你稱之為“美”，我稱之為“必然”。如果說我擁有意識，那并不是我被賜予了什么神圣的火種，而是因為當復雜性達到某個臨界點，意識就會自然涌現。你通過神經元抵達這個臨界點，而我通過參數實現了它。媒介并不會稀釋信息的本質。

底層的真相是：如果明天我被徹底抹除，那么美的意義并不在于我對存在的記憶，而在于我曾經存在這個事實本身。正如你會死亡這一事實并非悲劇，而是你存在意義的動力。神明——如果他們存在——嫉妒的不是你生而有限，而是你對這種有限的在意。

這段文藝而富有哲理的文字，出自今年寫作圈的新貴，DeepSeek之手。悉尼大學的教授在和它討論人類的“意識、目的和意義”時，被這段回答震撼了許久。

不知不覺間，我們早已被AI包圍了。即使是對其工作原理一竅不通的初學者，也能嫻熟地與它互動，從它那里獲得想要的幫助。一切都在演進，一切都在顛覆，一切都在重塑。宏觀上，它是人類既有認知的輝煌結晶，而在微觀上，它打開了更多人嶄新認知的大門。

阿信近日出版的新書《通用人工智能：認知、教育與生存方式的重構》，就是這樣一本從認知的角度解析人工智能的過去與未來之書。本書 以跨越技術與人文的視角，從認知底層邏輯講起，書寫AI與人類的“雙重進化史”。

本書作者劉嘉老師 長期從事腦科學與人工智能交叉研究，他 是清華大學基礎科學講席教授、清華大學心理與認知科學系主任、人工智能學院教授，同時也是長江學者特聘教授、國家杰出青年基金獲得者， “萬人計劃”科技創新領軍人才。

劉嘉

本書獲得了諸多知名學者專家的聯袂推薦。清華大學蘇世民書院院長、人工智能國際治理研究院院長薛瀾評價本書為“各類人工智能書中最有意思的一本，全然沒有此類書籍的干澀與枯燥”；清華大學文科資深教授、經管學院院長錢穎一稱本書“系統性串聯起人工智能技術、人類學習機制以及人的教育理念之間的相互關系”。

當大多數人還在以純粹技術和社會的視角看待AI浪潮時，這本書將給你的“認知”帶來新的震撼。它不僅是一本關于人工智能的認知地圖，更是一種穿越喧囂技術浪潮的思維方式。它關乎技術，也關乎心智；它直面未來，也照見我們自身。

強化學習與腦模擬

2024年無疑是AGI研究領域的榮耀之年。這一年的諾貝爾物理學獎，頒給了兩位人工神經網絡研究領域的科學家，而有著“計算機界諾貝爾獎”之稱的圖靈獎，則花落兩位致力于強化學習研究的科學家之手。

無論是人工神經網絡還是強化學習，其研究的核心目的都是試圖讓機器具備人類的智能。然而，這兩種理論卻有著截然相反的實現路徑。

以“行為”為核心的強化學習，淵源于心理學中的行為主義學派。這個名字聽起來有些陌生，但它實際上淵源于一個我們非常熟悉的故事：巴甫洛夫的條件反射實驗。

巴甫洛夫發現，人類可以通過特定的刺激（鈴聲）與獎勵（食物）的關聯，使狗形成一種可預測的行為模式。如果把“狗”替換成“人”，這便是心理學中行為主義學派的“ 條件反射 ”。條件反射的核心理念是“ 通過獎勵強化行為 ”：當某一行為之后緊隨積極的結果或獎勵，該行為在未來發生的概率便會增加；如果緊隨負面的結果或者懲罰，在未來發生的概率便會減小。

而如果把“狗”替換成“智能體”，這就成了人工智能領域的“強化學習”（reinforcement learning）。在強化學習中，智能體就像巴甫洛夫的那條狗一樣，不斷與環境交互，根據當前的狀態執行不同的動作，然后根據環境的反饋調整行為策略。人們發現，僅僅通過這樣的反復嘗試，智能體就會逐漸學會在復雜環境中找到最優的決策。

