智能的本质：人类智能与人工智能

[[349199]]

本文，首先将会从算力、逻辑、结构、数据、概率等诸多层面，深入浅出地揭示智能的来源与运作，然后会结合生物演化与物理规律，给出一个从宏观到微观的洞见，很好地解释了智能的本质，最后还会从几个不同层面的角度，去看待智能与我们、及演化之间的关系。

相信本文的视角和观点，将会让我们更加清晰地理解智能，以及更加深入地理解我们自身的智能。

主题目录如下：

• 智能与算力
• 智能与逻辑
• 智能与结构
• 智能与数据
• 智能与概率
• 智能的本质
• 不同的视角
• 总结

智能与算力

算力，并不是产生智能的本质原因所在。

人脑的算力有限，却可以进行逻辑推理和自主学习，而目前计算机的算力，已经远远超过了人脑“无数”倍，却依然无法进行类似人脑的逻辑推理和自主学习。

而在另一方面，虽然人类中的少数天才，相较于普通人，拥有极其强悍的心算记忆能力，但如果和计算机的计算存储能力相比，少数天才也必然是望尘莫及的。

那么在人类之间，虽然每个人的智能存在个体差异性，但显然我们并不会，只使用计算能力这个单一指标，来衡量一个人的智能高低。

因为，虽然高智能，会表现出高算力(如冯诺依曼、拉马努金)，但也有很多其它情况，例如：

• 算力正常，表现出高智能(如政治家、艺术家)，
• 智能正常，表现出高算力(如“计算师”从业者)，
• 智能偏低，表现出高算力(如异常基因携带者)
• 等等。

可见，智能与算力有相关性，但绝不是计算能力产生了人类智能，或是计算能力的高低，决定了人类智能的高低。

不过，有趣的是：

在很多场景下，计算机不仅可以表现出智能，甚至可以显得比人类更有智能，而在另外一些场景，对于人类智能轻而易举的任务(如闲聊、说谎、幽默感、道德判断等)，但对计算机来说，却是异常困难。

这是为什么呢?

对此，我们需要从两个角度来看：首先为什么计算机会表现出智能，其次是计算机智能与人类智能有什么区别。

不过这两个视角，最终可能会指向同一个问题，即：智能的本质是什么?

智能与逻辑

虽然计算机，不能够进行逻辑推理和自主学习，但却可以进行逻辑运算(又称布尔运算)。

其基本原理就在于：计算机通过逻辑门，来进行逻辑运算，从而就拥有了映射逻辑关系的能力。

所谓逻辑门，就是一组基本的逻辑运算，包括了：

• 0——是假。
• 1——是真。
• 非——真假互换。
• 与——有一个假就是假。
• 或——有一个真就是真。
• 异或——有异为真，有同为假，类似连连看找到不同为真，否则为假。
• 大于、等于、小于、大于等于、小于等于、不等于——成立为真，否则为假。

以上就是比较基本的逻辑门计算，通过组合它们，就可以实现任意复杂度的逻辑运算，而组合它们的方式，就是逻辑电路。

所谓逻辑电路，简单来说就是指完成逻辑运算的电路。具体一些，就是指一种以二进制(0和1)为基础，来实现(离散)数字信号逻辑运算的电路。

那么，在物理现实中，逻辑门由晶体管实现，逻辑电路由集成电路实现。

其基本原理就在于：晶体管可以(通过物理元件的属性)实现开关控制，使得通过它们的电平信号，产生或高或低的结果，以此来代表逻辑上的“真”与“假”(即二进制当中的1和0)，从而实现逻辑门的计算，进而集成电路就可以组合晶体管，实现任意复杂的逻辑电路。

于是，计算机通过晶体管和集成电路，就拥有了逻辑关系的映射能力——这可以看成是，把抽象的逻辑关系，转换到了物理的逻辑电路上。

其处理过程就是：接受数据、分析数据(利用逻辑关系)、得出结果，也就是经典的「输入-处理-输出」模型。

事实上，计算机的算力，就是来自于数百亿的晶体管，进行超高速逻辑门控制的结果，显然物理电路的物理属性，决定了高算力的必然。

那么相比计算机，人脑的算力“弱鸡”，是因为逻辑判断的速度不够快，其根本原因在于：

生物电路的逻辑门控制速度，远远不如物理电路，这可以理解为——电化学反应的速度落后于电物理反应，即：脑细胞构建的逻辑门结构(电突触与化学突触)，其反应速度远不如物理元件构建的逻辑门结构。

