智能的未來是什么？答案可能藏在它的演變故事中

人工智能的出現或許只是一個指導生物過程的最新階段，這一過程在生命歷史上產生了越來越復雜、相互依賴的生物體。

十年前，我們已經懂得如何讓機器思考。在2010年代，谷歌研究院的團隊致力于各種人工智能模型，包括驅動安卓智能手機鍵盤的下一個單詞預測器。他們正在訓練的那類人工神經網絡終于解決了視覺感知、語音識別、游戲玩法及許多其他領域的長期挑戰。但能真正理解新概念、寫笑話、調試代碼，或做那些人類智能標志中的無數事情，這似乎很陌生。

“解開”這種信息肯定需要一些根本性的科學洞見。而這很可能受到神經科學的啟發——對唯一已知通用智能體現——大腦的研究。

2019年，谷歌的科學家訓練了一個當時規模龐大的下一個詞預測器——技術上說，是一個下一個詞預測器，每個詞匯對應一個詞片段——代號為Meena1.雖然有些斷斷續續，但似乎能夠理解新概念，寫笑話，提出邏輯論證，以及其他許多方面。這一趨勢一直持續至今。

到了2025年，科學家們發現處于一個頗為滑稽的境地：期望如此大型的語言模型能夠流利、智能、負責任且準確地回應各種人類無法回答的深奧問題和要求。當這些系統未能恰當地回答時，人們會感到困惑——同時也在爭論通用人工智能何時會到來。

大型語言模型可能不可靠，說出愚蠢的話，但人類也可能如此。他們的優勢和劣勢確實與我們不同。但我們正在用盡人類能可靠通過而AI模型無法通過的智力測試。根據這些基準，如果我們接受智能本質上是計算性的——這是大多數計算神經科學家的觀點——我們必須接受一個可工作的智能“模擬”實際上就是智能。并沒有什么深刻的發現讓明顯不智能的機器突然變得聰明：結果證明是計算規模的提升。

其他研究者則不同對人工智能現狀的評估。但在接下來的內容中，科學家想接受這樣一個前提：智能機器已經存在，并將鏡子反過來照向我們自己。如果計算規模提升產生了人工智能，那么包括人類在內的生物體所展現的智能，是否也是計算規?；慕Y果？如果是這樣，是什么推動了這一點——生物體最初是如何變得計算的？

在過去的幾年里，一些專家和越來越多的合作者開始找到一些初步但令人興奮的答案。人工智能、生物智能，甚至生命本身，可能都源自同一過程。這一見解不僅能為人工智能、神經科學和神經哲學帶來新的啟示，也能為理論生物學、進化和復雜性科學帶來新的啟示。此外，它還能讓我們一窺人類與機器智能未來如何共同進化。

預測性大腦

認為大腦本質上是預測機器的想法并不新鮮。德國物理學家兼內科醫生赫爾曼·馮·亥姆霍茲在19世紀的《生理光學論》中提出了這一理論。這一理念在20世紀40年代初由控制論創始人，尤其是美國數學家諾伯特·維納進一步發展——成為現代基于神經網絡的人工智能研究的起點。

維納意識到3所有生命系統都有“目的性”的行為以維持生命，而這些行為需要計算建模。我們的內在和外部感官使我們能夠計算預測模型，既包括我們自己，也包括環境。但這些只有在我們能夠采取行動影響未來——特別是提高我們仍然成為未來繁榮一部分的幾率時才有用。進化選擇那些利用預測做出最佳生存決策的實體。我們采取的行動和隨之而來的觀察，成為我們過去經驗的一部分，形成反饋循環，使我們能夠做出進一步的預測。

狩獵是這種預測建模的典型例子。捕食者必須預測能讓獵物進入其胃部的行動;獵物必須預測捕食者的行為以阻止這種行為發生。自20世紀70年代起，神經心理學家和人類學家開始意識到，其他智能實體往往是環境中最需要建模的部分——因為它們是那些反擊你的人，無論是友好還是敵意。越來越聰明的捕食者會對獵物施加進化壓力，促使它們變得更聰明，反之亦然。

社會性物種成員面臨的智力壓力更加強烈。贏得朋友、分享資源、積累追隨者、教學、學習和分工：所有這些都涉及建模和預測他人的思想。但你越聰明——理論上預測他人的思想越好——那些人也越聰明，也就越難預測，因為他們屬于同一物種，做著同樣的事情。這些失控的動態產生了“智力爆炸”：即在高度社會化的動物中觀察到的大腦體積快速進化增長，包括蝙蝠、鯨魚、海豚、鳥類以及我們的祖先。

在社會智力爆發期間，個體變得更聰明，但群體也會變得更聰明。大腦更大的人可以塑造更多關系，使群體規模擴大，同時保持社會凝聚力。勞動分工和共享使這些更大的社會單位能夠做的事情遠超個人。

