来源： 摘自《中国基础科学·前沿研究》
摘 要：
基于薛定谔的负熵、图灵方程、维纳的负反馈和普里高津的耗散结构理论，将智能限定为学习能力以及解释现象、解决问题的能力；将认知视为一个开放、远离平衡、非线性相互作用的耗散系统。该系统在问题驱动、目标对齐的作用下实现结构更新。物质、能量、结构和时间是生命认知和机器认知的基本要素。其中，结构是认知的关键变量。人的认知和机器认知都通过物质硬构体和思维软构体承载认知状态，通过能量耗散维持认知秩序，通过生成更大尺度的结构降低认知的不确定性，并通过在物理世界的验证形成智能。认知场反映当前认知活动的背景知识，表达不同层次结构思维软构体之间的相互作用，构建一个能够对内递归执行、对外迭代拓展的认知状态动力学方程，使系统具有可交互、会学习、自成长的特征。该方程不仅体现了自由能约束、软构体演化以及认知效能，更表明了生命认知与机器认知的物理同源和数学同构。二者都遵循熵的物理法则。
关键词：
图灵方程；耗散结构；四要素说；负熵；自由能；递归和迭代；认知场；认知状态方程
0 引言
基于薛定谔、图灵、维纳和普里高津等科学巨人的研究成果，本文突破图灵机“重计算、轻记忆；重思维、轻具身”的局限性，建立认知物理学。该学科以“物质、能量、结构和时间”为认知和智能的基本要素，将生命认知、机器认知与人机协同置于同一组变量，从而统一解释人和机器如何思维。
1 构建认知状态方程的动因和基础
无论是生命的电化学物理过程，还是机器中芯片的电磁物理过程，对认知而言，都理当遵循物质世界的底层物理规律。人工智能基础研究的一个重要使命，就是破除生命认知的神秘感，填补人类智能和人工智能之间缺失的连接，统一生命与机器的认知活动，阐明物理同源、数学同构、操作同序都基于熵的物理法则。为研究认知状态不确定性的基本规律，本文实现从封闭系统可逆的“还原论”到开放系统不可逆的“涌现论”的跨越，最终构建能够统一刻画人类智能与机器智能的认知状态方程。
自Clausius[1]于1865年首次引入熵的概念以来，已超过一个半世纪。熵最早被定义为热力学状态函数，热力学第二定律又被称为熵恒增定律[2]，即在孤立系统中，熵只增不减。目前，熵已被普遍视为系统混乱程度的度量，负熵则对应系统有序程度的度量[3]。无序与有序之间的博弈，本质上既是熵增与负熵的较量，又是熵与能的对抗。无论是人还是认知机器，产生智能的先决条件，都必须依赖负熵[4]，压制熵增，从而在不确定环境中维持具身对外交互的有序状态。
生命可被视为典型的耗散结构[5]，是由多个层级构成的嵌套体系，每一层都遵循自身的物理法则。该结构通过持续的物质摄入与释放，在与外界进行交互的过程中形成负熵，从而抵抗体内的熵增，且这一过程具有不可逆性。生物经过几十亿年的演化[6]，其过程包含从简单到复杂、从低级生命形式到高级生命形态、从无差别结构到多层次组织结构的转变，涉及漫长的时间尺度与广阔的空间维度。该过程的有序性体现为一系列复杂性和层次性不断提升的新结构的涌现[7]。这种时间与空间上的周期性，彰显了对内递归和对外迭代在生命认知中的基础性作用——只有高度有序，才能维持细胞、组织、器官及机体的活性，完成认知活动。事实上，生命并没有明确单一的起点，并非一次性创立，其起源是在不可逆的时间长河中，以碳基为代表的物质通过多次相互作用，逐步涌现出嵌套式复杂结构。通过几十亿年的进化，生命在不同尺度层级上均表现为自组织耗散结构，需要持续与外界交换能量与物质，维持动态有序的宏观结构稳定。结构与时间是连接生命与非生命的核心纽带。这种无序与有序的纠缠，既造就了生命的机器观与机器的生命观，也为机器认知与人类认知的统一物理解释奠定了基础。