巨型語言模型幾乎已經(jīng)耗盡互聯(lián)網(wǎng)上的文本信息以作訓(xùn)練之用，所以按原有路線進(jìn)一步提升其智能水平的空間已經(jīng)非常有限。

楊立昆又指出，人們曾經(jīng)以為語言是智能皇冠上的明珠，因?yàn)橹挥腥瞬庞姓Z言，但其實(shí)語言比較簡單，因?yàn)樗且痪S、離散且元素有限的，這才使人可以根據(jù)前文預(yù)測后詞的概率；而對于高維、連續(xù)且后續(xù)場景有無窮可能性的視覺景象，就沒法在像素水平上做概率預(yù)測，而需要另辟他徑。

李飛飛。圖片來自網(wǎng)絡(luò)

在人工智能不能限于大語言模型這一點(diǎn)上，李飛飛和楊立昆觀點(diǎn)一致。除了“語言智能”，她還提倡研究“空間智能”。按照她的定義，空間智能是“理解、推理、生成和與三維世界互動的能力”[3]。她特別強(qiáng)調(diào)“互動”，認(rèn)為智能的真正重要之處不在于思考，更在于運(yùn)用思想采取行動，以適應(yīng)環(huán)境變化。

那么，如何看待他們的不同意見呢？筆者以為，就人類已有的書面知識來說，辛頓的話是有道理的，當(dāng)下我們可能在世界上再也找不到一位比大語言模型更博學(xué)的“博學(xué)家”，但是其博學(xué)程度總歸還是受到訓(xùn)練它的數(shù)據(jù)的限制：它不僅做不到“言人之所未言，想人之所未想”，更沒有像達(dá)爾文或愛因斯坦那樣的創(chuàng)造性思維，如果不接入互聯(lián)網(wǎng)，甚至回答不了有關(guān)最新事態(tài)的問題。大語言模型所知雖廣，但仍受限于訓(xùn)練數(shù)據(jù)集。

所以，盡管大語言模型式的人工智能在絕大多數(shù)問題上，僅從書面知識上來說，可能足以“碾壓”絕大多數(shù)人類個(gè)體——辛頓的論證在這方面是成立的，但是當(dāng)前大語言模型的智能還不可能超越人類全體的智能，因?yàn)樗闹R都只來自人類已經(jīng)創(chuàng)造出來的知識，它自己并無創(chuàng)造性。

以上三位人工智能科學(xué)家的論點(diǎn)針對的都是大語言模型，但是大語言模型只是深度學(xué)習(xí)的一個(gè)子領(lǐng)域，深度學(xué)習(xí)則是聯(lián)結(jié)主義人工智能的一個(gè)子領(lǐng)域，而聯(lián)結(jié)主義人工智能也只是人工智能的一個(gè)子領(lǐng)域，還有一個(gè)曾風(fēng)光無兩，但是在深度學(xué)習(xí)興起后黯然無光的符號主義人工智能。楊立昆批評大語言模型缺乏長期記憶和推理能力，這一論點(diǎn)雖然沒錯(cuò)，但是長期記憶和推理能力卻是符號主義人工智能的強(qiáng)項(xiàng)。這兩大主義未必一定互斥，現(xiàn)在已有一些科學(xué)家正在考慮將兩派思想互補(bǔ)，開創(chuàng)出新一代人工智能。

讓我們回過頭來，再度思考人工智能能否達(dá)到人類智能水平。筆者以為，僅從邏輯上來說，無法絕對排除這種可能性。因?yàn)槿四X歸根到底只是某種物理系統(tǒng)，它能實(shí)現(xiàn)人類智能，就證明有適當(dāng)組織的物理系統(tǒng)是可以實(shí)現(xiàn)人類智能的，類似數(shù)學(xué)中的“存在性定理”?？上У氖牵@種“存在性定理”并非構(gòu)造性的，也即它沒有告訴我們怎樣做才能構(gòu)造出這樣的系統(tǒng)。所以在筆者看來，也很難預(yù)測究竟在什么時(shí)候才能做到這一點(diǎn)，但是可以說，有很大的概率總有一天會做到這一點(diǎn)。