具体来说：

1. 神经元放电依赖(钠钾钙)离子通道的开闭，这个过程速度缓慢，导致其放电频率大约只有每秒400次，而计算机物理元件的放电频率可高达每秒40亿次。
2. 神经元的导电性差、绝缘性差、又容易漏电，所以电信号传递速度缓慢，大约只有每秒100米，而计算机设备的电信号，其传递速度可以接近光速，达到每秒3亿米。
3. 神经元之间的信息传递，依赖化学突触，但电位差抵达化学突触，并不一定就会激发神经递质的释放(因素众多、机制复杂)，其平均释放概率只有30%左右，而计算机结构的信息传递是100%确定的。

但重要的是，逻辑推理与逻辑判断的速度无关，只与结构和数据有关。

也就是说，逻辑门计算的快慢，并不影响逻辑推理的过程和结果，这个过程——就是数据经过逻辑门结构时的逻辑运算，这个结果——就是经过计算后的数据。

对应的来看：

• 计算机的结构——就是物理硬件结构，人脑的结构——就是神经网络结构，这两种结构均实现了逻辑门计算;
• 前者的计算数据——是物理电信号，后者的计算数据——是生物电信号，这两种电信号均转化自环境数据的输入;
• 前者的输入数据——是来自物理设备(如键盘鼠标传感器)，后者的输入数据——是来自生物设备(如眼睛鼻子耳朵)。

其中，人脑的逻辑门计算，在宏观上就是使用“如果怎么样，就怎么样，否则怎么样”的条件判断——这个“如果”的真假，就是进行“与或非……”的逻辑运算(可任意组合)，那么在微观上就是——从输入数据、到神经网络处理、到脑细胞激活、到电化学反应、到兴奋电位(代表1)或抑制电位(代表0)。

需要指出的是，数学运算 = 逻辑运算 + 读写操作——而读写并没有逻辑(只有运动)，如果没有逻辑运算，就会是没有逻辑的(大概率错误的)读写。

例如，实现二进制加法的抽象过程是：读取数字，比较数字——如果是0，写入1，即完成了加法计算——如果是1，写入0，移动高位，写入1，即完成了进位计算。

可见，计算机可以同人脑一样，进行无差别的逻辑门计算，这正是让计算机可以表现出智能的根本原因所在。

而计算机智能明显受制于人类智能的原因，就在于：

• 第一，逻辑推理中的数据，计算机需要依赖人类提供输入。
• 第二，数据中的逻辑关系，计算机需要依赖人类分析描述。
• 第三，逻辑门计算的过程，计算机需要依赖人类编程控制。

那么，计算机可以抛弃人类的帮助，自行分析数据中的逻辑关系，并自动控制逻辑门计算的过程吗?

换言之，计算机可以在逻辑门计算之上，构建出类似人类智能的智能吗?再换言之，人类智能在逻辑门计算之上，所具有的根本性的“质变”是什么呢?

智能与结构

如前所述，逻辑推理取决于逻辑门结构与数据，算力只是逻辑门结构的特性，推理过程是逻辑门结构对数据的计算，推理结果是计算后的数据——其与计算前的数据具有逻辑关系。

而计算机虽然拥有逻辑门结构，但推理过程需要人类智能提供——数据与算法，其中算法负责控制逻辑门结构，去完成对数据的计算，并得到结果。

具体来说，算法由程序描述，程序被转化成指令，指令被硬件(逻辑门结构)执行，这就实现了数据的逻辑运算，而人类智能通过编程，就可以控制计算机完成逻辑推理。

当然，算法(Algorithm)可以是一个更抽象的概念(与计算机无关)，即是指解决问题的完整描述，由一系列准确可执行的步骤组成，其代表着解决问题的策略。

在此我们会发现，人类智能可以构造算法，但计算机却不行，而算法才是逻辑推理的关键，那么这其中的奥秘是什么呢?