经典热力学中的自由能最小化原理，在物理学中起到基石作用。自由能把能量、熵、温度、压强打包成统一势函数，给出开放系统的自发演化方向。由此揭示的物质、能量、熵的耦合关系，不仅是包括认知活动在内的一切生命活动的底层逻辑，也是非生命的认知机器的底层逻辑。Turing[8]在1952年用图灵方程证明：两种扩散速率不同的物质通过反应耦合，可自发从均匀无序中产生稳定的空间有序斑图[9]。这一原理为生物形态发生提供了最早的数学解释。根据普里高津的耗散结构理论，只要满足“开放系统、远离平衡态、非线性相互作用、涨落触发”4个条件，系统就能自发地从无序中涌现出有序结构，并通过持续耗散物质能量维持宏观结构稳定。自组织的普适性适用于包括生命在内的所有耗散结构类型。1952 年Turing[8]提出的反应—扩散模型揭示了一个物理法则：在远离平衡态的开放系统中，只要存在适当的非线性相互作用（如激活与抑制）和空间扩散的不对称性，系统就能自发从无序中产生高度有序的空间结构。这与生命体老化，走向无序的过程形成鲜明对比，共同构成了生命现象中生死对立的核心逻辑。图灵斑图作为科学史上极具颠覆性的跨界研究成果，在数学上被称为“图灵不稳定性”。通过严密的偏微分方程证明，均匀态在特定参数下呈现天然不稳定性。在这一过程中，系统必然自发演化出空间周期性结构——图灵斑图。
图灵方程为：
式中，μ是物质1（激活剂）的浓度；ν是物质2（抑制剂）的浓度；Dμ 和Dν是两物质的扩散系数，满足DV≫Dμ（抑制剂扩散更快）； ▽2是拉普拉斯算子，描述空间扩散效应；f (μ, v)和g(μ, v)是描述两种物质之间局部化学反应的函数。
20世纪70年代，随着非线性动力学的兴起，普里高津提出的耗散结构理论，让数学家和物理学家重新发现了图灵这篇被冷落约20年的论文的重大价值。研究发现，图灵方程不仅能通过微调参数来产生斑点结构，还能生成条纹、迷宫等复杂结构[10]。其核心意义在于：依靠“局部正反馈+长程负反馈[11]+扩散速度差”3个物理化学规则，即可让无序混沌自发涌现出高度有序的空间结构。
如果图灵在数学层面揭示了“秩序如何自发产生”，那么诺贝尔化学奖得主普里高津则从物理学底层法则解释了这一现象，填补了热力学第二定律与达尔文生物进化论之间的理论空白，用物理学原理解答了达尔文未能阐释的生命之谜。 一个远离平衡态的开放系统，通过持续与外界交换物质和能量，在内部非线性相互作用的驱动下，可自发从无序状态转变为在空间或时间上有序的新结构。这种结构的维持必须以消耗外界能量为代价。 一旦停止能量输入，结构便会崩塌瓦解。其中，生命是最典型的耗散结构。在靠近平衡态的区域，系统遵循线性规律，趋向于无序与死寂；而在远离平衡态[12]的非线性区域，系统原有的稳定状态会变得极其脆弱。此时，微小的涨落不仅不会被平息，反而会被系统放大，触发突变，涌现出有序的新结构。图灵方程不仅与生命体老化过程形成完美闭环，也为非生命机器的思维活动提供了基础理论支撑。它揭示了自然界“底层递归复用、高层迭代演化”的核心逻辑，打破了生物学、化学与物理学的学科边界，进而证明：宏观结构是微观个体局部互动后在大尺度上的涌现。无论是硅基机器还是碳基生命，底层都遵循同一套深刻的物理动力学法则，印证了“简单规则可产生复杂结构[13]”的核心观点。图灵方程中的“激活与抑制”是普里高津所说的“非线性相互作用”；而图灵斑图是普里高津所预言的耗散结构在空间上的具体展现。