認(rèn)為人是“天之驕子”的思想根深蒂固，人們總是會舉出一些人能做到而機(jī)器做不到的例子，總想在人類智能和機(jī)器智能之間劃條界線：一開始是“人能計(jì)算而機(jī)器不能”，但是這條界線早就破防；后來是“人能證明數(shù)學(xué)定理而機(jī)器不能”，但是明斯基（Marvin Lee Minsky）和王浩等人先后用計(jì)算機(jī)把羅素的數(shù)學(xué)巨著《數(shù)學(xué)原理》中的定理證明了個(gè)遍；再后來是“機(jī)器在國際象棋上戰(zhàn)勝不了人類頂級棋手”，然而計(jì)算機(jī)“深藍(lán)”一戰(zhàn)而勝國際象棋世界冠軍卡斯帕洛夫（Garry Kasparov）；然后又說“還要幾十年機(jī)器才能戰(zhàn)勝圍棋世界冠軍”，但是這一預(yù)言又很快破產(chǎn)……這條界線在不斷后移，說人能做到而機(jī)器不能的領(lǐng)域正在不斷縮小。在筆者看來，這條界線總有一天會消失，但很難預(yù)言何時(shí)會消失。

現(xiàn)在讓我們來看看這條界線當(dāng)今在哪里吧！由于人類智能和人工智能（其實(shí)就是機(jī)器智能）的界線與人腦（一種模擬系統(tǒng)）和數(shù)字智能機(jī)器的區(qū)分關(guān)系非常密切，所以下文將不會對二者做嚴(yán)格區(qū)分。

計(jì)算機(jī)與人腦

[美] 馮·諾依曼

北京大學(xué)出版社 2010

數(shù)字計(jì)算機(jī)之父馮 · 諾依曼（John von Neumann）在其遺作《計(jì)算機(jī)與人腦》[4]中強(qiáng)調(diào)，他所發(fā)明的計(jì)算機(jī)是一種數(shù)字系統(tǒng)，而人腦是一種模擬系統(tǒng)或模擬—數(shù)字系統(tǒng)。神經(jīng)元傳輸信號只在離散的發(fā)放脈沖時(shí)刻才消耗能量，在沒有脈沖時(shí)不消耗能量。相比之下，計(jì)算機(jī)為了保證信號傳輸?shù)木_性，必須維持足夠大的代表0和1的電壓差，且在每次電壓反轉(zhuǎn)時(shí)都要消耗比較多的能量。這也是造成當(dāng)前“數(shù)字智能”能耗居高不下、制約大語言模型規(guī)模進(jìn)一步擴(kuò)大的根本瓶頸之一。另外，在數(shù)字計(jì)算機(jī)中存儲器和處理器是分離的，信息在這兩者之間的頻繁交換也要消耗大量能量，而腦內(nèi)沒有存儲器與處理器之分。正因如此，人腦的能耗只有二三十瓦，而要仿真人腦神經(jīng)元同等規(guī)模的人工神經(jīng)網(wǎng)絡(luò)，能耗可能是人腦的100萬倍。但是即便如此，這仍不意味著后者就可以執(zhí)行人腦的所有功能。

一言以蔽之：腦是一種模擬系統(tǒng)，是高度節(jié)能的，而數(shù)字計(jì)算機(jī)（包括現(xiàn)在的絕大多數(shù)的智能機(jī)器）是一種數(shù)字系統(tǒng)，高度耗能。當(dāng)然，現(xiàn)在有些科學(xué)家也在開展仿照人腦的節(jié)能研究，研發(fā)通過發(fā)放脈沖傳輸信息，并把處理器和存儲器集成在一塊芯片上的所謂“神經(jīng)形態(tài)系統(tǒng)”。這樣可比傳統(tǒng)計(jì)算機(jī)仿真減少四個(gè)數(shù)量級的能耗，但是相較人腦依然是能耗大戶。并且，如果要用這種系統(tǒng)構(gòu)建大語言模型也會碰到實(shí)質(zhì)性的困難，例如很難在這樣的大模型上采用傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)應(yīng)用的標(biāo)準(zhǔn)反向誤差傳播算法[5]。