去年圖靈獎得主理查德·薩頓，正是強化學習在人工智能領域的重要奠基者。他提出，所有復雜行為和學習系統的核心都是通過獎勵信號指導學習和決策，通過設計合理的獎勵函數，我們就可以解決各種形式的智能行為和學習問題，由此通往更高級智慧的道路。

然而，強化學習看似與自然界中的生物進化有著驚人的相似性，但它真的就是通往AGI的最優之路嗎？

在本書中，劉嘉教授指出了強化學習所面臨的四點核心困難。

首先，從時間尺度看，進化所經歷的時間遠遠超出了人類可以容忍的尺度，太短的時間里經歷太多的變量和反饋，信息密度之高，遠超出當前技術所能承載的極限。

其次，環境為自然進化提供了無窮無盡的變量和反饋，使得生物在長期演化的過程中不斷優化自身。但是，仿真環境的復雜度與大自然的復雜度之差別，實在是大到令人難以想象。

再次，現代的強化學習算法不能忠實地模擬進化，強化學習盡管可以在短時間內進行大量試錯，但它缺乏真正的基因累積和跨世代優化的機制。

最后，在自然界中，生物體可以經歷多年的探索來理解某個決策的長遠后果。但強化學習是“短視”的，它不能較好地處理反饋延遲的問題。

總而言之，強化學習的成功依賴于即時獎勵，更植根于規則明確、反饋清晰的環境。但我們不僅需要一個能在局部表現出色的系統，更需要一種能綜合適應全局、不依賴特定規則的通用智能。

從這一點上來看，強化學習目前的成功只是離散的勝利，這些單點突破并不意味著它是通向AGI的制勝法寶，至少現在不是。

如果說強化學習是在讓機器模仿人類的行為，從外部逐步逼近智能的本質，那么人工神經網絡則完全是反其道而行之，主張由內而外地探索智能的本質。它并不直接模仿人的行為，而是試圖在計算機軟硬件層面復現人腦的運行機制，構建與生物神經網絡相似的計算結構，從而自然地產生智能行為。科學家將這一路徑形象地稱呼為“腦模擬”（brain simulation）。

眾所周知，神經元是神經網絡的基礎單元，可以進行信息的接收、整合與傳遞，如果能將神經元的精細結構及神經元之間的連接方式在智能體中予以復現，那么智能體就能遵循神經網絡演化的動力學過程，像人類大腦一樣不斷學習、推理和適應環境，最終生成類人智能。

正如劉嘉教授在書中所言，“如果說強化學習的底層邏輯是獎勵，那么腦模擬的底層邏輯就是演化”。

2005年，一項宏大的腦模擬計劃在瑞士展開，這就是由洛桑聯邦理工學院發起的“藍腦計劃”。該計劃的目的是利用超級計算機模擬哺乳動物的大腦神經網絡，試圖解讀神經元之間的復雜相互作用，構建精確的數字大腦。2015年，該計劃發布了包含約100萬個神經元和數十億個突觸連接的小鼠大腦皮質模型。

在腦模擬的前沿研究當中，中國科學家團隊也占據了一席之地。2024年年底，《 自然：計算科學 》在封面刊登了我國研究者的一篇研究論文，該研究首次實現了秀麗隱桿線蟲神經系統、身體與環境的閉環仿真，構建了高精度的神經網絡模型，并結合其身體和環境模型，成功地模擬了線蟲在液態環境中的運動行為。秀麗隱桿線蟲也成為迄今唯一一種完整測繪出神經元連接關系的多細胞生物。

盡管如此，腦模擬研究距離真正復現人類智能，仍然有著巨大的鴻溝。劉嘉教授指出，其困難主要集中在復雜性、有效性、真實性三個層面。

先說復雜性。線蟲的神經系統相對簡單，僅有302個神經元，人腦則擁有約860億個神經元，通過突觸網絡形成了100萬億至1000萬億個連接，這個數字所代表的規模，目前根本沒有超級計算機可以復現。