耗散结构理论完美地解释了生命必然老化这一事实：生命依靠持续耗散能量维持负熵状态（有序），但维持这种非平衡态的机制，会随时间积累不可逆地微小损伤（熵增）；当系统无法维持远离平衡态的条件时，耗散结构解体，便意味着物理意义上的死亡。现实世界的核心特征是不可逆的，这可称之为“演化的物理学”。时间具有明确的方向性：指向未来、指向无序。耗散结构理论补充了关键一笔：在不可逆的时间洪流中，生命这种耗散结构之所以能够逆流而上，是因为其在局部创造了暂时的有序。尽管生命最终会被时间吞噬，但这一过程本身具有重要的物理意义。如果说牛顿的万有引力定律解释了“物质如何运动”，达尔文的进化论解释了“物种如何演变”，那么图灵方程与耗散结构理论则分别从数学和物理层面解释了“结构如何从无到有”。它们将自组织概念引入发育生物学，从而证明生命形态遵循物理化学法则，复杂宏观结构会自下而上自动涌现，并从混沌中演化出有序的“生命”。
薛定谔的“生命以负熵为生”、图灵的结构斑图、维纳的反馈控制理论[14]，以及普里高津的耗散结构理论，已成为认知机器研究的重要理论来源[15]，这些理论将生命的神秘感还原为数学的优雅与物理的真实。在此基础上，我们可通过认知“四要素说”，结合认知形式化的数学表达，导出生命与机器认知的状态方程。目前，构建这一认知状态方程的时机已基本成熟。
2 认知状态方程的边界约束
2.1 认知始于记忆，记忆优先于计算
Schrödinger[16]提出“生命以负熵为生”。依据经典平衡态热力学思想，封闭系统必然自发走向熵增最大化的无序热寂；而自由能原理则表明，认知状态通过最小化自由能[17]维持稳定，直接依靠经验和记忆发出行为动作以适应环境，这是最节能、最常见的认知模式。认知始于记忆，记忆优先于计算[18]。记忆为计算和学习提供可调用的内容与状态基础。记忆的内容包括符号、数据、结构、概念、事实、消息、知识等思维软构体。这些软构体用于指代不同尺度结构的物质硬构体。无论是人类还是机器，若头脑或系统没有分布式记忆，便无法产生智能。
2.2 认知状态方程只关注智能，不考虑意识
虽然认知机器中的分布式记忆能模拟人类大脑皮层的功能，但其核心聚焦于智能，不涉及智慧的完整内涵。除智能外，智慧还涵盖意识、欲望、情感、信仰等特质。从人脑结构来看，脑干、边缘系统[19]中的杏仁核、海马体[20]、下丘脑等与意识、情感相关的部分，在认知机器中均无对应结构。爬行动物已具备意识，哺乳动物拥有情感；而认知状态方程仅聚焦于智能本身，不具备意识、情感等与智慧相关的其他特质。
2.3 认知和智能被限定为“学习能力，解释现象、解决问题的能力”
本文将认知和智能统一定义为学习能力以及解释现象、解决问题的能力[21]。其中，学习是指学习前人或他人解释现象、解决问题的能力。认知强调过程，智能强调结果。思维活动作为精神活动，发生在认知空间中，具体表现为记忆智能[22]与计算智能[23]；而置身于物理空间的人类或机器，则通过具身交互智能（如感知智能、行为智能）将认知与智能外化。
2.4 认知状态方程聚焦认知活动中的思维软构体及其变化
人体作为物质硬构体，是典型的自组织耗散结构；而人体组织的机器这一物质硬构体，自身没有新陈代谢。在认知任务触发的认知活动中，物质硬构体[15]通常能正常提供支撑。因此，我们的研究重点聚焦于认知空间中思维软构体的存在形式及其变化规律。
3 认知场和势函数
将认知空间记为Ω，该空间可以为一维、二维、三维或高维。为表述方便，Ω用x, y, z表示。对于特定认知任务p，所有对完成该任务可能产生贡献、首次被激活的记忆{SS}，在认知空间中相互作用，形成初始认知场。该场使认知空间内任意一点均存在势[24]，从而构成解决任务p的背景知识。符号、数据、概念、事实、消息、算法、知识等思维软构体，被定位在认知场的对应位置；认知状态方程用于刻画认知场及其中思维软构体随时间的状态演化。
