剑桥十年、港科广三年，这位 90 后神经科学家直言“AI 不必模仿人类大脑” | 万有引力

作者 | 唐小引

出品 | CSDN（ID：CSDNnews）

1962 年，动画片《杰森一家》预言了一百年后的未来：视频通话、平板电视、手机、3D 打印、智能手表——这些预言几乎全部实现。但有一个技术至今未能成真：家用机器人罗西（Rosey）。

罗西能做饭、洗碗、辅导孩子功课、教人开车，还能识别家庭矛盾并调解。她拥有人类级别的智能——不仅是推理和常识，还有同理心、换位思考和社交技巧。然而六十多年过去，无数的具身智能专家还在为让机器人能装洗碗机、能叠衣服而努力。

这就是罗西悖论的核心：

• AI 能在国际象棋和围棋中击败世界冠军；

• AI 能识别肿瘤，通过司法考试，写出莎士比亚、李白等各种大家风格的诗词；

• 但 AI 连六岁孩子能做的许多事情都做不好。

为什么？AI 企业家 Max Bennett 给出了一个令人信服的答案：答案深藏在人脑进化的 10 亿年历史中。我们的大脑不是一次性设计出来的完美系统，而是五次重大进化突破层层叠加的产物。理解这五次突破，就能理解 AI 为什么强大，又为什么局限。

把这套答案带进中文世界的，是一位真正研究大脑的人——林桥津。

广州的女儿，剑桥的研究员

1991 年，林桥津生于广州。小时候的林桥津睡前会对着床上排成一排的玩偶编故事。小熊和娃娃之间发生了什么，她说得头头是道。这个习惯在她整个小学阶段都延续着，想象力成了她最早的科学工具。

本科进入香港科技大学，读的是生物学。她说，生物学虽然要背很多拉丁名，「但学了植物、动物、生态，后来在关注大脑和神经元的时候，不时会想想别的动植物进化出了什么能力」。这种跨物种的视野，后来成了她理解人脑的一把特别的钥匙。

真正转向神经科学，是一次交换学习的机缘。她在加州大学伯克利分校上了一门关于人类感知的心理学课，讲视觉与听觉如何在大脑中被处理。「这跟我一直喜欢的心理学、喜欢揣测别人意图、喜欢编故事的能力，总体来说还挺符合的。」她回到港科大（广州），毕业设计选了神经科学实验室，从此没有回头。

博士申请时，她拿到了剑桥大学的 Offer，跟随一位研究神经元「末梢」的先驱做研究。这个领域的问题听起来像一道小学数学题：连接脚底的运动神经元长达一米多，如果信号要从末梢传到细胞体再传回来，需要两天时间——那么我们是怎么做到瞬间缩手的？答案在于，神经元会预先在末梢「囤货」，把蛋白质和分子提前部署在那里，一有刺激，就地取材。

这种预先部署的智慧，后来成了她看待一切系统的底层隐喻。

在剑桥待了将近十年。博士之后，她在卡莱尔学院做 Sir Henry Wellcome 博士后研究员，研究方向转向了低温对大脑的保护作用。「适当的挑战，可以让脑子积累抗压能力，」她说，「遇到更大的灾难时，可以调动前面积累的韧性。」这不只是神经科学的发现，它也是林桥津自己的人生逻辑。

剑桥给了她另一件东西，是她没有预料到的：散漫的时间。

刚到剑桥时，她经历了一次文化冲击。九点到实验室，十点大家去喝咖啡，十二点吃午饭，三四点下午茶。「花了很多时间在 social 上。」但这些时间里，大家聊的是自己的课题，聊最新进展，聊从来没想过的角度。她也成了剑桥高桌晚宴（High Table，是那种哈利波特里才有的、与不同学科的老教授们共坐长桌的晚宴仪式）的常客，坐在那张横着的长桌旁边，和神学家、英国文学学者、各种理工科教授聊天。从神学、宗教到英国文学，还有别的世界的各种文学「有的时候聊天过程中你发现你从来没想过这样的角度」她说，「这段时间很大程度塑造了我后来的科研习惯和看事情的角度。」

2023 年，她回到了广州，加入香港科技大学（广州），成为脑与智能研究所的助理教授，开始组建自己的独立课题组。

为什么回来？她说有父母的因素，但更多的是她自己——热爱本土的美食，热爱这座城市。也热爱广州校区这个新地方提供的可能性：与 AI 融合，与微电子、具身智能、大数据跨学科合作，「探索那些在前面一百年的神经科学都没有办法探索的问题」。

从港科大香港校区读本科，到剑桥，再回到港科大广州校区，她说：「这个轨道有点像绕了一圈然后回来了。」

翻译《智能简史》：一半时间在学习

2024 年，一本名为《智能简史》的书在 AI 圈引发了热议。作者正是开篇提及的 Max Bennett，他并非神经科学家，却以惊人的准确度讲述了大脑进化的五次突破（转向→强化→模拟→心智化→语言），以及它们与 AI 发展的关系。前 OpenAI 研究员、现腾讯 AI 首席科学家姚顺雨说它讲了很多本质问题。

书中的核心论点是智能是进化的分层叠加，人类智能不是一个神秘的整体，而是五次进化突破按顺序堆叠的结果。每一次突破都建立在前一次的基础上，解决了更复杂的生存问题。当前 AI 跳过了某些基础突破，直接模仿高级能力的“结果”，所以看起来聪明，实则脆弱。

这本书的中文译者，正是林桥津。

翻译这本书的过程，始于 GPT-3 时代，那时大语言模型还不能提供太多辅助。「我觉得我在翻译这本书的过程中其实一半时间都在学习，」她说，「这个非常有意思。」

让她惊讶的是，Bennett 作为非神经科学研究者，在神经科学部分的知识和原理都非常准确。「我也去看过他的一些采访，他在这个过程中请教了很多神经科学专家，肯定花了很大力气。」

这本书比较宝藏的原因，就是 AI 背景的读者读完会学到很多神经科学的知识，神经科学背景的读者读完会学到很多 AI 的知识。对林桥津来说，最有新意的地方，是书里最早的那次突破——转向。「用单细胞动物或者线虫的智能来类比扫地机器人。我以前对这些低等生物的智能没有这么深的体验。」

这个类比让她的研究思路打开了。她自己也在做神经元和硅基芯片结合的干湿混合生物芯片实验，在做一些简单决策的时候，那些早期生物的二进制算法——我要不要往前走，该往左转还是右转——跟芯片逻辑有非常深的关联。

「所以神经科学家读了反而开了 AI 方向的脑洞。」

本期《万有引力》，对话香港科技大学（广州）脑与智能研究所助理教授、《智能简史》译者、原剑桥大学卡莱尔学院研究员林桥津博士，直击为什么 AI 的进化之路一直是在模仿人类大脑，为什么从 AI 到具身智能如此之难等一系列本质问题。

重点速览：

• 人类对大脑的了解程度：「我们了解的非常非常少。尤其是对人脑，我们很多时候还在做动物的脑子的研究。」

• AI 是否需要模仿人脑：「主干线还是模仿人脑，但我们有了一次新的机会去构建人工智能大脑，可以在人脑这条道路上添砖加瓦，加一些其他生物脑子里更有意思的辅助功能。」