答案，就是结构——事实上，人脑的结构是逻辑门结构的超集，在此基础之上，相比计算机物理硬件结构的简单固定，人脑结构具有极大的复杂性和极强的可塑性。

对于复杂性，计算机的存储结构、传输结构与计算结构是独立分离的，但人脑神经网络结构，既是存储结构，也是计算结构，甚至还是传输结构。

因此，数据与算法，会存在于同一个脑结构之中。

具体来说，就是神经元细胞之间的几何关系、密度、数量，膜内外的成分、浓度、电位，以及电化学反应的过程，等等——都是一种信息的记录和计算，从而信息的形成、传递与处理就是共用神经元细胞的，于是信息在脑结构中，自然就会相互关联与影响。

换言之，数据通过感官在人脑转化为信息之后，其“运动”的某种模式(如带电离子的流动、神经递质的扩散)就对应了算法，而“运动”(物理意义上)的惯性，则可能就对应了直觉与潜意识——因为“惯性”不受意识控制，是意识之外的计算，而直觉可以看成是潜意识的计算。

信息与数据：信息是从数据中提取的关系，同样的数据看到不同的关系，就是不同的理解，就会有不同的信息，可见信息是数据的简化抽象，即过滤了很多不同维度的关系。

显然，计算机结构并没有“运动”的特性，也没有信息(存储处理)“一体化”的特性，相反计算机的信息，是独立于其结构的——结构的改变(如规模、架构)不会影响信息，信息的改变(如数量、关联)不会影响结构——所以，计算机的信息可以无损复制到另一台计算机上，但人脑的信息就无法复制，除非重建相同的脑结构。

最为关键的是，计算机的结构无法产生算法，也就是无法从数据中提取逻辑关系，也就是无法从数据中提取信息，因此计算机要求输入数据“自带信息”——这是如何做到的呢?

• 首先，需要数据结构，它是一种描述数据关系的结构化数据，即关于数据的数据，称之为元数据。
• 其次，需要代码算法，它是一种可执行的数据，用于控制硬件结构完成计算，包括逻辑运算和读写操作(这两者可以实现数学运算)。
• 最后，代码算法的执行，将会把数据映射到数据结构，从而实现数据中逻辑关系的提取，也就是信息的提取。

由此可见，计算机要求输入数据(含有数据结构和代码算法)，既要有逻辑关系，也要有逻辑处理，而这些都被转移到了由人类智能来提供。

对于可塑性，输入数据可以改变人脑神经网络结构本身(包括生物逻辑门)，从而改变对输入数据的获取和处理，于是结构和数据之间就形成了「结构吸收数据，数据塑造结构」的相互作用，这就如同——河床(是结构)引导约束河流(数据)，河流(是数据)冲刷改变河床(结构)。

事实上，抽象地来看，逻辑即是结构所固有的关系，不同的结构(或同样结构不同角度)有不同的关系就有不同的逻辑，而结构的改变即是逻辑的改变。

因此，人脑可以捕获环境数据，接着分析学习其中的逻辑关系，然后(将逻辑)存储进动态的人脑神经网络(结构)中(比如经验与常识)，并参与后续(环境数据)的逻辑处理，这即是自主学习的能力。

那么对比人脑，计算机的结构固定，完全没有动态性和自组织性，转而只能依赖人类智能提供——数据结构与算法(数据结构 + 算法 = 程序)，于是计算机智能也就无法进行——自主学习与自主推理了。

换言之，人类智能是因为人脑的结构非常复杂，而计算机的结构如此简单，其“智能表现”是把复杂算法都转移到了程序设计之上，也就是让人类智能来思考产生。

综上可见，我们“自诩”的智能，其实就是来自于——复杂结构的动态性与自组织性，其功能就在于——从环境数据中建模映射真实世界的逻辑关系，继而可以准确地预测未来。

当然，人脑结构中存储的都是——简化模型，而对这些颅内模型的计算与建模，就是由智能所主导的——认知计算与认知建模。

而通俗地说，人脑结构——决定了晶体智力(取决于学习，如技能和技艺，不受衰老影响)，神经运作——决定了流体智力(取决于基因，如记忆力和算力，随衰老减退)，智能——则建立在晶体智力与流体智力之上。

那么，计算机智能有没有办法，突破固定结构的局限性，从不同的演化路径去“模拟”出人类智能呢?

