智能的未来是什么？答案可能藏在它的演变故事中

人工智能的出现或许只是一个指导生物过程的最新阶段，这一过程在生命历史上产生了越来越复杂、相互依赖的生物体。

十年前，我们已经懂得如何让机器思考。在2010年代，谷歌研究院的团队致力于各种人工智能模型，包括驱动安卓智能手机键盘的下一个单词预测器。他们正在训练的那类人工神经网络终于解决了视觉感知、语音识别、游戏玩法及许多其他领域的长期挑战。但能真正理解新概念、写笑话、调试代码，或做那些人类智能标志中的无数事情，这似乎很陌生。

“解开”这种信息肯定需要一些根本性的科学洞见。而这很可能受到神经科学的启发——对唯一已知通用智能体现——大脑的研究。

2019年，谷歌的科学家训练了一个当时规模庞大的下一个词预测器——技术上说，是一个下一个词预测器，每个词汇对应一个词片段——代号为Meena1.虽然有些断断续续，但似乎能够理解新概念，写笑话，提出逻辑论证，以及其他许多方面。这一趋势一直持续至今。

到了2025年，科学家们发现处于一个颇为滑稽的境地：期望如此大型的语言模型能够流利、智能、负责任且准确地回应各种人类无法回答的深奥问题和要求。当这些系统未能恰当地回答时，人们会感到困惑——同时也在争论通用人工智能何时会到来。

大型语言模型可能不可靠，说出愚蠢的话，但人类也可能如此。他们的优势和劣势确实与我们不同。但我们正在用尽人类能可靠通过而AI模型无法通过的智力测试。根据这些基准，如果我们接受智能本质上是计算性的——这是大多数计算神经科学家的观点——我们必须接受一个可工作的智能“模拟”实际上就是智能。并没有什么深刻的发现让明显不智能的机器突然变得聪明：结果证明是计算规模的提升。

其他研究者则不同对人工智能现状的评估。但在接下来的内容中，科学家想接受这样一个前提：智能机器已经存在，并将镜子反过来照向我们自己。如果计算规模提升产生了人工智能，那么包括人类在内的生物体所展现的智能，是否也是计算规模化的结果？如果是这样，是什么推动了这一点——生物体最初是如何变得计算的？

在过去的几年里，一些专家和越来越多的合作者开始找到一些初步但令人兴奋的答案。人工智能、生物智能，甚至生命本身，可能都源自同一过程。这一见解不仅能为人工智能、神经科学和神经哲学带来新的启示，也能为理论生物学、进化和复杂性科学带来新的启示。此外，它还能让我们一窥人类与机器智能未来如何共同进化。

预测性大脑

认为大脑本质上是预测机器的想法并不新鲜。德国物理学家兼内科医生赫尔曼·冯·亥姆霍兹在19世纪的《生理光学论》中提出了这一理论。这一理念在20世纪40年代初由控制论创始人，尤其是美国数学家诺伯特·维纳进一步发展——成为现代基于神经网络的人工智能研究的起点。

维纳意识到3所有生命系统都有“目的性”的行为以维持生命，而这些行为需要计算建模。我们的内在和外部感官使我们能够计算预测模型，既包括我们自己，也包括环境。但这些只有在我们能够采取行动影响未来——特别是提高我们仍然成为未来繁荣一部分的几率时才有用。进化选择那些利用预测做出最佳生存决策的实体。我们采取的行动和随之而来的观察，成为我们过去经验的一部分，形成反馈循环，使我们能够做出进一步的预测。

狩猎是这种预测建模的典型例子。捕食者必须预测能让猎物进入其胃部的行动;猎物必须预测捕食者的行为以阻止这种行为发生。自20世纪70年代起，神经心理学家和人类学家开始意识到，其他智能实体往往是环境中最需要建模的部分——因为它们是那些反击你的人，无论是友好还是敌意。越来越聪明的捕食者会对猎物施加进化压力，促使它们变得更聪明，反之亦然。

社会性物种成员面临的智力压力更加强烈。赢得朋友、分享资源、积累追随者、教学、学习和分工：所有这些都涉及建模和预测他人的思想。但你越聪明——理论上预测他人的思想越好——那些人也越聪明，也就越难预测，因为他们属于同一物种，做着同样的事情。这些失控的动态产生了“智力爆炸”：即在高度社会化的动物中观察到的大脑体积快速进化增长，包括蝙蝠、鲸鱼、海豚、鸟类以及我们的祖先。

在社会智力爆发期间，个体变得更聪明，但群体也会变得更聪明。大脑更大的人可以塑造更多关系，使群体规模扩大，同时保持社会凝聚力。劳动分工和共享使这些更大的社会单位能够做的事情远超个人。