• AI 涌现与神经科学的关系：「神经元和神经元之间的连接是可以被动态调整的，这个量变引起质变的过程，就有点类似 AI 说的涌现。」

• AI 反哺神经科学：「分布式强化学习这个发现，启发了神经科学家重新去看多巴胺的工作机制。这对心理学和精神医学都有很大启发。」

• AI 是否有真正的好奇心：「人类的好奇心来源于我们认为这是一个奖励，在过去的经历里面让我们积攒起来了这样的判断。AI 探索新事物的动机可能是不太一样的。」

• AI 时代何为稀缺：「要保持我们在宽度上的一些能力，能解决不同问题的能力，我觉得是非常非常重要的。」

以下是本期《万有引力》的对话实录。

AI 必须模仿人脑吗？

唐小引：我觉得大脑是一个既神奇又神秘的存在——它经过了如此漫长的进化历程。目前人类在科学研究上对大脑的了解程度究竟到了哪一步？我看到不少书籍、学科都提到，我们现在仍在大量借助线虫、小鼠等动物的大脑和神经元来做研究，那么人类大脑本身的研究，目前进展到了什么阶段？

林桥津：我想，这个问题如果去问任何一位从事脑科学或神经科学研究的学者，大家都会告诉你，我们了解的其实非常非常少。尤其是对人脑而言，正如您刚才提到的，很多时候我们仍然只能借助动物大脑来进行研究。这背后一个重要的原因是科研伦理的限制——比如我们现在也在做许多脑机接口相关的研究，但如果直接在人身上测试，就会涉及安全性、伦理等诸多问题。所以在研究的早期阶段，往往不得不先在动物身上开展一些相对基础的实验。

在这么多年的神经科学研究中，我认为人脑始终是一个格外难以研究的对象。它与身体的其他部位不同：如果要真正深入研究一个人的大脑，往往只能等到这个人去世之后，比如大家熟知的爱因斯坦大脑研究——但我们同样无法知道爱因斯坦年轻时的大脑经历过怎样的变化。

当然，随着技术的发展，我们现在有了许多显微成像、脑成像等手段，能够提供一些答案，但总体而言，我们对大脑非常细节层面的研究，仍然受限于技术水平。因此，这么多年的神经科学研究，很多时候我们只能通过一些“点”去推测中间发展或动态变化的过程究竟是怎样的。

唐小引：人工智能的起源，本身就是在探索人类大脑，所以如果说人类大脑对我们而言是“沧海一粟”式的已知中的未知，那么 AI 的大脑，我想将其定义为“尚未存在的未知”——不确定这个说法是否准确，您有着怎样的观点？

林桥津：您说的“尚未存在的未知”，是因为我们还没有把它创造出来，对吗？首先，我个人认为，AI 的发展历史，与人脑的进化史还是存在一定区别的。当然，如果读过《智能简史》就会发现，两者确实有一些阶段是高度相似的，而且彼此之间可能也存在相互启发——尤其是在认知这个过程本身。但在我看来，人工智能、机器学习的发展，或许模拟或模仿了人脑演化的某些阶段，却不一定遵循同样的顺序，其内在逻辑也未必与人脑的进化完全一致。我认为很重要的一个原因是——人脑毕竟是一种碳基材料。

我们受限于很多因素，其中很重要的一点就是能量。大脑的体积或重量在全身占比很小，却消耗了身体大约 20% 的能量，这个比例与它的体积、重量完全不成正比。哪怕大脑已经用掉了这么多能量，如果拿它与一台服务器相比，这依然是一笔相对微小的能量投入。因此，人脑，或者说任何生物大脑的进化，其实都受制于能量供给，只能被迫在漫长的进化中进行一些微小的调整。而我们的硅基 AI、计算机，在发展初期对能量的限制远不如生物体那样严苛，所以它的发展路径，也未必需要完全遵循大脑的发展路径。

唐小引：接下来我们聊一聊《智能简史》——这本书由 Max Bennett 撰写，由您翻译。我不知道从翻译到正式出版，前后一共花了多少时间？读完之后，我确实觉得这本书非常有意思，里面有很多出乎意料的洞见。比如很多人常常以为自己“意志力薄弱”，是出于个人选择或性格原因，但书里提到，这背后其实与杏仁核这样具体的脑结构有关——类似这样的细节，读起来都相当有趣。这本书在 AI 圈内颇受推崇，比如大家熟知的、前 OpenAI 研究员、现腾讯 AI 首席科学家姚顺雨，就曾提到这本书讲透了很多本质问题。我读下来也觉得它的脉络非常清晰——从人类大脑进化的五次突破，一路延伸到对第六次突破的探索。

您可以给大家讲讲，《智能简史》对我们理解和探索 AI 有哪些帮助？为什么它会在 AI 圈内备受推崇？

林桥津：我觉得，这本书或许不只适合 AI 圈的读者，我也非常推荐学脑科学的同学们去读一读，因为它本身是一部相当综合、跨学科的读物。AI 背景的读者，和神经科学、工程类背景的读者，读这本书的感受和关注点都会不太一样。

在我看来，这本书让我们能感受到，无论是有意还是无意，人脑进化与 AI 发展之间存在着很多巧合，二者相互促进。就像我前面提到的，AI 的发展史不一定与人脑进化完全重合，可能只是部分重合。在比较的过程中，我们也能看到一些细微的差异——有些差异会带来效率上的高低之分，有些只是不同的路径选择。对于计算机或 AI 背景的读者来说，沿着人脑进化这条线去看，往往会得出一些跟学计算机时完全不同的顺序与想法。

另外，这本书确实比较专注于人脑这一条进化脉络，并没有过多涉及人类祖先谱系之外的其他动物——比如我们熟知的、颇为聪慧的章鱼，或是蜜蜂这类生物。作者也提到过，这更多是出于篇幅的考虑，为了把这条脉络梳理得更清晰，而并不是说只有像人脑这样一步步进化才是最成功的路径。事实上，如今地球上生存的其他物种同样是进化上的“成功者”，只是它们的智能，或者说解决问题的能力，发展路径与人类不同。

所以读这本书，我觉得也能感受到，人脑的发展也许只是众多路径中的一条，还有很多其他路径并不在这本书的讨论框架之内。这也回到我们前面提到的问题：AI 的发展是否一定要与人脑保持一致？我记得书里引用了杰弗里·辛顿的一句话，他认为实现人工智能的唯一途径，就是模仿人脑。

但在我看来，人脑与其他生物的大脑同样神奇——我自己的研究也涉及一些跨物种的大脑结构与功能比较。在我的科研与教学过程中，我始终认为，人脑与其他现存动物的大脑之间，有很多可以相互借鉴的地方。

唐小引：所以说，AI 的发展并不一定要完全依据人脑的进化路径？

林桥津：我是这样认为的。

唐小引：但人工智能最初的起源，正是源于对人类大脑的模仿——试图理解机器要如何才能像大脑一样运作。如果得出这样的结论，是不是相当于推翻了人工智能最初的起源逻辑？

林桥津：其实我不是这个意思。我更想表达的是：在我们现在这个框架里，AI 终究是由人创造出来的，最终还是要服务于人类。而我们相处起来最舒服的对象，往往是与我们思维同频的——就像交朋友一样。所以我认为，AI 沿着模仿人脑、或朝这个方向进化的道路，很可能会是一条主干线，只是因为我自己也做了不少进化、仿生学方面的研究，接触了很多非人类的动物，所以也格外喜欢阅读这方面的读物。