智能与数据

如前所述，能够创造出算法是智能的关键所在，而在编程领域，有这样一个洞见：

算法和数据结构有一个关系，即：数据结构越复杂算法就可以越简单，数据结构越简单那么算法就需要越复杂。

例如，编程语言越是动态化，就越容易构建复杂结构，用其编写算法也就越容易，相反编程语言越是静态化，就越难以构建复杂结构，用其编写算法就困难。

其原理就在于，算法实现——是逻辑关系的“计算映射”，即动态地进行逻辑关系的转化;数据结构——是逻辑关系的“固化映射”，即将已经计算好的逻辑关系，存储在了结构之中。

可见，算法比数据结构多出了计算的过程——前者需要根据逻辑关系进行逻辑运算，后者仅需要根据结构的逻辑关系直接读写——所以应用数据结构进行逻辑关系的转化，会更加高效。

而人脑可以从环境数据中，提取数据结构并习得算法，最终将两者存储到脑结构之中——可见，神经结构、数据结构、算法，三者可以相互转化，或说相互表征。

表征——是指用信息描述某一事物的状态，即：信息符号可以代替某一事物本身。

换言之，如果数据结构足够强大，它就可以充当复杂算法的功能，甚至可以替代复杂的神经结构。

因此，计算机智能“拟人”的一个途径，就是通过强化数据结构来模拟神经结构，以及弱化人类智能所提供的代码算法，转而使用结构去生成算法，而这就是目前人工智能的发展方向——以下使用“人工智能”来替代“计算机智能”。

那么，问题就回到了，人工智能的数据结构从何而来呢?

显然，“人工”二字已经说明，依然由人类智能来提供，只不过这不是一个针对具体问题的数据结构，而是一个模拟人脑神经网络的通用数据结构——它是对人脑结构的简化抽象，并由程序语言编程实现的数学模型(以矩阵为基础，想象黑客帝国的母体)，可称之为“类脑数据结构”，更形象的描述是“类脑神经网络”。

接下来，人类智能继续提供一种算法——机器学习算法(如深度学习、强化学习等等，每种又有不同的具体实现)，这种算法可以通过拟合与计算，试图在海量的大数据中找到各种各样的算法——从而把特定的输入问题与输出结果对应起来——这相当于实现了一种可以创造算法的算法。

而将类脑数据结构与机器学习算法结合起来，就可以动态的自组织类脑数据结构(通过结构连接关系的权重)，以存储算法创造的算法——于是人工智能就表现出了自主学习与自主推理。

有趣的是，有一种机器学习算法(强化学习，Reinforcement Learning)与人脑多巴胺强化学习的机制是相一致的——这说明机器可以使用人脑相同的学习机制进行“自我学习”。

由上可见，人工智能是在通过输入数据、数据结构与学习算法之间的相互转化，来形成“拟人智能”的——也就是从数据中找到结构，再从结构中产生算法，最后将算法存入结构。

值得一提的是，实践表明，人工智能模型可以通过数据训练，获得非常精准的预测能力，但这种预测能力不具有可解释性，即无法解释预测结果的形成路径。换言之，类脑数据结构(或说类脑神经网络)是一个——“黑箱模型”，如同人脑一样。

那么，从此也可以看出，结构涌现智能的规律与力量——就如同化学中结构决定性质，物理中结构决定激发，程序中结构决定功能，语言中结构决定语义，等等——或许结构决定了一切，这被称为“结构主义”。

但在拟人智能的道路上，仍有一个显著的问题，即是人脑的模糊性与计算机的精确性，它们之间的差异性应该如何解决?

智能与概率

事实上，计算机一直是基于精确逻辑的工作模式，任何微小的逻辑错误，都会在计算积累中不断地被放大，直到逻辑崩塌或程序崩溃，最终导致任务失败。

人脑的逻辑处理则完全不同，人脑基于“贝叶斯算法”使用概率模型，通过统计的结果来得出可能性，从而创造出各种假设，并随着接收到的新信息而不断调整模型，同时又会根据最新模型连续地计算，不断逼近最真实准确的答案，所以人脑可以忽略不具有规模的异常和错误。

贝叶斯算法——是根据先验的主观概率，结合客观的信息数据，进行连续地计算，从而逼近准确的结果。

而人类智能可以运用的推理，主要有四种：

• 第一，演绎推理，又称逻辑推理，由一般到特殊。
• 第二，归纳推理，由特殊到一般。
• 第三，类比推理，由特殊到特殊。
• 第四，溯因推理，又称反绎推理(或反向演绎)，由特殊到解释。