以上所列都是對腦有了解的信息科學(xué)家的看法，下面我們再來看看有數(shù)理背景的神經(jīng)科學(xué)大師們的一些觀點(diǎn)。

意識的宇宙

[美] 杰拉爾德·埃德爾曼、[美] 朱利歐·托諾尼

上?？茖W(xué)技術(shù)出版社 2019

諾貝爾生理學(xué)或醫(yī)學(xué)獎(jiǎng)得主埃德爾曼（Gerald Edelman）在其2000年出版的《意識的宇宙》[6]一書的“腦不是計(jì)算機(jī)”一節(jié)中，專門論述了腦和計(jì)算機(jī)的差別?，F(xiàn)在過了差不多1/4個(gè)世紀(jì)，重讀他當(dāng)時(shí)的論述，這條界線雖在某些方面略有后退，但是他所講的主要差別依然成立：

（1）人腦通過各種感官感覺環(huán)境，從各種不同信號（多模態(tài)信號，如光信號、聲信號、機(jī)械刺激信號、化學(xué)信號等）中歸結(jié)出一些模式來分類，和腦內(nèi)部存在的有關(guān)外部世界的模型進(jìn)行匹配，做出預(yù)測并采取行動。實(shí)際上，楊立昆和李飛飛都在朝這個(gè)方向努力，但是還沒有實(shí)現(xiàn)重大突破，特別是在如何建立和不斷更新外部世界的內(nèi)部模型方面。

（2）腦中有一些特殊的有彌散性投射的核團(tuán)——價(jià)值系統(tǒng)。這個(gè)系統(tǒng)會向整個(gè)神經(jīng)系統(tǒng)發(fā)出信號，通知遇到了突發(fā)事件，它也會影響突觸強(qiáng)度的變化。現(xiàn)在有些深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)，如AlphaZero等，除了具備執(zhí)行行動的網(wǎng)絡(luò)，還有一個(gè)評估網(wǎng)絡(luò)，會對每步動作的價(jià)值進(jìn)行評估，可以看作朝這個(gè)方向努力的一步。

（3）腦是一種選擇性系統(tǒng)，而非計(jì)算系統(tǒng)。腦中的幾十億個(gè)聯(lián)結(jié)都不是精確的。從最精細(xì)的尺度上來看，沒有任何兩個(gè)腦是一樣的，即使同卵雙胞胎的腦也不完全一樣。雖然可以用同樣的話來描述不同腦的某個(gè)特定腦區(qū)總體上的聯(lián)結(jié)模式，但是腦在神經(jīng)元的最精細(xì)部分上的微觀差別是巨大的，這種千差萬別也使得每個(gè)腦都獨(dú)一無二。腦是進(jìn)化出來的，而非設(shè)計(jì)出來的。筆者認(rèn)為，進(jìn)化無須考慮“成本”（無論是時(shí)間還是金錢），也根本不要求“標(biāo)準(zhǔn)化”，反而更依賴多樣化，從而遵循優(yōu)勝劣汰的原則；而工程師在設(shè)計(jì)機(jī)器時(shí)，成本和標(biāo)準(zhǔn)化都是其必須考慮的因素。

（4）腦的物理結(jié)構(gòu)本身也在動態(tài)變化。一天過后，同一個(gè)腦中的某些突觸聯(lián)結(jié)不大可能精確地維持不變；某些細(xì)胞會收縮它們的突起，另一些會長出新的突起，還有某些會死掉，這一切都有賴于這個(gè)腦所經(jīng)歷的特定歷史。隨之而來的個(gè)體差異并不只是噪聲或誤差，它們會影響我們記憶事情的方式。這也是腦能夠適應(yīng)將來可能發(fā)生的無數(shù)不可預(yù)測事件并對其起反應(yīng)的關(guān)鍵因素?，F(xiàn)在還沒有哪一種人造機(jī)器在設(shè)計(jì)時(shí)會把這種個(gè)體的多樣性和動態(tài)變化作為一條主要原則來加以考慮。