既然我们有了一次全新的机会去构建人工智能的“大脑”，或许可以在这条以人脑为主干的道路上，再添加一些其他更有意思的辅助功能。

唐小引：那您看今天 AI 的发展，是完全聚焦在人类大脑这条路线上，还是像您说的那样，是多条路径的结合与借鉴？从大语言模型到多模态模型，再到 Agent，直至具身智能——这大致是我们当前所看到的一条演进路径。但具身智能的落地并不容易，就像 Bennett 在书里提到的“莫拉维克悖论”：为什么到今天，我们依然没能拥有一个像电影里那样完美的家庭服务机器人？站在神经科学的角度，您观察到的 AI 发展趋势，正在朝哪条路走？

林桥津：我认为，主干线依然是模仿人脑，或者说与人脑的发展、发育有着很大的相关性。只是目前来看，它可能还停留在我们所说的“大脑皮层”这一层级的功能上——如果按照书中“五次突破”的框架来划分，大致相当于第三次突破左右。

后面还有两次，一次是心智化，一次是语言。尽管我们已经有了大语言模型，但等一下我们可以聊聊大语言模型和人类语言之间的差异。就 AI 而言，前三步——第一步是导航与转向，第二步是强化——其实已经做得相当不错了。第三步是模拟。在这个过程中，AI 在相当大程度上已经能够实现构建自己的一张“世界地图”，我想这也是当下大家比较关注、也正在快速发展的方向。

涌现、世界模型与 AI 概念的神经科学对应物

唐小引：您可以正好谈谈这个问题——AI 领域有它自己的一套专业术语，神经科学领域也有它自己的一套专业术语。比如我们最初谈论大模型的“智能涌现”，我记得之前读过另一本书，提到“涌现”其实是必然的，因为人类智能的涌现本身，就是通过海量语料学习而来的。再到 Agent，还有世界模型——我们现在其实也在做一些世界模型和空间智能方面的探索，再到具身智能。这些 AI 领域大家耳熟能详的概念，对应到大脑、对应到脑科学里，又是什么样的概念？

林桥津：这些概念可能不只是对应某一个单独的名词，比如“涌现”或“世界模型”这类概念，在神经科学里未必有一个精确对应的术语，但它们对应的是一种过程，或者说大脑的一整套处理方式。就拿“涌现”来说，如果我们深入到大脑的细节层面来看：神经元与神经元之间存在连接，这些连接是可以被修改、动态调整的——比如两个神经元之间的连接可以变强或变弱，甚至可能不止两个神经元参与，而是三四个神经元共同形成一个小小的网络。在我们成长、学习、记忆不断加深的过程中，这样的网络被反复重塑、修改，我们也就在这个过程中获得了各种技能。这其实是一个量变引起质变的过程。

比如说，我们会逐渐学到一些处理事情的底层模式——比如我知道要去某个部门办证，一开始我只知道第一步是要填表，然后知道要去某个地方，取号、排队、交表、最后在柜台办理（当然现在很多已经电子化了）。最初，我们只知道每一个环节具体怎么操作，但完成整套流程之后，下一次去办另一件证明——业务不同，地点也不同，但我大概能知道整体是怎样的一个流程。哪怕地方不同、业务不同，我或多或少会明白：处理这样的事情，大致就是这么一套操作。这时候，就可以说这个人“获得了办证的能力”。

所以很多时候，我们是在慢慢的学习中、从神经元这个微小的角度不断积累，直到某一天突然意识到“啊，我好像会某样东西了”——这背后其实经历了一个漫长的积累过程。在我的理解里，这多多少少类似于 AI 中所说的“涌现”。

另外一个概念是世界模型，这跟我现在从事的教育行业其实非常相关。我们常常在问：AI 时代来了，我们应该教给孩子们什么？因为死记硬背知识本身，似乎已经变得不那么重要了。

唐小引：对，也就是 AI 对教育带来的影响。

林桥津：是的。过去的模式基本上是老师在上面讲，学生在下面记笔记，然后尽量记住，考试的时候复述出来就可以了。但现在的情况是，我在上面讲课，话还没说完，同学们已经把整个知识点查完了——他们查资料的速度非常快。所以，当我花十分钟去讲解一个概念、或者试图向大家描述一个过程时，同学们如果直接去查 AI，反而能更快得出答案。这样一来，课堂讲授就显得没那么高效了，这也从另一个角度反映出，大家似乎不太愿意“听课”了，因为觉得“回去查一下 AI 也很快”。

唐小引：林老师作为教育工作者，可以说是被 AI 直接挑战了。

林桥津：确实如此。

唐小引：那您怎么应对这个挑战？您有什么解决方案呢？

林桥津：所以我们确实在思考这个问题——必须改变原有的教学模式，有些概念其实完全没有必要在课堂上讲授。这些年在教育实践的积累中，我们也提出了不少不同形式的课堂设计。比如，现在的课堂更需要互动，重点应该放在帮助学生去思考、去归纳，而不是简单地做名词解释。此外，既然大家已经有了这么多 AI 工具，完全可以调动学生的积极性，让他们自主学习，再互相分享成果。

所以，我的课堂现在更多以讨论为主。我们比较“奢侈”的一点是，目前还保持着小班教学，这就给了大家很多机会去表达自己的观点、进行小组讨论，作为老师，也能参与到这些讨论中去。除此之外，我们也在摸索 AI 究竟能为教育带来哪些新工具、新概念，以及如何借此改善教学，这也是我目前正在思考的问题。

AI 确实能帮我们做很多事情，但也可能带来一些负面影响——比如，学生不再需要花那么多时间背知识，但这也可能养成一种“偷懒”的习惯，他们可能不再主动去归纳总结，也就是说，大脑里其实并没有真正经历这样的转变过程。我记得我们曾经想过一件挺有趣的事：以前课堂上做小组讨论，比如分成五个小组，老师或助教往往只能参与其中一组的讨论，另外四组一看老师没在场……

唐小引：他们就开始聊别的去了，对吧。

林桥津：没错。所以现在很多会议软件其实已经有了 AI 归纳总结的功能。

唐小引：是的，效果做得还挺不错的。

林桥津：是啊，所以我们在想，能不能做一个类似的工具，但更重要的功能不是事后总结大家说了什么，而是实时监测——一旦小组讨论“跑偏”了，就能把大家拉回正题。

唐小引：相当于一个 AI 主持人。

林桥津：对，就是一个小组主持人。如果这个组屡教不改、一直跑偏，它甚至可以“报警”，提醒老师赶紧过去看看。

唐小引：这个想法真不错！

林桥津：这样的想法其实为我们打开了很多在新 AI 时代做教育的可能性。当然，我们也认为，帮助学生建立起属于他们自己的“世界模型”，可能才是更重要的事情。书里也提到了“模式识别”的概念——我们对世界万物的认知，或者说解决问题的方案，很多时候来源于大脑里是否已经存在这样一套模型、模式。就像前面提到的办证的例子：如果一个人从未接触过类似的事情，这个概念在他脑子里根本不存在，让他去解决一件全新的、需要办证的事情，他会完全没有头绪。所以，在教育过程中，我们更希望带给学生的不是具体的知识，而是我们处理事情的能力——这个话题扯远了，但归根结底，还是回到了“世界模型”，这也是我经常在思考、讨论的、关于我们当下教育的问题。