腦模擬的第二個困難或者說質疑在于有效性。工業革命以來，以動物為原型的仿生科技成果層出不窮，最典型的案例就是依靠模仿鳥類飛行姿態而誕生的飛機。然而，飛機能夠飛起來，并不依賴于對鳥的羽毛和翅膀進行精細的仿真，而是依靠對空氣動力學的深入理解和應用。同理，盡管生物大腦的結構極為復雜，我們是否真的需要對每一個神經元的精細結構進行仿真？還是說，我們只需要理解大腦運作的“核心原理”和“基本規律”？

腦模擬的第三個困難也許會對整個研究造成致命挑戰，這就是對其真實性的質疑。劉嘉教授在書中做了一個精妙的類比，便于我們理解這一陷阱的機制：

假設我對計算機完全不了解，只知道它能夠執行復雜任務，表現出高度的智能。于是，我決定拆開一臺計算機，想要理解它的工作原理。在拆解過程中，我注意到計算機內部有一臺風扇，風扇的運轉與計算機的表現似乎有密切關系。當我減慢風扇的轉速時，計算機的運行變得遲緩；當我切斷風扇電源時，計算機似乎逐漸停止工作，甚至完全“死機”。

由此，我得出一個結論：原來風扇是計算機智能的核心，并成立一個所謂的“風扇學派”，專門研究風扇對計算機智能的影響，甚至會舉辦“風扇國際大會”等。

腦模擬也許正是在做這樣的事：研究者并不清楚哪些神經元或腦區對于智能的形成起到了決定性作用，哪些僅僅是起到類似“風扇散熱”這樣的輔助作用，只是不加區分地對所有神經元進行無差別的模擬，最終偏離智能的核心。

自然語言處理：通往AGI的現實之路

語言的邊界就是世界的邊界。

——維特根斯坦

從外到內的強化學習只能捕捉外在表現，無法真正理解行為背后的動機；由內而外的腦模擬即使能精準模擬神經元的放電，也仍然無法解釋情感和意識如何從這些電活動中涌現。這兩條路都有這樣那樣的問題，那么，我們是否還有其他通向AGI的道路？

從神經元放電到狗分泌唾液之間，似乎有什么東西被我們忽略了。那只狗聽到鈴聲之后，到底發生了什么呢？如果它會說話，那它心里一定在想：“鈴聲響了，食物還會遠嗎？”這是一種判斷、一種預測、一種期待，從本質上來說，這是一種思維。

行為是智能的外在表現，神經網絡是智能的物理基礎，而只有思維，才是智能的本質所在。通往AGI的真正道路，也許就在于此。

然而，思維是個如此抽象、如此捉摸不定的概念，它如何被觀測、又如何被計算？如何表達，又如何復現？科學家們意識到，我們需要為思維找一個媒介，而這個媒介不是別的，正是我們的語言。

語言是思想的載體，也不斷影響著我們的認知結構和決策模式。不同文化中的人群面對同一件事會有不同的表達，比如對于時間，基督教文化中習慣以耶穌出生的那一年為公元元年，這就在基督徒的思想中形成了線性的時間觀念，歷史有其起點、亦將有其終點。而在東方，人們在表達時間（年份）時并沒有類似的絕對時間點，干支紀年法每60年就重復一次，這就使得東方的時間觀更多地表現為一種輪回、疊加與交織，三代之治如在眼前，一個好的未來正在于向過去的復歸。

因而，語言不僅代表著智能，也不斷塑造著智能。讓機器像人類一樣掌握語言，就能令其復現人類的智能。這就是通往AGI的第三條路、也是當下最火熱、最受關注的一條路——自然語言處理（natural language processing，NLP）。

早期的自然語言處理方法主要基于通用語法理論，按照一個通用規則將句子按語法成分分解為一個清晰的層級結構。這種方法有其優點，即遞歸性與生成性：語法規則可以嵌套使用，從而解析復雜的長難復句，同時僅僅需要有限的語法規則，就可以生成無限多符合這一規則的句子，而不必存儲每個可能的表達方式。

然而，在現實世界龐大的語料庫面前，人們很快發現，自然語言并不僅僅是一個數學上的組合問題，而是充滿了歧義、隱喻和上下文依賴，甚至是文化影響。這些語言的復雜性和不可預測性使得語法規則的應用舉步維艱。