（5）腦內(nèi)相互聯(lián)結(jié)的區(qū)域之間不斷進(jìn)行著并行信號的遞歸性相互交換，這些相互交換在時(shí)空維度上不斷地協(xié)調(diào)著各區(qū)域中相互映射區(qū)的活動。這種相互交換和反饋不一樣，它有許多并行的雙向通道，并且沒有特別的指令性誤差函數(shù)。埃德爾曼把這種并行的雙向聯(lián)結(jié)稱為“復(fù)饋”。他認(rèn)為復(fù)饋是分布在許多不同功能區(qū)的不同神經(jīng)元群的活動得以大范圍同步的基礎(chǔ)，而這種同步又是知覺過程和運(yùn)動過程整合的基礎(chǔ)。復(fù)饋使得知覺和行為得以統(tǒng)一。在筆者看來，也正是復(fù)饋使得我們難以用科學(xué)傳統(tǒng)上所使用的基于線性因果鏈之上的還原論策略，去研究腦包括智能在內(nèi)的高級功能的神經(jīng)機(jī)制—這種復(fù)饋使得通過復(fù)饋聯(lián)結(jié)的不同腦區(qū)互為因果，這樣的因果關(guān)系就成了“循環(huán)因果關(guān)系”，而非傳統(tǒng)的線性因果鏈。

腦機(jī)革命

[巴西] 米格爾·尼科萊利斯

浙江教育出版社 2023

腦機(jī)接口先驅(qū)尼可萊利斯（Miguel Nicolelis）在其新作《腦機(jī)革命》（

The True Creator of Everything

“機(jī)械裝置是根據(jù)預(yù)先準(zhǔn)備的計(jì)劃或智能藍(lán)圖而設(shè)計(jì)建造的，因此涉及計(jì)算機(jī)模擬和逆向工程；生物體的出現(xiàn)是從分子到整個(gè)生物體的多個(gè)組織層面發(fā)生的大量進(jìn)化步驟共同作用的結(jié)果，這些步驟不依照任何事先建立的計(jì)劃或智能藍(lán)圖，而通過一系列隨機(jī)事件執(zhí)行。因此，生物體與它們的環(huán)境密切相關(guān)。在考慮生物體內(nèi)的信息流時(shí)，獨(dú)立于物質(zhì)基質(zhì)或非實(shí)體信息的概念不再適用。在大腦中，……一系列不同的生物組織層都參與了信息流的處理。此外，生物體產(chǎn)生的信息會不斷修改產(chǎn)生信息的物質(zhì)基質(zhì)。……我們無法對從未被設(shè)計(jì)過的東西進(jìn)行逆向工程。”

“人的心智活動不能被還原為運(yùn)行算法的數(shù)字系統(tǒng)。”尼可萊利斯舉例稱，人們認(rèn)為自己的母親和女兒是“美”的，但是無法把“美”形式化。其實(shí)，不僅是“美”這樣的抽象認(rèn)知，所有只能意會不可言傳的主觀體驗(yàn)特性（qualia，如中國國旗讓我產(chǎn)生了“紅”這一主觀體驗(yàn)是別人無法分享的，一位紅綠色盲對中國國旗顏色的主觀體驗(yàn)也肯定和我不同，但是我們都無法讓對方知道自己的確切體驗(yàn)是什么）或感受（feeling，如外國人對皮蛋的嫌惡感是我所無法共情的）都無法形式化。我想在可預(yù)見的未來，也不會有任何數(shù)字機(jī)器能體驗(yàn)到它們。確實(shí)，當(dāng)前的AI系統(tǒng)并沒有真正的意識和情感，而人類不僅可以處理信息，還擁有意識、情感和主觀體驗(yàn)，這些都是人腦智能的重要組成部分。筆者以為，尼可萊利斯所講的不能還原性，也是因?yàn)槿说男闹腔顒影l(fā)生在循環(huán)因果關(guān)系主導(dǎo)的復(fù)雜網(wǎng)絡(luò)中，腦并沒有明顯的單向?qū)哟谓Y(jié)構(gòu)，可以逐層向下還原。