以人類為例。就個體而言，我們并不比靈長類祖先聰明多少。在野外長大的人類，比如魯德亞德·吉卜林《叢林之書》（1894年）中虛構的毛克利，相較于森林中其他較大的動物，似乎并不特別——如果它們真的能存活下來的話。但大量人類能夠完成許多超出個人認知或體力的復雜壯舉：器官移植、登月、制造硅芯片。這些成就需要合作、并行思考和分工。它們是群體層面的現象，完全可以被稱為超人。

共生轉變

適用于人類社會性的觀點，可以說同樣適用于地球生命歷史上每一次重大進化轉變。這些變化包括從簡單的原核細胞向更復雜的真核細胞的轉變，從單細胞生命向多細胞生物的轉變，以及從孤獨昆蟲到群居生物。在每種情況下，原本獨立生活的實體都建立了緊密共生，分工并行工作，共同創造了一個超級實體。

越來越多的證據表明，這種“共生”比普遍認為的要常見得多。細胞間的橫向基因轉移、將有益的逆轉錄病毒元素納入宿主基因組以及共生細菌在動物腸道中建立，這些都是常見的例子，但這些并不被視為“重大”轉變。然而，他們確實創造了具有創新能力的生物。例如，白蟻消化木材的能力完全依賴于共生微生物產生的酶。人類胎盤屏障的形成依賴于合胞素，這是一種源自數千萬年前融合進哺乳動物生殖系的逆轉錄病毒包膜的蛋白質。

標準的達爾文進化論，涉及熟悉的突變和選擇機制，并不內在地偏向于復雜度的增加。正是這種不太為人所知的共生機制賦予了進化時間的箭頭：當現有部分融合形成新的超級實體時，生命從簡單形態發展到更復雜的形態。隨著可重新組合的零件目錄規模和復雜度不斷提升，這一過程會加快。在過去的十億年里，共生機制產生了越來越復雜的神經系統、社會性動物群落——最終形成了我們自己的技術社會。

這是摩爾定律的自然版嗎？是也不是。該定律最初由美國工程師、英特爾聯合創始人戈登·摩爾于1965年提出，該“定律”指出晶體管尺寸呈指數級縮小6. 這意味著計算機體積、成本和功耗呈指數級下降，運行速度呈指數級增長。

生物細胞在進化過程中并未變得指數級變小或變快。大約6.5億年前電興奮神經元的出現帶來了快速的新計算時間尺度，但那只是個例：此后神經元既未變快也未變小，能量需求也未減少。這顯然與20世紀的摩爾定律不符。

但看看二十一世紀的法律，這種聯系變得更加明顯。自2006年左右以來，晶體管持續縮小，但半導體工作速度的提升卻停滯不前。為了持續提升計算機性能，芯片制造商反而增加了更多的處理核心。換句話說，他們開始并行化基于硅的計算。這并非巧合，現代基于神經網絡的人工智能模型終于開始起飛。實際上，神經網絡需要大規模并行處理;對于單個現代處理器來說，要連續執行約萬億次作，而最先進的大型語言模型預測序列中的下一個令牌，只需幾分鐘。

這看起來更像是生物智能的故事。人工智能的誕生不僅僅是靠速度，而是源于許多簡單計算元素并行協作的分工：我們可以稱之為技術共生。

在這里，計算機科學既是一門自然科學，也是一門工程學科。人類并沒有發明計算，就像他們發明了電流或光學透鏡一樣。我們只是重新發現了大自然已經利用過的現象，發展了數學理論以更好地理解它，并研究如何在不同的基底上設計它。我們的手機、筆記本電腦和數據中心可以恰當地被稱為“人工計算機”。

計算生成

如果共生起源解釋了自然計算復雜性的進化和智能的出現，那么自然最初是如何以及為何變得計算化的？科學家們過去幾年對人工生命的研究有助于澄清這一點。

為了設定場景，想象有大量隨機配置的反饋機制，這些機制足夠簡單，可以在像地球這樣熱變化的環境中自發產生?，F在，假設這些機制只能在某個狹窄的溫度范圍內工作。過一段時間后，持續存在的機制將成為恒溫器，保持溫度在合適的范圍內，從而繼續工作。這個思想實驗說明了以自我保護為導向的目的性行為——一種原始生命——如何從隨機的初始條件中產生。

甚至恒溫器，按定義，也在執行計算：它實現了一種行為（開關暖氣），而這個行為是基于信息輸入（溫度）的。因此，這是一種極簡的計算——也許僅僅是一個“如果......當輸出影響執行計算的事物繼續存在的可能性時，就會出現并持續。

這種簡單的作距離通用計算機還有很長的路要走，通用計算機是由英國計算先驅艾倫·圖靈用我們今天所稱的通用圖靈機定義的理論構造。它由一個“頭”組成，可以沿磁帶向左或向右移動，按照規則表讀取、寫入和擦除磁帶上的符號。圖靈意識到規則表也可以編碼為磁帶上的符號序列——我們現在稱之為程序。存在某些規則表，使機器從磁帶讀取該程序，執行其指定的計算。