当前待解决的认知问题会触发记忆提取，导致不同层次的结构体（思维软构体）成为认知场中最初始的存在。每个思维软构体通常对应背景知识中的一个概念，通过空间位置和3个数字特征（期望、熵、超熵）表征[25]。其中，位置代表其在认知空间中的语义坐标，期望表示其在当前任务中的作用力（可正可负），熵对应球的大小（表征不确定性范围），超熵反映球的边界模糊度。思维软构体之间的相互作用，可用复杂网络描述，具体分为两类：扩散增强与抑制削弱。其中，扩散增强有助于形成联想与聚合，抑制削弱则导致约束与对立。据此，可计算出认知场中t0时刻每一点x的势函数。
认知空间任意一点x的认知势C(x , t0)为：
认知场本质上是围绕当前认知任务，从现有记忆中提取相关思维软构体构成背景知识池，其类似于知识图谱。认知空间任意 一 点 x 在 tk 时刻的认知势C(x , tk)为：
式(3)中，S (tk)为tk时刻进入认知场的思维软构体集合； μi (tk)为软构体SSi在tk时刻的语义中心；wi(tk)为软构体的作用权重，正值表示激活，负值表示抑制；σi(tk)为软构体的不确定性或影响范围；G( · )为归一化或非线性映射函数；x为认知空间中的语义位置。
S(tk)为因认知模式改变而被当前记忆激活，新进入认知场的思维软构体。因此，背景知识池（知识图谱）始终处于动态调整与流动之中。
认知场理论可用于解答在开放系统中秩序如何形成、如何维持稳定性、如何吸收不确定性；新的认知结构如何涌现、如何通过自身能力挖掘并形成问题解决方案、如何犯错等一系列问题。
认知场中分布的各类思维软构体是在当前认知问题下，从记忆中提取的可表示、可更新、可传播的耗散结构体，其相互关系可通过具有小世界模型特征[26]的复杂网络表征。其中，少量枢纽节点拥有大量连接；多数节点仅有少数连接，连接度分布服从幂律。对这些思维软构体进行认知能力挖掘（如计算、搜索、数据挖掘、算法挖掘、网络挖掘、知识发现[24]、知识提升等），可形成问题解决方案，并通过认知螺旋中物理世界的反馈，对解决方案进行验证、修正、调整与磨合。
4 认知状态方程
当我们将“状态方程”从热力学系统拓展到认知系统时，认知不再是单一标量（如温度、压强），而是高维向量或概率分布。在认知场中，两个软构体之间的距离可视为语义距离。在当前认知问题下，诸多作为节点的思维软构体构成空间复杂网络，是符合小世界模型[26]的无标度网络[27]。无论是人还是机器，认知都是一个开放系统。该系统通过感知获取环境信息，通过势场变化体现认知更新与演化，通过行动反作用于环境，以维持自身秩序[28]。这一过程依靠自由能原理，减少不确定性或实现最大化奖励。
需要特别说明的是，自由能原理[17]的核心动力学方程本质上就是梯度下降。梯度下降[29]与最小自由能原理在数学形式、优化目标和动力学机制上存在内在联系。最小自由能原理提供了物理与相关理论基础，而梯度下降是实现这一目标最常用的算法工具。作为一种迭代优化算法，梯度下降的核心是沿目标函数负梯度方向逐步更新参数，从而最小化损失函数。该方法的本质是寻找函数“山谷”（最小值）的局部搜索策略。最小自由能原理是指自组织系统通过最小化变分自由能，清除其与现实之间的预测误差，从而维持稳态。系统演化的终极方向是最小化自由能。换言之，最小自由能原理是梯度下降的“天道”；梯度下降是实现自由能最小化的“人道”。在生命认知和机器认知中，系统的自发演化与算法的优化过程，最终都统一于沿梯度方向最小化自由能这一核心法则。