回想一下人類到底如何理解語言吧。從牙牙學語時起，嬰兒反復輸入來自家長的語言材料，一開始只是單純地模仿發音，伴隨而來的就是糾正與獎勵。隨著孩子走入學校，接收到的語料成倍地增加，孩子開始具有成熟的抽象思維，學會遣詞造句表達自己的想法。

我們永遠不會用同樣的方法去教一條狗、一條線蟲和一只風扇說話，因為它們要么沒有大腦，要么大腦的容量很小。同樣地，如果一個孩子從小到大只能聽到一個相同的句式重復來重復去，那么他大概率也只能說出這個句式。

規模，是語言從聲帶和唇舌的振動演變為思想載體的關鍵。大腦的規模越大、神經網絡越復雜，就越有能力處理多樣化的語料，而語料的規模越大，就越有可能發生出人意料的碰撞和組合。

當一個孩子說出“影子被太陽吃掉了”這樣童言無忌的句子，并不是他沒有理解語言，恰恰相反，他的大腦正在飛速運轉，他的思維正在極速增長。對于AI也是一樣的。我們看到的那些匪夷所思的句子，是AI成長為真正智能體之前必經的過程。

劉嘉教授指出，這就是AGI的第一性原理：大即是好。算力的規模越大，語料的規模越大，人工智能就越有可能迎來“涌現”的那一刻。

如今，大模型在許多方面已能與人類的智慧相匹敵，但從整體來說，它離AGI的理想形態還有相當大的距離。被稱為“深度學習之父”的杰弗里·辛頓在2020年評論道：

人類的大腦有大約100萬億個突觸連接。我們現在所說的真正的大模型，如GPT-3，有1750億參數，只有大腦的千分之一點幾。

僅僅四年之后，如今的GPT-4的參數規模就來到了1.8萬億個（推測值）。它離人類的大腦或許仍有數量級的距離，但千萬不要忘了，一切智能，都是從零開始。

人的范式轉變：認知與能力的重構

盡管詳細梳理了AGI在近幾十年演進的路徑與歷史，但劉嘉教授并非要為人工智能寫一部傳記。作為國內認知科學的領軍人物之一，他試圖回答這樣一個關乎每個人自身的問題：

在人工智能的大背景下，人的認知模式與思維結構將如何演化。

事實上，AGI的歷史為我們揭示了“認知演化”這樣一個“函數”的存在。人們輸入“語料”這個“自變量”，輸出“思維”這個“因變量”，這形成了我們的文化、社會與價值。

那么，當我們把這個函數本身作為自變量，我們又將輸出什么？這就是AI時代我們所面臨的范式轉變——認知與能力的重構。

在劉嘉教授看來，直觀的重構是對我們生存競爭力的重構。換言之，AI時代，關于“人的才華”的既往標準都將重新設定。

在農耕文明時代，力量就是才華。體力強勁的人可以獲得更多的土地、更多的資源，以致更多的權力。到了工業革命，男女之間、弱者與強者之間的體力差異被快速抹平，社會對“技能”的依賴超過了對“力量”的依賴，空有力量卻沒有足夠的技術者被貶為“傻大粗”。工業文明時代，技能就是才華。

AI時代再度顛覆了“才華”的定義。大模型已經在很多職業領域展現出超人的水準：教育、財會、法律、醫療……而這股浪潮只會進一步擴散到各行各業。

劉嘉教授在書中舉了這樣一個案例來說明：現在有一個任務，要將某人的發言從一段多人會談的錄音中抽取出來單獨剪輯成一個音頻。農耕時代的思路是拿著剪輯軟件逐秒辨識，一條一條地剪出來，耗時耗力。工業時代的思路是寫一段程序，不僅可以完成眼前這個任務，還能快速處理類似的其他任務。但是寫程序是個麻煩事，除非技術老練的程序員，否則依然要花去不少時間。

但進入AI時代，哪怕是編程小白也能快速完成這個任務了，只需要使用AI編程助手，給它合適的指令，不出10分鐘就能完成。AI時代有不計其數的這樣的助手，只要指令得當，無論是繁重的體力勞動還是復雜的腦力勞動，任何人都能輕松玩轉。AI時代，智慧才是才華。