精準(zhǔn)學(xué)習(xí)

[法] 斯坦尼斯拉斯·迪昂

浙江教育出版社 2023

另一位熟諳信息技術(shù)的腦科學(xué)大家德阿納（Stanislas Dehaene）[8]，在近作《精準(zhǔn)學(xué)習(xí)》（

How We Learn

（1）機(jī)器沒能高效地利用數(shù)據(jù)，而人腦能利用少量數(shù)據(jù)進(jìn)行學(xué)習(xí)；深度學(xué)習(xí)進(jìn)行的是大樣本學(xué)習(xí)，而人腦能進(jìn)行小樣本甚至單樣本學(xué)習(xí)。這一點(diǎn)幾乎已成共識，不過辛頓對此提出異議，認(rèn)為這樣的比較有點(diǎn)像拿一位人工智能的“初生嬰兒”去和麻省理工學(xué)院（MIT）的博士生進(jìn)行比較。事實(shí)上，一個(gè)經(jīng)過大數(shù)據(jù)訓(xùn)練的大語言模型也能進(jìn)一步在很少數(shù)據(jù)的訓(xùn)練（微調(diào)）之下學(xué)會新知識。

（2）社會學(xué)習(xí)。人類是唯一會主動分享信息的物種，我們通過語言向其他人學(xué)習(xí)，從小脫離人類社會的狼孩的智能無論從哪個(gè)方面來看都更接近于狼而非人。

（3）人腦能夠從具體事例當(dāng)中發(fā)現(xiàn)普遍規(guī)律，而深度學(xué)習(xí)算法幾乎無法進(jìn)行任何深刻的思考。

陶威爾教授的頭顱

[蘇] A.別利亞耶夫

科學(xué)技術(shù)出版社 1959

除了上述腦科學(xué)大師們的論述，目前在人類智能和機(jī)器智能領(lǐng)域還有一個(gè)熱點(diǎn)問題，那就是具身智能。人腦要維持正常的智能，必須依托身體，且這個(gè)身體須能與豐富的環(huán)境主動交互。以前有些科幻小說，如蘇聯(lián)科幻作品《陶威爾教授的頭顱》，設(shè)想通過灌流營養(yǎng)液維持人腦的正常思維。實(shí)際上，這種設(shè)想是不可能實(shí)現(xiàn)的，且不說身首分離，即使腦袋依然長在身體上，如果剝奪了對環(huán)境的主動探索，也不能維持正常的智能。有科學(xué)家做過這樣的實(shí)驗(yàn)：平時(shí)把兩只小貓養(yǎng)在黑暗的環(huán)境中，每天只有三個(gè)小時(shí)讓它們見光，科學(xué)家制作了一個(gè)大圓筒建筑，中間有一個(gè)大轉(zhuǎn)桿，桿的一端有個(gè)座椅，有一只小貓總是作為“乘客”固定在這個(gè)座椅上被動地觀看，另一端則讓另一只小貓總是作為“車夫”拉動轉(zhuǎn)桿轉(zhuǎn)動。雖然這兩只小貓看到的景色是完全一樣的，但經(jīng)過長期訓(xùn)練后，作為“車夫”的小貓的視覺是正常的，作為“乘客”的小貓卻沒有深度感知。

現(xiàn)在的人工智能都還像“陶威爾教授的頭顱”，沒有具身智能，不會主動探索和動態(tài)交互，更缺乏社會智能。但是如果讓智能機(jī)器人成群結(jié)隊(duì)，形成某種“社會”，那么又將如何？雖然說這話似乎為時(shí)尚早，但是從原則上來說這并非全無可能。