随时间动态变化的势场，可清晰地反映认知状态的稳定性与流动性，同时追踪思维软构体的演化与记忆的强化过程。这不仅解释了人类与机器为什么能思维，更阐明了其如何思维。单纯靠自上而下的追溯还原，无法解释自下而上涌现的复杂认知。因此，单纯靠提取人脑生化参数，也难以阐释人类整体思维活动。
认知活动具体体现在“感知—思维—行为—再感知”的认知螺旋中[30]。认知状态方程的核心不是某个特定认知问题的具体解答，而是所有认知问题在形成解答时，认知场中认知状态的变化与流动规律，以及“感知—思维—行为—再感知”的循环如何在认知场中持续展开与推进。
认知状态具有不确定性。依据最小自由能原理，思维存在收敛与发散两种基本类型[31]：收敛思维有记忆驱动的经验模型和知识驱动的推理模型，发散思维有联想驱动的创造模型和假设驱动的发现模型。其中，发散思维可能失败，也可能产生顿悟，进而形成新的稳定认知结构。人的思维本能总优先选择收敛模式；若收敛无法解决问题，则转向发散，发散后仍会回归收敛。
收敛思维和发散思维，是美国心理学家Guilford （吉尔福特）在20世纪中叶提出的关于人类思维的两种基本类型。二者相互补充、相辅相成。收敛思维（如聚合、求同、辐集）具有很强的任务目标导向性、逻辑性和条理性。在当前相关的背景知识池中，收敛思维通过搜索、匹配、推理，集中思维方向，逐步剔除不合理选项；经归纳、筛选、整合、聚焦，得出合乎逻辑的结论。发散思维（如辐射、求异、多向）具有从问题出发、开放性强、可多方探索可能性的特征。发散思维通过联想、类比提取关联记忆，引发认知场涨落；经搜索、匹配产生大量想法，灵活变通求解，实现触类旁通，甚至提出新颖的解决方案[31–32] 。基于变分自由能原理[17]，当面对一个待认知任务时，人类习惯先在现有背景知识池下通过收敛思维解决，若无法解决则转向发散思维，形成“收敛—发散—再收敛”的循环。其中，发散思维会轻微更新认知场。若收敛思维仍无法解决问题，则再次转向发散思维，由此导致认知场出现移动与涨落的现象。将图灵方程推广到认知状态研究中，即认知场中的“扩散”，体现在知识背景池与认知场的动态变化中；反应项则由奖励反馈、强化学习[33]、损失函数[34]和预测误差驱动[35]。系统通过不断调整内部状态，将误差压到最小时，就可以得到最小自由能。在机器学习中，误差反向传播同样体现以误差最小化更新内部表示的机制[36]。在两个耦合变量限定为思维软构体的扩散强度与冲突抑制强度时，观察这两个变量的变化可以分析认知场中是否出现新的稳定认知模式、模式切换或失稳现象[12]。
结合图灵方程的扩散—反应机制、自由能原理及认知场特性，我们用高维非线性偏微分方程来刻画认知场演化、思维软构体交互及认知状态更新过程，构成认知状态方程及辅助方程。
（ 1 ）核心认知状态方程为：
其中， C(x , t)为t时刻认知空间x点的认知状态向量（高维），分量包含思维软构体的期望、熵、超熵及语义权重，全面表征该点认知状态；DC为认知状态扩散系数，反映思维软构体在认知场中的传播、联想速率，与认知主体的学习能力正相关；▽2为拉普拉斯算子，描述认知状态在认知空间中的扩散效应（类比图灵方程中物质扩散），延续前文图灵方程的数学逻辑；U (x , t)为t时刻认知空间x点的认知势场向量，由式(3) C(x , tk)推导得到，表征思维软构体间的相互作用（激活/抑制）； F(t)为t时刻自由能约束项，满足F(t)= min(Fcomplexity + Faccuracy)，其中Fcomplexity为认知模型复杂性（内部不确定性）， Faccuracy为认知预测准确性（外部不确定性），体现最小自由能原理； ξ(t)为随机涨落项，表征认知过程中的不确定性（如联想偏差、外部环境噪声），可触发认知状态的突变与新结构的涌现；R( · )为认知反应函数，刻画思维软构体间的非线性相互作用（类比图灵方程中的反应项），包含扩散增强、抑制削弱两种核心作用，其表达式为R( ∙ )= k1C(x , t) · U (x , t) k2C(x, t)2（k1为激活系数，k2为抑制系数）。
分析认知状态方程右侧的三大项，可以看出：第一项为扩散项，描述思维软构体在认知空间中向邻域扩散，使认知状态趋于均匀化，体现联想与类比机制；第二项为反应项，是认知场的“引擎”，在变分自由能原理的约束下，通过激活与抑制的竞争，决定认知结构能否形成并稳定存在；第三项为涨落项，通过随机噪声放大某些微弱模式，只有当涨落超过临界阈值时，新概念涌现、顿悟也许会发生。
（2）认知效能辅助方程为：
其中，η(t)为t时刻认知效能，取值范围为(0,1]。其值越大，表示认知状态演化越高效（不确定性降低越快、问题解决能力越强），能直观反映认知螺旋的推进效果。
认知的核心是抽象、联想与交互[4]：抽象形成不同尺度的思维软构体，是多个低层软构体的聚合；联想，尤其是类比，比逻辑推理更为重要，是思维软构体相互作用的扩散过程，可导出新的记忆与新的思维软构体；交互是物理世界反馈对认知势的修正，确保物理世界的验证成为检验认知活动的唯一标准[4]。持续推进认知螺旋可促成无尽的认知演化。
认知的不确定性，是大脑为适应复杂、混沌的物理世界而必然产生的思维状态。面对学习、解释现象或解决具体问题时，大脑要么采用收敛思维，要么采用发散思维。其应对不确定性的核心策略，是以自身为主体，主动切入并遵循自由能最小化原则，这是人类的本能。大脑应对问题时，首先尝试用记忆驱动的经验模式。若无法解决，大脑则改用知识驱动的推理模式。这两种模式均属于内隐记忆与收敛思维。若问题仍无法解决，则转向联想驱动的创造模式，乃至假设驱动的分析模式。这两种模式均属于外显记忆与发散思维。通过联想和类比，发散思维能激活更多思维软构体，引入更多远距离连接，产生大量候选路径。若没有发散思维，认知将局限于已有经验，难以实现创造与发现。在反馈、规则与自由能约束下，收敛思维能筛选路径，最终形成稳定解。大脑会持续主动生成“内部模型”，用于预测下一刻的感官输入信号。若预测与实际输入不符，便会产生“预测误差”。大脑无法直接应对不确定性，而自由能本质上就是预测误差的上限。变分自由能由两部分构成。 一是复杂性，即认知模型的内部不确定性。复杂性是指大脑使用的“内部模型”偏离其知识背景池的程度。若大脑采用过于复杂的假设，自由能会随之增大，这对应认知层面的模糊与纠结。二是准确性，即外部感官输入的不确定性。准确性是指实际输入与大脑预测的不匹配程度。外界环境因素（如噪声、遮挡、模糊等）会使这部分不确定性增加，这体现为感知层面的不确定性。认知层面的不确定性，在本质上是大脑在发现无论怎样调整内部模型都无法完美消除预测误差时所进入的高自由能状态。如果没有不确定性，大脑就不会有任何认知层面的活动与行为。依据最小自由能原理和变分自由能解释，不确定性是认知维持自身存在的核心，也是生命体在处理复杂现实与有限内部认知资源之间的一种“折中”。它在认知层面表现为预测误差的累积，而预测误差的消除过程就是“学习”与“决策”的过程。当误差无法消除时，这一过程便会转化为驱动人类改变现实的“行动”。