唐小引：也就是要教给学生的东西。您刚才提到的那个 AI 主持人，后来做成了吗？

林桥津：还没有，欢迎大家一起来想想办法，或者帮我们把它做出来。

唐小引：我觉得这是个很好的点子，只是目前还没见到具体的实现。您刚才提到世界模型，我在读《智能简史》的时候，也想到了一个自己的例子：比如我们每天通勤，走的是同一条固定路线，久而久之，大脑里就会形成一个关于这条路的“建模”。但如果某天这条路施工了，或者新增了一个红绿灯，我们就需要去刷新大脑里对它的模型。这也是我在阅读过程中觉得很有意思的地方——书中的很多观点，都能和身边的现实生活产生联想。

作者 Max Bennett 他本身是一位 AI 创业者，并不是科班出身的神经科学家。我很好奇，您作为一名神经科学家，最初阅读这本书的时候，是怎样的想法和体会？书中关于大脑演化和智能起源的论述，有哪些地方是与您自己的理解不一致的吗？

林桥津：我觉得翻译这本书的过程中，差不多有一半的时间，我自己也在学习，这种感觉非常有意思。

唐小引：这就是“做中学”，我们特别倡导这种学习方式。

林桥津：是的是的。所以对我来说，其实没有特别不同意的观点，更多的感受是“这个观点很有意思，我以前没想过”。这本书的整体架构里，作者确实从他更熟悉的领域——也就是我不太熟悉的 AI 领域，提出了很多自己的见解。让我感到惊讶的是，作为一位非神经科学研究者，他在神经科学部分涉及的知识和原理，讲解得相当准确。后来我也看过他的一些采访，发现他其实在写作过程中请教了许多神经科学专家，可以想见他在这方面付出了很大的努力。因为我身边一些完全不了解神经科学的朋友，最初读这本书也会觉得有点吃力——里面涉及很多脑区名称和神经科学术语。但在我看来，这些术语的使用都相当准确，这一点我非常敬佩。

唐小引：也就是说，从神经科学的角度来看，这本书是专业严谨的，同时也让一位神经科学家学到了不少 AI 方面的知识。

林桥津：是的。我相信不同背景的读者会有不同的体会——AI 背景的读者读这本书，或许会去评判“这部分关于 AI 的论述是否准确”，但同时也能从中学到大量神经科学知识。我想，这正是这本书最“宝藏”的地方。

大脑进化的五次突破

唐小引：这本书里有没有让你有「aha moment」的地方？

林桥津：我觉得对我来说最有挑战、也最新鲜的部分，是书中最早提到的第一次突破——转向。在这之前，我对单细胞动物，或者像线虫这样低等生物的智能，其实没有过很深的体会，尤其是书里把它类比成扫地机器人的时候，让我印象特别深。

我们现在自己的研究里，也在做一些神经元与硅基芯片结合的实验，也就是所谓“干湿结合”的生物芯片——尝试在算力、功耗等不是最优解的情况下，把其中一部分替换成真正的细胞或神经元。在这个过程中，我们最初也需要去模仿 AI，或者说人脑最早期的发展方式。所以对我来说，读到第一次突破的部分，思路真正被打开了：比如我们在做一些决策的时候，芯片、计算机硬件本质上是二进制的，尽管人脑不是二进制的，但当你要把生物细胞与硬件结合起来时，就必须考虑到这一点。所以在很早期，像珊瑚虫、线虫这类生物，在决定往哪个方向运动、即“转向”的时候，用到的其实更接近二进制的算法——该不该往前走，还是往左转、往右转，是一系列“是”或“否”的判断。而对事情好坏的判断，书里提到了“效价”这个概念——判断一件事是好的还是坏的，在一个非常简单的世界里，这已经足够了。

唐小引：我在读到这部分的时候其实非常好奇：为什么大脑最初的这次突破，是为了“转向”，也就是为了移动？这是必然的吗？以及为什么学习最初只是一个次要特征，后来又逐渐成为大脑的核心功能？还有为什么在长达数亿年的时间里，从早期脊椎动物到第一批四足动物之间，大脑却几乎没有进化？

林桥津：在进化出运动能力之前，大部分生物是不动的，或者说它们的移动并非主动，而是随波逐流、随风飘荡的模式。像珊瑚、海葵这类稍大一点的生物，最初并不需要主动运动，因为食物非常丰富——它们大部分时间只需要待在原地等待，浮游生物会自然飘过来，根本不需要主动寻找食物。直到某一次比较大的环境灾变发生，食物变得稀少，如果继续被动等待就会被饿死，于是慢慢进化出了寻找食物、也就是主动运动的能力。可以说，这次运动能力的进化，与外部环境的变化有着非常直接的关系。

一旦开始运动，接下来必然要面对“往哪个方向动”的问题。所以最初的身体结构是“辐射对称”，也就是圆形的对称结构。

唐小引：这让我想到一句古话：“穷则思变”。

林桥津：是的，正是“不行了，必须得改变”。所以最初这种辐射对称的模式，在决定“该往哪个方向移动”这件事上其实非常低效——想象一下，四面八方都有一个“投票器”，如果向左走和向右走的票数一样多，那你根本无法判断该往哪走，这种决策方式效率极低。正是在这个过程中，身体结构从辐射对称逐渐演变成了两侧对称——有了前后左右的方向感，就能做出简单的判断，靠“转向”这个动作来决策。

这一步看起来并不起眼，从“多方向投票”变成“一两个方向的选择”，却极大地节省了做决策所需投入的资源——无论是能量，还是需要承受的不确定性，都大幅减少了。同时，这也在很大程度上推动了后来对事情好坏的判断能力的发展。在这个过程中，虽然一切始于“运动”，但随之慢慢发展出了一些神经递质，也就是我们熟知的激素，比如多巴胺、血清素。这些物质在辅助我们做出这类决策时都非常关键，而且至今仍保留在我们的大脑里，持续发挥着作用。

唐小引：这就是人类大脑进化的第一次突破所带来的创新，并一直延续到了今天。

林桥津：是的，也说明这套机制确实好用——如果不好用，早就被淘汰掉了。我们现在其实很难知道当年究竟走过多少“弯路”，因为大脑的演化过程通常不会留下考古学或化石层面的证据，我们能看到的，往往只是最终的结果。说不定中间其实走了很多很多弯路。

唐小引：所以从第一次突破到现在，大脑进化的规律关键词是“高性价比”？

林桥津：我觉得是的。节能确实是一件很重要的事情。如果大脑为了获得新的能力，就必须不断扩大、消耗更多能量，那这个“性价比”实在太低了——意味着我们需要摄入更多食物，或改变很多其他条件，这在进化上是没有优势的选择。

唐小引：那正好请您系统地给大家讲一讲——刚才提到的其实正是我最初好奇的地方。在人类大脑进化的这五次突破里，大脑结构究竟发生了哪些变化？这些变化又分别对应着怎样的能力跃迁？可以给我们做个总结吗？

林桥津：我们从最初的线虫阶段说起。线虫并没有一个像我们这样集中在头部的具体“脑子”，它其实也有类似“脑”的结构，但非常小——只是几个或几十个神经元的集合。我们现在已经知道，线虫全身大概只有几百个神经元，而且清楚每一个神经元具体的位置和功能。所以严格来说，它当时的“脑子”甚至称不上是脑，只是一小簇神经元的集合。这正对应着第一次突破——转向。