以人类为例。就个体而言，我们并不比灵长类祖先聪明多少。在野外长大的人类，比如鲁德亚德·吉卜林《丛林之书》（1894年）中虚构的毛克利，相较于森林中其他较大的动物，似乎并不特别——如果它们真的能存活下来的话。但大量人类能够完成许多超出个人认知或体力的复杂壮举：器官移植、登月、制造硅芯片。这些成就需要合作、并行思考和分工。它们是群体层面的现象，完全可以被称为超人。

共生转变

适用于人类社会性的观点，可以说同样适用于地球生命历史上每一次重大进化转变。这些变化包括从简单的原核细胞向更复杂的真核细胞的转变，从单细胞生命向多细胞生物的转变，以及从孤独昆虫到群居生物。在每种情况下，原本独立生活的实体都建立了紧密共生，分工并行工作，共同创造了一个超级实体。

越来越多的证据表明，这种“共生”比普遍认为的要常见得多。细胞间的横向基因转移、将有益的逆转录病毒元素纳入宿主基因组以及共生细菌在动物肠道中建立，这些都是常见的例子，但这些并不被视为“重大”转变。然而，他们确实创造了具有创新能力的生物。例如，白蚁消化木材的能力完全依赖于共生微生物产生的酶。人类胎盘屏障的形成依赖于合胞素，这是一种源自数千万年前融合进哺乳动物生殖系的逆转录病毒包膜的蛋白质。

标准的达尔文进化论，涉及熟悉的突变和选择机制，并不内在地偏向于复杂度的增加。正是这种不太为人所知的共生机制赋予了进化时间的箭头：当现有部分融合形成新的超级实体时，生命从简单形态发展到更复杂的形态。随着可重新组合的零件目录规模和复杂度不断提升，这一过程会加快。在过去的十亿年里，共生机制产生了越来越复杂的神经系统、社会性动物群落——最终形成了我们自己的技术社会。

这是摩尔定律的自然版吗？是也不是。该定律最初由美国工程师、英特尔联合创始人戈登·摩尔于1965年提出，该“定律”指出晶体管尺寸呈指数级缩小6. 这意味着计算机体积、成本和功耗呈指数级下降，运行速度呈指数级增长。

生物细胞在进化过程中并未变得指数级变小或变快。大约6.5亿年前电兴奋神经元的出现带来了快速的新计算时间尺度，但那只是个例：此后神经元既未变快也未变小，能量需求也未减少。这显然与20世纪的摩尔定律不符。

但看看二十一世纪的法律，这种联系变得更加明显。自2006年左右以来，晶体管持续缩小，但半导体工作速度的提升却停滞不前。为了持续提升计算机性能，芯片制造商反而增加了更多的处理核心。换句话说，他们开始并行化基于硅的计算。这并非巧合，现代基于神经网络的人工智能模型终于开始起飞。实际上，神经网络需要大规模并行处理;对于单个现代处理器来说，要连续执行约万亿次作，而最先进的大型语言模型预测序列中的下一个令牌，只需几分钟。

这看起来更像是生物智能的故事。人工智能的诞生不仅仅是靠速度，而是源于许多简单计算元素并行协作的分工：我们可以称之为技术共生。

在这里，计算机科学既是一门自然科学，也是一门工程学科。人类并没有发明计算，就像他们发明了电流或光学透镜一样。我们只是重新发现了大自然已经利用过的现象，发展了数学理论以更好地理解它，并研究如何在不同的基底上设计它。我们的手机、笔记本电脑和数据中心可以恰当地被称为“人工计算机”。

计算生成

如果共生起源解释了自然计算复杂性的进化和智能的出现，那么自然最初是如何以及为何变得计算化的？科学家们过去几年对人工生命的研究有助于澄清这一点。

为了设定场景，想象有大量随机配置的反馈机制，这些机制足够简单，可以在像地球这样热变化的环境中自发产生。现在，假设这些机制只能在某个狭窄的温度范围内工作。过一段时间后，持续存在的机制将成为恒温器，保持温度在合适的范围内，从而继续工作。这个思想实验说明了以自我保护为导向的目的性行为——一种原始生命——如何从随机的初始条件中产生。

甚至恒温器，按定义，也在执行计算：它实现了一种行为（开关暖气），而这个行为是基于信息输入（温度）的。因此，这是一种极简的计算——也许仅仅是一个“如果......当输出影响执行计算的事物继续存在的可能性时，就会出现并持续。

这种简单的作距离通用计算机还有很长的路要走，通用计算机是由英国计算先驱艾伦·图灵用我们今天所称的通用图灵机定义的理论构造。它由一个“头”组成，可以沿磁带向左或向右移动，按照规则表读取、写入和擦除磁带上的符号。图灵意识到规则表也可以编码为磁带上的符号序列——我们现在称之为程序。存在某些规则表，使机器从磁带读取该程序，执行其指定的计算。