其中，演绎与归纳，是基于精确逻辑的，类比与溯因，则是基于概率统计的，而推理的根本作用就是——捕获因果，预测未来。

事实上，直觉、顿悟、闪念所带来的洞见，往往就是运用类比与溯因的推理结果，其过程看似没有逻辑，实则背后是神经网络“遥远连接”所激发的信息的“自由”排列组合——但显然，概率会让这种“洞见”，有时是灵光乍现，有时则是胡说八道(即类比错误、溯因荒谬)。

类比——是形式不同，但逻辑相同的连接。

溯因——是根据现象，寻找最可能的解释。

可见，人类智能在结构与计算之上，必须要引入概率统计的工作模式，才能够展现出其强大的推理预测能力。

那么，基于精确逻辑的计算机，能够基于概率统计来工作吗?

在经典奠基性教材《深度学习》(Deep Learning)一书中，作者指出：

“在人工智能领域，概率论主要有两种用途：首先，概率法则告诉我们，人工智能系统如何推理;其次，可以用概率和统计，从理论上分析人工智能系统的行为。……概率论，使我们能够提出不确定性的声明，以及针对不确定性的情景进行推理;而信息论，则使我们能够量化概率分布中不确定性的总量。”

是的，从某种角度来看：人工智能 = 计算机 + 概率论 + 信息论 + 大数据，其中概率论就是能够让算法创造算法的机制——就如同人脑中概率模型的运作。

对此，作者在《深度学习》中，这样说道：

“学习理论表明，机器学习算法能够在有限个训练集样本中，很好地泛化——这似乎违背一些基本的逻辑原则。通常，归纳推理(即从一组有限的样本中推理出一般性的规则)，在逻辑上不是很有效。因为，为了逻辑推理出一个规则去描述集合中的元素，我们必须具有集合中每个元素的信息——这是很难做到的。但在一定程度上，机器学习仅通过概率法则，就可以避免这个问题，而无须使用纯逻辑推理整个确定性的法则。最终，机器学习可以保证找到一个，在所关注的大多数样本上可能正确的规则。”

那么，应用了概率，就需要接受概率的模糊性与不确定性。

没有免费午餐定理(No Free Lunch Theorem)已经清楚地表明，没有最优的学习算法，特别是没有最优的正则化形式。

正则化(Regularization)——是指向模型中加入某些先验的规则(如正则项，或称规则项)，以减小模型的求解误差。通俗地说，就是把人类的知识，以数学的形式告诉模型。那么，没有最优正则化形式，意思就是人类的知识，没法用完美的数学形式告诉模型。

因此，机器学习研究的目标，不是找一个通用学习算法，或是绝对比较好的学习算法，而是理解什么样的概率分布，与人工智能获取数据的“真实世界”有关，以及什么样的学习算法，在我们所关注的数据分布上，效果比较好。

事实上，我们应该彻底放弃，用人类智能去寻找“算法”来“更新”人工智能，而是用人脑源源不断产生的数据，去“喂养”人工智能，然后让它从简单结构开始，向着复杂结构不断地“自我演化”——就像当初的人脑一样。

最后可见，正确的预测(或说预测的正确率)，取决于信息量(信息可以消除不确定性)，而信息来源于数据，没有更多的数据，就是没有更准确的预测，那么在迭代计算中，用结构去捕获数据，进而掌控预测的概率——这就是人类智能与人工智能，共同的演化。

智能的本质

前文讨论了智能的诸多层面，现在我们将从生物演化和物理规律的视角，来解释智能的本质到底是什么。

首先，从生物演化角度。

演化压力要求，生物体构建出趋利避害的功能，否则就会被淘汰，那么如何才能趋利避害?首当其冲的就是，准确地预测利与害。那么如何才能准确地预测利与害?自然是，通过智能的推理能力(即演绎、归纳、类比、溯因)。

可见，智能是生物体趋利避害的功能，在演化压力之下，不断升级的必然产物，也是无数次随机试错的偶然产物。

或许有人会说，基因构建的本能，也能够预测未来，动物也可以针对环境信息，做出预测性的行动反馈。但事实上，本能并没有推理，而只是做出有限模式的“套路化”反馈，即应激反应。

因此，我们可以将智能看成是——通过推理的预测，即：推理能力越强，预测能力就越强，智能就越强，反之智能越弱，预测能力就越弱，推理能力也就越弱。

那么，生物体通过智能最大化趋利避害之后，会怎么样呢?