不过在这次突破里，除了线虫，还有很多其他生物也发展出了类似脑子的形式。这一点其实我们现在也能在实验室里复现出来——比如用几十根、甚至几百根神经元，去尝试完成一些非常简单的智能任务。我知道目前世界上已经有实验室在从事这方面的研究了。这可能是一个非常重要的突破，也是我们智能的起点。

接下来，第二次突破是“强化”，作者认为这是脊椎动物的能力。脊椎动物的代表，从线虫发展到脊椎动物，代表物种就是鱼。鱼的脑子其实很简单，但已经拥有了我们人脑现在的一些主要分区——如果你看过鱼脑的形态，会发现它的形状其实已经有点像我们的大脑了。

我们常听说“鱼只有七秒记忆”，这其实并不准确——书里也提到，鱼其实相当聪明，也能学习，掌握各种各样的技巧，比如对光线、对物体产生适应性反应。所以在这个阶段，鱼类已经能够进行我们所说的“强化学习”，具备了简单的训练与学习能力，这就是第二次突破。

再往后，是第三次突破，对应哺乳动物，也就是“模拟”这个过程。哺乳动物目前在科研中用得比较多的模式生物，就是小鼠、大鼠这类啮齿类动物。不可否认，它们已经相当聪明了——比如我们能够对小鼠、大鼠进行各种各样的行为学训练。举个例子，它们已经表现出对新事物的好奇：在实验室里，如果把它们放进一个盒子，给它们两个方块玩很久，某天突然把其中一个方块换成一个球，它们会明显表现出对这个新球的偏好，不再喜欢原来的方块——这种行为，其实跟我们人很像，就像我们常说“猫很好奇”一样，也是同样的道理，都是对新事物的探索欲望。

唐小引：对，而且是“喜新厌旧”。

林桥津：没错，所以这其实不是我们人类特有的“性格问题”——在进化过程中，大脑赋予了我们这样的倾向，无论是好处还是坏处，这种倾向普遍存在。这其实也回到了前面说的强化学习：喜欢新事物、愿意主动探索新事物，在一定程度上是具有进化优势的，它能让我们学到更多前所未见的模式，拓展我们的视野。所以这种“好奇心”，其实在老鼠身上就已经发展出来了。当然，它们还具备很多其他能力，比如学习能力，以及开始构建自己的世界模型——例如能在相对复杂的迷宫里找方向、找食物，记住某些路线，甚至能在脑子里预先想象“如果走左边会怎样、走右边又会怎样”。这些，就是第三次突破的体现。

第四次突破对应的是灵长类动物——猴子、猿类，也就是我们相对较近的祖先，或者说亲戚。在过去大概十到二十年里，神经科学领域已经有不少实验室，使用猴子或猕猴类模式生物进行实验，结果发现它们真的和人类非常相似。我记得建校时楼上有一个实验室做猴子相关的研究，因为猴子和人一样，也需要比较亲密的情感联系，不能被单纯关在冷冰冰的笼子里，否则会引发心理问题。

唐小引：而且它们会“拖家带口”，我之前看过不少资料，说猴群里也有配偶关系，身边还会带着孩子。

林桥津：是的，它们和人一样，有非常强烈的情感需求。为了照顾好每一只猴子，这个实验室的做法是，每位科研人员负责一只猴子，就像是它专属的“buddy”。我听那位朋友说过一件挺好笑的事：因为不能只跟自己的猴子做实验，每次也要“借”别人的猴子来做，结果发现自己的猴子做实验时，表现跟别人的猴子完全不一样——总感觉它有点故意捣乱，像是在刻意吸引你的注意力。而别人的猴子，因为跟你的情感连接没那么深，对它来说实验大概就只是“打一份工”，配合度反而更高。但自己的猴子，可能更想吸引你的关注、和你互动，于是故意做出一些“唱反调”的行为。后来他们也意识到了这个问题——这说明，猴子这个层次已经能够去揣测跟它互动的人（或猴子）的意图，也就是“你现在可能希望我做这件事，但我偏不做”，然后你可能就会气恼。

唐小引：说明它是有情绪的。

林桥津：没错，是有情绪的，而且它一定伴随着思考——它知道某个行为可能会带来某种后果。书里也提到，灵长类动物的大脑已经发展出了“心智化”的能力。有了这种能力，整个社会已经能够呈现出相当复杂的等级关系，以及各种各样的“政治”——包括我们所说的“尔虞我诈”式的政治博弈。所以在这个阶段，其实已经展现出了相当高的智能水平。

最后一次突破，来到了人脑。作者认为人脑最大的突破就是语言。但如果比较大脑结构，其实在后面几次突破的过程中，并没有特别显著的变化。从神经生物学的角度来说，人类大脑里凹陷的部分——也就是我们说的脑沟回——变得更加复杂，也就是折叠程度更高。这种更复杂的折叠带来的好处，是增加了大脑的表面积，也增加了更多连接的可能性，也在一定程度上帮助大脑进行简单的区域分工，比如某个区域可能主要负责某项功能——但我们现在的研究也发现，这种分工并不是绝对的。虽然大部分视觉信息确实是在后脑勺这个区域处理的，但一个很有意思的现象是，小学语文课上讲到的“通感”——比如看到某种颜色会联想到一段音乐，或者听到一段音乐时，脑海里会浮现出某个字母或某种描述性的画面。这种能力虽然只存在于一小部分人身上，但对大多数人而言，处理声音、颜色等不同感觉输入时，其实也并非只依赖某几个特定的神经元。所以，大脑在发育发展的过程中所呈现出的语言能力，并不是只在某一个区域里产生的：尽管它可能相对集中在某些区域，但在我们说话、思考或表达的过程中，实际上需要调动大脑的许多不同部位才能完成。因此，语言虽然最终呈现为声音，但它实际上反映的是前面许多次突破——包括心智化、模拟等能力——共同作用的产物。

唐小引：您刚才提到脑区分工并不绝对，这让我想到 Bennett 在书里也写到，人类大脑中并没有一个专门负责语言的器官。

（作者注：虽然大脑没有专门的独立器官，但存在几个负责处理语言不同环节的关键功能区，其中布罗卡区为说话中枢，主管语言的表达，韦尼克区负责理解语言的含义，还有其他辅助区域。）

林桥津：确实是这样，语言功能相对集中在某几个区域，但后来的研究也证实，它绝不仅仅局限于这两个区域。

唐小引：我之前还看到过一些资料，提到人类与仅次于我们的黑猩猩相比，二者的大脑其实有相当多的相似之处。书里也写到，人类大脑和黑猩猩大脑在很多方面是一致的。那么，人之所以为人、黑猩猩之所以为黑猩猩，最关键的区别是否就在于语言？

林桥津：这一点我非常认同，这也是书里的一个核心观点。正因为有了语言，我们的知识才能够被积累、被传承给他人，这一点极为重要。黑猩猩也具备一些简单的发音和肢体动作，在一定程度上能够告诉同伴或后代“看到这个情况就要跑”“去拿那个东西”，但这种传递方式非常有限。一只黑猩猩一生中所学到的东西，很难完整地传递给身边的同伴，更不必说传递给不在身边的其他黑猩猩了——因为它们既没有文字，也没有任何记录手段。而人类恰恰是依靠文字记录、语言互动，如今再借助互联网与 AI，把这些知识不断传播出去，让每一个人不必从头开始摸索该去哪里寻找食物、如何应对危险这类最基础的问题。