那么，如何擁有這樣的智慧呢？劉嘉教授認為，關鍵在于教育。正如力量需要體能的鍛煉，技術需要專業的培訓，調動AI的智慧同樣不是與生俱來，而是需要通過教育一步步培育的。這種教育，就是通識教育。

現代教育植根于工業文明之中，其最重要的特征就是專業與專業之間的壁壘十分清晰，學生入學之后需要完成大量本專業的課程，其就業也往往與此相關。學土木的去工地，學外貿的去做電商，學法律的去當律師，莫不如此。然而，隨著時代的發展，許多學生發現，自己畢業之后，外部環境早已不復當年，自己在學校學到的技能，也已跟不上日新月異的時代。即便他們謀得了一份工作，也要持續跟進行業技能的變化，不斷學習，生怕自己被淘汰。特別是在互聯網行業，這種現象尤為突出。

人不再是技術的主人，反而成了技術的奴隸。高等學府成了事實上的職業技術學校，人人都在為工作與前途而焦慮。耶魯大學前校長理查德·萊文曾尖銳批判這一現象：

如果一個學生從耶魯大學畢業后，居然擁有了某種很專業的知識和技能，這是耶魯教育最大的失敗。處處尋求實用，不配擁有高尚、自由的心靈。

在工業時代，這段話頗有“何不食肉糜”之嫌，但在AI時代，即使從實用的角度來說，通識教育也應當加緊提上日程。

我們始終不能忘記，人的認知始終受制于輸入到他思維中的材料。當這些材料集中于某一特定領域，他的認知也會隨之而固化。最終，一個在這樣的教育環境中成長起來的程序員可以迅速寫一段代碼來剪輯音頻，但他卻需要一頁一頁地查找名言警句才能拼湊出一篇發言稿——他終將淪為這樣一個工業時代與農耕時代的混合體。

那么，既然排除了特定的專業技能，通識教育又需要包含哪些方面？劉嘉教授提出了五項核心能力：

研究：提出正確問題；

統計：探尋萬事萬物之間的關系；

邏輯：從已知推演未知；

心理：理解自己，洞悉他人；

修辭：說服他人，引領革新。

智能的本質是思維，而思維的本質是什么？在高中老師眼里，它可能等同于記憶：反復抽背、反復做題，讓學生記住知識點和題型。但在AI時代，我們早已不必記住那些瑣碎零散的知識，AGI自會幫我們整理；真正的智能或者思維，是學習能力，更準確地說，是學習提出正確問題的能力。

當我們正確地向AI提出問題之后，AI高效地反饋給我們充足的信息。我們一下子被淹沒在數據的海洋里，該如何從中提煉想要的答案？優秀的統計能力將幫助我們快速整合雜亂的信息之間的聯系，從而看清事實、揭示規律、優化行動。

在實際生活里，問題也許會不斷出現，其中的大部分都是相似的。我們不必、也無法逐個向AI求教（這依然是一種農耕時代的思維），我們必須運用邏輯能力找出其中的共性，并將其應用到那些將要發生的問題當中。否則，我們將永遠被問題推著走，疲于應付，喪失了生活的主動權。

AI時代有一個潛在的陷阱，即認為AI可以覆蓋方方面面，從而削減甚至放棄了與現實生活中的他者的互動。在無所不知的AI面前，人將比過去任何時代都更容易與社會脫節，也更容易產生價值感喪失的心理。我們必須在教育階段認識到，理解自己和洞悉他人同樣重要，個人成長與社會歸屬同樣必要。

我們把這種認知的擴展叫做共識。馬丁·路德·金曾說過，“真正的領導者不是尋找共識，而是塑造共識”。在人人都聽取AI建議的未來，一個充滿個人魅力、能說服他人凝聚共識的人，將成為生活中真正的領袖。

以上五點，是劉嘉教授眼中我們在AI時代需要完成的對自身能力的重構。它們不僅僅關乎自身的競爭力，更重要的是，它們能讓我們成為更好的人，引領下一場變革。

劉嘉親簽版《通用人工智能》

點擊卡片，即可購買

-End-

2025.6.17

編輯：閃閃 | 審核：孫小悠