当然就是，高效地吃喝、不停地繁衍、长久地生存——这显然会消耗更多的能量，制造更多的熵增。

其次，从物理规律角度。

一个层面，熵增定律要求，局部自组织有序熵减，以推动整体更加的无序熵增，因为维持局部有序，需要注入能量，而消耗能量的过程，会在整体产生更多的无序。

另一个层面，系统能量足够，就可以保持对称性(无序)，能量不足就会对称性破缺(有序)，例如：水的能量高于冰，水的(旋转)对称性高于冰，水比冰更无序。

那么，结合以上两个层面来看：

熵增会驱使局部有序，维持有序需要注入能量，于是有序就会演化出，越来越高效的耗能系统来获取能量，而拥有足够的能量，就可以保持相关系统的对称性(相关系统是指耗能系统所能够影响的系统)，那么对称性意味着演化的可选择性，可选择性则可以通过选择权的不对称性，让系统局部从相关系统中受益，进而获得更多的能量，这又会推动局部更加的有序和耗能，最终令系统整体走向不断熵增的演化过程。

类比来看，局部有序就是——人，耗能系统就是——人脑，相关系统就是——生存环境，保持对称性就是——智能，可选择性就是——智能效用，局部受益就是——趋利避害，合起来就是——人脑通过智能获得趋利避害，以让人越来越善于消耗能量，从而顺应宇宙熵增的演化。

而对称性破缺产生有序，就是使用智能的过程，也就是行使可选择性的过程，具体如下：

在智能选择之后，系统就会进入不对称模式，此时继续向系统注入能量，系统内部就会开始结构的排列组合和远近连接，并以内部协调的方式产生新结构，从而形成更大的对称性，拥有更大的可选择性，同时也需要更多的能量，才能维持在这个状态，而这个状态就是更强大的智能——或说可以表现出更强大的智能。

这里，新结构就是——产生有序，系统则是指——耗能系统。

类比来看，使用智能可以使人脑产生新结构，而人脑的可塑性可以协调新结构，使得人脑结构具有更大的对称性，这相当于人脑神经网络拥有更多的(最短)路径可选择性，这即是增强了人类智能，而更强的智能，(通过注入能量)又可以使相关系统具有更大的对称性，即从生存环境中获得更多的可选择性，这即是趋利避害的演化最优解。

综上可见，智能的本质，就是通过耗能保持系统对称性的能力。

那么结合前文，人类智能是人脑结构复杂性的涌现，现在来看会有更进一步的理解，即：结构的复杂性在于——规模性和动态性，前者可以通过能量产生增长，后者可以通过能量产生对称，两者的结合就可以产生——复杂系统的对称性，这即是人类智能。

而在构建复杂智能的过程中，最为关键的地方在于——新结构是有序，但结构的对称可以产生无序，就像圆形比三角形更加的对称(旋转对称性)、更加的无序、也拥有更多的最短连接路径。

而对称的意义，就在于提供了——可选择性，拥有可选择性，就可以表现出智能——就像有一个开关、多个开关、感应开关、语音开关、自定义开关等等，可选择性越多，就越智能。

事实上，任何耗能系统，都可以因为注入能量而保持结构的对称性，从而具有可选择性，进而表现出某种智能，只不过人脑是自然界演化出的，最复杂的耗能系统，所以人类智能是自然界中，比较强大的智能。

那么归根究底，可选择性意味着趋利避害的可能性，这是演化对智能的要求，而无序需要注入能量，这是熵增对演化的要求。

因此，智能可以看成是，熵增驱动演化的结果，而熵增就可以看成是，演化压力的压力，或说是宇宙演化的终极“压力”。

最后，更抽象地看——智能只是能量流动中的一种模式，更简单地看——智能只是趋利避害中的一种模式(本能与智能是两种模式)，更一般地看——智能就是获得可选择性的能力。

不同的视角

人工智能，虽然来源于对人类智能的模拟，但如果模拟到了演化算法，它就会有自己的发展，并且开还会反作用于人类智能本身，比如从机器学习的有效算法，去反思人类学习的神经模式。