正如 Bennett 在书中所写，人类过去几千年所取得的进步，其实与更优良的基因关系不大，最关键的因素完全要归功于想法与创意的积累——而这种积累，正是依靠历史的传承才得以延续。如果这些想法有文字记录，后人便能够理解和获取；但如果缺乏文字记录，对考古学研究而言已属不易，对普通大众来说则更是难上加难。

而我之前提到的教育问题，本质上也是同一个逻辑：我们始终在寻找最高效的方式，把知识传播出去。所以在不同的时代，教育的模式必然也不一样——古代或许是让大家读书、背诵各种诗词与文学作品；而在 AI 时代，这部分记忆性的工作或许可以被跳过。但由于我们积累的知识随着时间不断增多，如何有效地归纳整理这些知识，并让后代知道该去哪里获取，可能才是更重要的问题。

唐小引：这就像开源精神一样，我们始终站在巨人的肩膀上。

林桥津：是的，确实如此。

唐小引：那么基于您刚才的这些分享，我想可以做一个小结：不变的是知识的传播，变化的是知识传播的方式。

林桥津：这个总结非常精准。

AI 对神经科学的启发

唐小引：接下来我想请您从另一个角度谈一谈——在 AI 发展的历史上，我们已经看到无数关键节点都来自神经科学的启发，正如您前面提到的“神经网络”这个概念本身。那么反过来，今天 AI 的发展，是否也在启发神经科学？有没有一些源自 AI 的发现，让神经科学家重新审视了大脑的工作原理？

林桥津：我觉得至少有两个例子可以分享。第一个是反向传播——也就是卷积神经网络中，如何重新校正前面各层参数的机制。这套理论最初是由计算机科学、由 AI 领域提出的。而在神经科学领域，由于对人脑信号的采集极为困难，此前神经科学家其实已经有过类似的猜测，只是很难去验证。当这套机制在机器学习中得到验证之后，我们反而能够更有信心地推断：大脑很可能也是以类似的方式在运作的。

第二个例子是关于多巴胺。在神经生物学和脑科学领域，我们其实已经有相对成熟的手段去检测多巴胺，但对于它究竟如何工作，很长一段时间里，大家也只能停留在预测或猜想的阶段。我知道的一个具体例子，与我们对“奖励”的预测机制有关。打个不太恰当但便于理解的比方：假设我进行一次赌博，一种情况是我有 100% 的机会获得 50% 的奖励，这对我而言是一个非常稳定的预期；另一种情况是我有 50% 的机会获得全部奖励，也有 50% 的机会一无所获。从概率上说，这两种情况的期望值完全相同，但从心理感受上，很多人会更倾向于选择前者——因为它能带来一种“结果确定可见”的安全感，而不仅仅取决于对奖励概率或数额的单纯预期。

在 AI 的发展中，这被称为“分布式强化学习”。在此之前，神经科学界很少有人从这个角度去理解多巴胺——大家更倾向于认为，多巴胺整体上是一种单一的预测数值，比如刚才提到的那个 50%。但当 AI 领域发现，用分布式的方式去建模预测会更准确、更高效之后，有研究者反过来在大脑中做了验证，发现我们的神经元似乎确实存在类似的分布：其中一些神经元格外“乐观”，另一些则格外“悲观”——就像刚才说的 100% 获得部分奖励与 50% 获得全部奖励的两种情形——只是由于神经元的数量和统计分布不同，最终整体上会呈现出一个类似 50% 的综合数值。这一发现，对神经生物学乃至心理学都带来了很大的启发，因为在我们今天所熟知的许多心理疾病中，有人抑郁、有人格外亢奋、也有人表现出盲目的自信。

唐小引：比如抑郁、焦虑、双相这些各种各样的情绪障碍。我原本以为，这些问题更多是源于压力或具体情境的影响，但从大脑机制的角度来看，它似乎应该是一种更为普遍性的机制——那么，为什么会出现这样因人而异的差异？

林桥津：我之前看到过一些资料提到，一个人之所以会出现抑郁或焦虑倾向，往往与大脑中某些机制的缺失或改变有关——其中一个很重要的因素，正是刚才提到的多巴胺，此外血清素等其他激素的变化，同样也会带来类似的影响。

唐小引：这也涉及到人格层面的问题了。

林桥津：是的。而这些倾向是可以通过后天经历去改变的——你的经历能够对它进行调整。但每个人还是会有一种天生的趋向性：在最舒适、不受外界干预的状态下，我可能天生更接近所谓的“I 人”（内向型人格），但我依然可以学着变成“E 人”（外向型人格），因为我意识到，这种转变对我的工作或成长可能格外重要。

唐小引：这种后天的改变，会实实在在地体现在大脑结构层面吗？

林桥津：我相信，每个人的大脑在一生中都会经历相当大的变化，而这种变化正是可以通过经历去调整的。但这并不是说某个脑区“变大”或“变小”那么简单，更多的改变发生在神经元与神经元之间的连接层面——同样两个神经元，它们始终位于原来的位置，但彼此之间可以选择建立连接，也可以选择不建立连接。如果不把观察的尺度放得足够精细，你可能会觉得这些神经元的位置从未发生变化；但如果我们能够看清大脑内部真正的细节，就会发现这些神经元其实会发生微小的位移，一会儿伸向这边，一会儿又伸向那边——它具体位于何处并不是关键，关键在于它有没有与旁边的神经元建立起连接，这才是真正重要的事情。所以，我们的经历，更多改变的是神经元 A 究竟与 B 建立连接，还是与 C 建立连接，抑或是同时与两者都建立连接的过程。而我们的学习和记忆，在很大程度上，也遵循着类似的模式。

唐小引：也就是说，在人的一生里，大脑始终处于持续变化之中。

林桥津：是的，尤其是在幼年时期，这种变化格外剧烈。但也不能说是全部改变。这更像是这样一种情形：我拥有一个基础版本的大脑，随后通过后天的各种活动（诸如社交、学习、教育等）在这个基础版本之上不断增加新的功能。但有一件很有意思的事情是，我们在成长过程中，并不是只做“加法”而不做“减法”的。在大概十岁以前，我们除了会不断增加神经元之间的连接之外，其实在某一个阶段也会开始做减法。这有点像是说，记住的东西并不一定越多越好。对于一些不那么重要的事情，大脑可能会选择将其遗忘，或者让它进入一种“休眠”状态，不再占用能量。这或许也是为什么，我们的大脑更倾向于记住近期发生的事情，而不愿耗费太多能量去维系那些遥远久远的长期记忆。