總之，原則上我們不能完全排除人工智能有朝一日會全面趕上人類智能，但是由于兩者在實(shí)現(xiàn)上存在巨大差異，筆者以為這一天不會很快到來。至于說“超過”，我們必須把具體能力和元能力[10]區(qū)分開來。在許多具體能力上，人工智能早已超越人類，例如下棋。但是人工智能的元能力是由設(shè)計(jì)者給定的，因此大概率不會超過人類。此外，人工智能也不可能在各個(gè)方面都和人類智能一樣。例如，即使人工智能擁有機(jī)器人的身體，但是這個(gè)身體也和人體完全不同；即使智能機(jī)器人可以聚集成群，這個(gè)群體也不會和人類社會一樣。人工智能當(dāng)然是受人類智能啟發(fā)的產(chǎn)物，但是不必也不可能拷貝人類智能。人類智能和人工智能各有所長，也各有所短，在可預(yù)見的將來，兩者依然是一種互補(bǔ)的關(guān)系。

[1] KBS DOCUMENTARY. AI Pioneer Geoffrey Hinton on the Future of AI in 10 years丨The Great Transiton[N/OL]. KBS Documentary, (2024-11-09) [2025-11-20]. https://www.youtube.com/watch?v=SN-BISKo2lE.

[2] 智能烏鴉. 圖靈獎(jiǎng)得主楊立昆: 大語言模型是通往AGI的一條歧路[Z/OL].“硅基觀察Pro”微信公眾號, (2024-04-24)[2025-11-20].

https://mp.weixin.qq.com/s/onM7L-m_C9HLTX3FoLvIsQ.

[3] CHM LIVE. Fei-Fei Li's AI Journey[N/OL]. Computer History Museum, (2024-09-17)[2025-11-20]. https://www.youtube.com/watch?v=JgQ1FJ_wow8&t=611s.

[4] 馮·諾依曼. 計(jì)算機(jī)與人腦[M]. 甘子玉, 譯. 北京: 商務(wù)印書館, 2001.

[5] 反向誤差傳播算法是訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)的基石。它本質(zhì)上是利用鏈?zhǔn)椒▌t計(jì)算損失函數(shù)對網(wǎng)絡(luò)參數(shù)的梯度, 將輸出層計(jì)算出的誤差“反向”逐層傳遞回輸入層, 從而根據(jù)梯度下降的方向調(diào)整每個(gè)神經(jīng)元的權(quán)重, 以最小化預(yù)測值與真實(shí)值之間的差異。當(dāng)反向傳播試圖應(yīng)用鏈?zhǔn)椒▌t計(jì)算梯度時(shí), 由于神經(jīng)形態(tài)系統(tǒng)中所用的激活函數(shù)的導(dǎo)數(shù)為0, 導(dǎo)致計(jì)算出的梯度也為0。這就意味著誤差信息無法傳回網(wǎng)絡(luò), 權(quán)重也就無法得到更新, 網(wǎng)絡(luò)無法進(jìn)行“學(xué)習(xí)”。雖然現(xiàn)在也有科學(xué)家在嘗試使用某些近似方法回避這一問題, 但依然存在一些困難。

[6] 埃德爾曼, 托諾尼. 意識的宇宙: 物質(zhì)如何變?yōu)榫馵M]. 顧凡及, 譯. 上海: 上?？茖W(xué)技術(shù)出版社, 2019.

[7] 尼可萊利斯. 腦機(jī)革命[M]. 程致遠(yuǎn), 張勝男, 楊錦陳, 譯. 杭州: 浙江教育出版社, 2023.

[8] 多譯為“迪昂”, 不過按新華社主編的《世界人名翻譯大辭典》, 依照法語發(fā)音應(yīng)譯為“德阿納”。

[9] 迪昂. 精準(zhǔn)學(xué)習(xí)[M]. 周加仙, 譯. 杭州: 浙江教育出版社, 2023.

[10] 所謂元能力就是產(chǎn)生具體能力的能力。一般說來, 元能力是先天的, 而具體能力是由先天的元能力和后天經(jīng)驗(yàn)共同決定的。

（原載于《信睿周報(bào)》第161期）