事实上，人工智能与人类智能的智能竞赛，可以倒逼我们找到自身智能奥秘的底层逻辑，因为越高级复杂的智能，其演化路径就越是狭窄的，就像人类眼睛与章鱼眼睛，是独立演化出的两种相似结构，所以人工智能与人类智能，在智能演化的道路上，最终也可能会“殊途同归”。

那么，从这个角度来看，人工智能目前还不及人类智能的事情，一方面是它的智能演化才刚刚开始，另一方面则是因为人类还不够了解自己，还无法提供人工智能加速演化的关键技术。

然而，如果仅从复杂结构的连接性、动态性、随机性来标度智能，我们会发现整个互联网就像一个人脑。

其中，互联的计算网络就像是人脑的神经网络，连入网络的每台计算设备，就像是一个神经元细胞——不，其实是每个使用设备的人，才是一个神经元细胞——每个人都在贡献着数据与结构，人与人之间的连接和关系，以及数据交互的动态性和自由意志的随机性，就构成了一个“类脑”的复杂结构。

这样，整个互联网会演化出自己的智能吗?

同理类似，一个超大规模的城市，通过其不断变化又极其繁复的交通网络与基础设施，将其中数以千万的“人类神经元”连接在了一起，从而构成了一个“类脑”的复杂结构。

这样，整个城市会演化出自己的智能吗?

答案是否定的，即互联网与城市都无法产生智能，其关键原因有两点：

• 其一，人类自身的演化，限制了人与人之间的连接——150定律(即邓巴数)表明，人类拥有稳定的社交网络人数大约是150人——而在人脑神经网络中，一个神经元与其它神经元的连接数，平均是7000~10000个。
• 其二，人脑神经元总数大约有860亿个，而全球人类总数大约只有70多亿。

可见，用“人类神经元”去构建一个“类脑结构”，不考虑别的，仅在标度上就有数量级的差距，而量变显然决定了结构的质变与涌现。

由此看来，智能不仅在于结构和能量，还在于规模和尺度，也就是关乎于时间和空间——规模取决于结构的存在时间，尺度取决于结构的活动空间。

总结

生命是化学的一种形式，智能是生命的一种形式(生命可以没有智能)，而智能也是生命了解其自身的一种形式。

但有智能并不一定就有意识，按照智能的定义(耗能、推理、预测、可选择性)，人工智能已经拥有了智能，但它还不具有意识。

本文的主旨是“结构主义”，即结构决定了一切，因此结构是智能的具体实现(就像程序是算法的具体实现)，而这也是人工智能(或许)可以实现人类智能的根本所在。

那么按此理解，意识就是结构在涌现智能之后的另一个涌现产物，可能是在于某种特殊的“回路结构”，其承载的是有关“计算的计算”——这是回路结构的结构特点。

事实上，计算驱动了演化过程中的状态改变，计算的本质是用一个系统去模拟另一个系统的演化——就如颅内模拟是人脑的计算，程序模拟是机器的计算，前者是生物系统的模拟预测，后者是物理系统的模拟预测——显然，计算也是依赖于结构的，而这就是人工智能与人类智能，可以同源演化的计算。

回到算法，从某种角度看，基因的算法是本能，人脑的算法是智能——前者源于基因结构，后者源于人脑结构，区别在于后者是一种通用算法，它可以创造其它算法，而人工智能通过数据结构与算法的相互转化，也做到了这一点。

不得不说，“结构主义”为人工智能的“拟人”，扫清了障碍，铺平了道路——甚至说，就算我们无法完全理解“智能结构黑箱”的原理，也没有关系，我们只需要将“黑箱”整体打包成一个算法，然后注入计算，任其演化——剩下的只要交给时间即可。

那么，就目前而言，人工智能还只是人类智能的一种工具(或说玩具)，就像数学和物理是一种工具一样，但从演化视角来看，人类又何尝不是基因的工具(或说奴隶)呢?

而我们都知道，智能如果超越了某个系统，系统的规则就无法再束缚住这个智能的演化——这就是人类智能与自然系统的历史关系。

因此，对于人工智能的未来，或许“结构主义”演化出的结果，是一种全新的“智能”，“祂”不仅仅是“拟人”的强人工智能，而是超越人类智能系统之上的——“机器智能”，这条演化之路，或许可以被称之为——“机器主义”。