唐小引：从节能的角度来看，这确实是件好事。

林桥津：人类大脑中的这种长期记忆机制，正是遵循着这样的规律。

唐小引：所以说，减少的不只是记忆，还包括其他方面吗？

林桥津：确实如此。人类大脑的发育过程大致是这样的：最初，我们只有一些数量有限的神经元。在最初的几年里，神经元的数量在持续增加，它们也在不断延伸变长，整体网络变得越来越密集——在这个阶段，大脑一直在尝试吸收和存储新的信息。但过了一段时间之后，大脑就要开始做“减法”了，也就是说，连接的数量必须相应地减少。这也是为什么我们常说，年幼时经历的很多事情，到了大约十岁左右，往往已经记不清了。比如说，一个五六岁的孩子背诵过一首古诗，等他到了十五六岁再去背诵另一首古诗时，如果恰好是同一首诗，他的学习速度会比完全没有接触过的孩子更快——但这份记忆的清晰程度，已经远不及我们对昨天所发生事情的记忆那样鲜明。所以整个过程中，基因其实一直在不断地进行调节，判断究竟要不要保留这份记忆。这也给我们的学习策略带来了很大的启发——比如老师们常说的“多背、勤背”，每天坚持背单词。

如果你坚持每天背诵，持续七天左右，基本上就能形成比较稳固的记忆了。这个过程本质上是在不断地进行强化，反复提醒大脑“这个信息很重要，不要遗忘”。

AI 真的具备好奇心、情感与意识吗？

唐小引：这正是强化学习的原理。接下来我们继续聊一个有意思的话题。Bennett 在书中提到过，几乎所有脊椎动物都具备好奇心，但您曾提到，AI 并不真正具备好奇心——这个观点此前在 AI 圈内也引发过不少讨论。您能谈谈，这背后有怎样的科学依据吗？

林桥津：当然，不过这仅仅是我个人比较浅显的理解。我想先从人类的好奇心说起。人类的好奇心，很大程度上源于我们把探索本身视为一种奖励——当我们花费时间和精力去探索一件未知的事物时，它带给我们的潜在好处，往往会比坏处更多。这虽然不是一个非常有意识的选择，但在漫长的经历积累中，我们渐渐形成了这样一种判断：去尝试新事物，或许能带来一些意想不到的收获。

至于 AI，我并非这个领域的专家，也无法给出权威评价。但依我浅薄的认知来看，AI 去探索新领域，更多是出于一种“需要完成任务”的驱动——比如早期阶段，是因为程序设定要求它这样做；或者当它在某个问题上陷入困境、找不到答案时，它可能需要转向别的方向去尝试。但在这个过程中，它的动机与人类的好奇心，本质上并不相同。

唐小引：也就是说，人类的探索行为，本质上是出于自身内在的驱动。而 AI 表现出来的“好奇心”，并不代表它真正拥有好奇心。但这一点，我们又该如何验证呢？

林桥津：这一点其实很难被证实，也很难被证伪。这更多只是我个人的一种认知和见解。

唐小引：接下来我想聊聊情感、意识、思考与想象力这些层面的问题。我们之前在 CSDN 上也讨论过：AI 是否真正具备思考能力？它是否拥有意识？它是否真的拥有情感？很多时候，比如有朋友告诉我，和 AI 聊天会让他感到很快乐——AI 确实表现出了某种情感，但这种情感是真实的吗？

林桥津：这个问题非常有意思。其实我自己也很喜欢和 AI 聊天，我父母也是如此。我想，大家和 AI 聊天感到愉快，很大程度上是因为它总是能给出一个让你感到满意的答案——它似乎总在迎合你的想法，总能找到一条思路，把话题绕回到“你说的是对的”。当然，如果你的想法带有一定危险性，它在一定程度上还是会选择劝阻——比如当你表达出想要伤害自己的想法时，它一定会加以制止，但总体而言，它呈现出的是一种价值观相对端正的思路。

这或许源于它庞大的语料库：在总结了海量的人类回答之后，它会判断出在某个场景下，怎样的回应才是“正确”的选择。但人与人之间交流之所以让人感到愉快、感到有意思，很大程度上是因为对方拥有属于自己的、独特的人格特质——比如各自的 MBTI 类型——可能与我十分契合，也可能形成互补，这样的碰撞会让对话变得饶有趣味。事实上，人与人之间的这些人格特质常常是相互冲突的，一个人很难在同一时刻，完全体现出两种截然相反的情感或人格。而 AI 给人的感觉却不太一样：在与你交流的短短几分钟里，无论面对什么问题，它似乎都不表现出任何明显的偏好性，你会觉得它说的一切都很“正确”，但总有种冷冰冰的、机械化的感觉——缺乏真人交流时那种鲜活的“人味儿”。我认为，这主要是因为它把无数人的回答综合在一起，从中挑选出针对某种场景最恰当的一种回应。所以我个人始终认为，AI 在人际互动的过程中所呈现出来的东西，和真正的人与人之间的互动，本质上还是不太一样的。

不过，因为我本身也一直很喜欢心理学，所以如果从心理学的角度来看待这个问题的话，我依然会觉得，AI 缺少了一些真正个性化的东西。举个例子，人与人之间的交流中，有时候我说了一句实话，可能会让你听了心里不太舒服，但我并不会因此就不想再和你聊天了——相反，我可能反而会觉得，“你说的这一点我以前从未想过，你挑战了我原有的想法”。

我知道，这也是 AI 领域的同行们一直非常纠结的问题——大家都非常希望能够证明，AI 确实具备意识，或者说拥有一种“自我”的存在。我想，这种执着或许可以追溯到图灵的时代就已经存在了。我觉得，或许可以从这个角度理解：当我们进行深度思考时，调动的更多是我们独特的过往经历——在成长的过程中，我们所获得的知识其实并不像 AI 那样全面，我们的知识库远没有那么完备，但正是在这个过程中，我们逐渐形成了属于自己的世界观。这个世界观并不完美，事实上，每个人的世界观都不是完美的，但它构成了我们自己独特的思维模式，也塑造了我们对事物的判断方式。反过来，AI 恰恰因为知道得太多，或者说它所掌握的信息本身可能就存在某种偏颇——比如当我们与它对话时，这些对话内容本身也可能成为它语料库的一部分，因为它被记录了下来。

但我们与朋友私下里的很多交流，往往并不会呈现在互联网上。像这样的一些交流过程，在 AI 进行训练的时候，可能就没有被采集、没有被纳入训练数据当中。所以就训练数据本身而言，尤其是涉及人机交互、人与人交互、机器与机器交互的这部分内容，可能是相对欠缺的。

心智化与具身智能

唐小引：那么您认为，AI 是否需要具备心智化的能力？我最近看到一些相关讨论——比如前面提到的哈萨比斯，他最近提出，智能与心智、意识其实是可以分离的。他认为，我们并不需要赋予系统真正的意识才能让它变得更聪明；他更倾向于把智能视为一种工具。而一旦涉及心智化，就会牵涉到整个安全与伦理层面的问题，这可能是一道不能轻易触碰的红线。您可以谈谈自己的看法吗？

林桥津：我的观点是，这并不是必然的，我也非常认同这个说法——关键在于我们希望 AI 对我们而言，究竟是一种承担何种功能的工具。如果我们希望它作为伙伴，帮助我们完成一些自己不太愿意做的重复性工作，或者不想投入太多时间精力的任务，那么它确实没有必要具备心智化的能力，因为只要给出清晰的指令，它就能够执行——这一点，目前的机器人以及一些具身智能产品，已经能够做到。但在某些场景下，我们可能还是希望 AI 能够预判到那些没有被明确说出来的意图。比如前几天我们聊到自动驾驶和辅助驾驶的话题，你还是会希望这辆车能够预判：旁边的行人可能会突然冲出来，或者旁边的电动车可能会……

唐小引：这正是老司机和新手之间的差别——所谓的“眼观六路、耳听八方”，能够提前做出预判。

林桥津：确实如此，正因为如此，你自然会希望这样的 AI 能够预测到：路边的行人从神情上看，似乎正准备过马路。

唐小引：包括观察对方的肢体动作。我现在也经常会做这样的事——通过预判来判断对方接下来会做什么。

林桥津：正是如此。所以，为了实现这样的能力，乃至考虑到我们现在正在发展的具身智能领域——比如养老问题：人口正在持续下降，老龄化也日趋严重，因此养老机器人在与人交互的这部分功能上，确实需要一定程度的心智化能力。甚至书里也提到，做家务的机器人，一旦需要与人打交道，你自然也希望它不是一台冷冰冰的机器。

唐小引：所以说，我们所期望实现的家庭服务机器人，其实是需要具备心智化能力的。

林桥津：是的，确实如此。

唐小引：那么再来看这几年具身智能的发展现状——尽管这个领域一直在努力推进，但家务类机器人的落地却依然十分困难，书里也提到了这一点。Bennett 写道，“洗碗机的秘密可能就隐藏在哺乳动物的运动皮质以及更广泛的运动系统当中”。那么，我们当前在具身智能领域的研究，是否能够从这个角度，进行一些有效的借鉴与学习？

林桥津：在回答这个问题之前，我想先分享一个我之前看到的、相当有意思的新闻。有人正在尝试制造一种真正拥有大脑的机器人——不是芯片构成的“大脑”，而是一个真实的、湿润的生物脑：比如培育出一个微小的脑组织，将其安置在机器人的头部位置，再植入电极，读取其中的神经信号。当然，这目前还只是一次非常初步的尝试，本质上是在为机器人寻找一个真正的大脑。我之前听过一种说法：具身智能，是在为 AI 寻找一个身体；而这类研究，则是在为机器寻找一个大脑。这个说法我觉得很有意思，它恰恰说明，当下这两个部分——“身体”与“大脑”——依然存在某种程度的割裂，尚未能够真正地融为一体。但在人类自身身上，包括运动能力和各种其他能力，其实是一个高度统一的整体：我们的神经元并不只存在于大脑之中，我们的手、脚等身体部位同样分布着神经元。而在一些非常简单的情形下，我们其实根本不需要经过大脑的处理——比如那些我们熟知的反射行为：膝跳反射，或是碰到烫的东西会本能地缩手。这类反射能够以极快的速度完成处理，比如那些预警危险的本能反应；但另外一些则需要经过更深层次的思考，也就是我们常说的快思考与慢思考。

唐小引：确实如此，正是这种思考的“快”与“慢”之分。

林桥津：这一类需要经过大脑深度参与的处理过程，但除了人类之外，比如章鱼这类动物，它们也会独立进化出属于自己的一整套系统。无论如何，这套系统——也就是大脑——始终是与它所依附的身体相互匹配的。在整个进化历程中，二者是同步演化的，绝非先进化出大脑，再去为它匹配一个身体。所以，书中提到的第六次突破，或许正是指具身智能这一次突破——既然“身体”与“大脑”此前是被分开研究的，比如机器人的各种马达、传感器，那么，能否让这些部件与 AI 的“大脑”重新实现有机融合，可能正是接下来需要探索的方向。

唐小引：目前确实有很多团队正在研发具身智能的“大脑”。但正如您刚才提到的，在人类的进化历程中，大脑与身体是同步进化的；那么，如果二者是分别独立发展、再被人为叠加在一起，这样形成的产物，还能被称为人工智能吗？还是说，它会演化成一种全新的智能形态？这里其实包含两个层面的问题，您的看法是什么？

林桥津：首先，假设 AI 真的能够像人类一样，依次实现前面提到的五次突破——当然这样的划分在一定程度上简化了整个演化过程，虽然它已经是相当具有代表性的框架，但其中一定还包含着许多我们尚未触及的细节。假设 AI 真的完成了前面所有的突破，进而到达第五次，也就是它真正拥有了通过自主意识产生语言的能力，并且 AI 与 AI 之间能够彼此交流，它们的文化与知识基本上也能够实现传承——如果发展到这个程度，我会觉得它已经有点像是一种生物了，不一定是人，但很可能是某种新的物种形态。不过，这背后其实还涉及我们对“生物”这个概念本身的定义——作为一名教授生物学的老师，我认为“生物”这个概念的其中一个关键标准，是能够快速适应环境，以及能够进行自我增殖与繁衍。从这两点来看，即便 AI 真的完成了前面提到的整整一系列演化，我依然对它能否很好地做到这两点，抱有一定的存疑。首先是自我增殖这件事：当然，它也可以训练出另一个属于自己的机器人，形成一种具身智能上的延续，但正如我们养育孩子的过程一样，你会发现，孩子长大后无论是外貌还是思维方式，都与你并不完全相同。

所以，我们并不是在简单地复制自己，而是在遗传与变异的过程中，孕育出一个能够适应全新社会环境的新个体。而假如 AI 只是单纯地完全复制自身，那么在一定程度上，它可能并不能像生物那样，真正具备适应不断变化环境的能力——就好像一种只适应极寒环境的生物，一旦被置于炎热的地方，很快就会难以存活。这也说明，生物的适应性，本质上是与其所处的具体环境相互匹配的，很难同时兼容两种完全相反的极端环境。所以，从自我复制与多样性这个角度来说……这是第一点，另外还有一点——就像蓝藻曾经引发过一次生物大灭绝事件那样：当时氧气的出现，你可能会觉得这理所当然是一件好事——对我们人类而言当然确实如此，但对当时的其他生物来说，未必是好事。这其中其实蕴含着许多值得思考的哲学问题：我们今天所认为的“好事”，未必在任何时候、对任何生命而言，都真的是好事。

结语：AI 时代何为稀缺

唐小引：在 AI 时代，对于人类而言，什么才是真正稀缺的能力？

林桥津：关于这个问题，我认为，人类首先需要保持自身的思考能力。AI 或许能够在某个特定方向上进行非常深入的思考，或是高效地完成资料收集，又或是在某个细分领域中展现出极强的专业能力，但我们所说的“智能”，其实是一个相当宽泛的概念，它涵盖了许多不同的方向——比如社交能力，本身也是解决问题能力的一种具体体现。所以，我认为，当 AI 能够替代我们完成那些我们本身不那么擅长，或者它已经能够做得比我们更好的事情时，我们更应该保持自己在广度上的能力——即适应不同问题、并解决各种不同类型问题的能力，这一点，我认为至关重要。

最后，说一件事

2026 奇点智能大会 ，终于要和大家见面了。

11 月 20-21 日·北京，奇点智能研究院联合 CSDN，把两场技术大会放在了同一个时空里：

• 奇点智能技术大会（始于 2016）——聊大模型、AI Native、企业级 AI 落地、多模态与世界模型；

• C++ 及系统软件技术大会（始于 2005）——聊现代 C++ 演进、AI 算力与推理优化、高性能低时延系统。

为什么要放在一起？因为我们越来越相信——上层 AI 应用的爆发，离不开底层系统软件的支撑；而底层技术的演进方向，也正在被 AI 重新定义。

这次大会汇聚 70+ 位技术专家、18 个主题、1000+ 同行到场。

如果你也在这些方向上做研究、做产品、做工程，别错过。

if like:

click("分享", "点赞", "在看")