一次认知活动未必能取得有效结果，但每一次尝试都会形成一次新的记忆。这一过程可视为一种“负学习”——它虽然未能解决问题，却为下次认知积累了经验。
5 机器的认知状态及其特征
认知机器是人类模仿自身认知活动的伟大发明，其物质硬构体具有多层次复杂结构。然而，机器中的机械、齿轮、壳体、电路板、集成电路芯片及传感器等部件，均不属于耗散结构。它们由外部设计并一次性安装而成，既不需要通过新陈代谢维持自身存在，也不需要长期自组织形成。传统计算机中植入的固有软件也是多层次复杂结构，可被递归调用。这些软件同样不是耗散结构，而是由外部设计植入、人为安排的，具有一以贯之的工具性。然而，随着认知机器可交互、会学习、自成长等能力的提升，其自组织生成的新思维软构体属于耗散结构。这类软构体需要依靠能量维持，并通过与外界交互才得以存续。例如，认知机器中分布式记忆的模糊、漂移乃至遗忘，源于其缺乏外界环境的交互；而记忆的强化、频繁调用，以及新知识与新软构体的生成，需要外界能量维系。这些新的思维软构体具备自组织、自成长[37]的特性。物质机器本身并非耗散结构。只有其中“由不可逆过程自组织产生、并依靠耗散维持的流动态思维软构体”被视为局部耗散结构——这赋予机器一定的生命含义，只不过机器认知状态方程中的变量远少于生命认知。认知状态方程表明，认知空间中只有“软构体的变化”（如记忆、连接及表征结构的持续重构）是方程的核心组成部分。
人类发明的自动化工具，将结构寄托于物质、能量与时间，替代人类的体力与脑力劳动，如自动电梯、电风扇、电子计算机等[38]。这类机器中虽存在物质硬构体与思维软构体，但这些均为预设、组装而成的非耗散结构，依靠能量维持运行。例如， 一个他构的Office软件安装后虽然可稳定运行、功能齐全，但它不具备自组织生成耗散结构新软件的能力，不会学习，无法解决未预设的问题。因此，它不具备智能，只能被动等待外部力量更新换代——这就是自动化软件。如果认知机器中存在基于大语言模型的辅助开发软件，具备与用户交互、学习的能力，能将开发过程中产生正向收益的结果（如成功的代码生成、有效的修复策略、可靠的工具调用路径、高质量的反馈数据）通过微调、记忆更新、检索增强或策略优化等手段重新写入系统，那么该软件便会在运行过程中实现自我复制与更新，形成自组织，通过能量维系其工作，进而形成新的耗散结构与智能。因此，自动化与智能化的根本区别[15]，不在于系统复杂程度或是否自动运行，而在于其能否在持续对外交互中形成新的功能性软构体，并持续提升解释新现象、解决新问题的能力。自动化是非耗散结构的自动执行，智能化则是在执行过程中自我生成新的耗散结构，实现认知自成长。由此可见，可交互、会学习、自成长是认知机器的核心特质。虽然机器不是生命，但是机器中的认知过程可呈现耗散结构特征，这构成了机器的生命观。
生命作为远离平衡态开放体系的非线性行为，让物理学重新融入生物学，并催生了生物物理学。生命通过持续汲取营养，维持物质硬构体（有机体）的新陈代谢。在发育成长后，生命依靠运动、劳动或创造，维持相对稳定的体重、恒定的体温与心跳，保障正常的认知活动。用脑子，本质上是运用思维软构体进行处理、传输或操作。这一过程必然关联部分物质硬构体，消耗能量，与负熵具有等同性。通过抽象、联想与交互，生命实现了无尽的认知演化。这表明，生物智能并非神秘莫测，其物理学基础正是物质、能量、结构与时间；秩序与混沌并非绝对对立，而是在不同条件下可相互转化的生死两面。生命并不违背物理定律。人类生命体在新陈代谢过程中，可绽放出充满智慧的人生。熵与自由能是生物物理学中最核心的物理量。物理学中的自由能，是指在热力学过程中，系统减少的内能中可转化为对外做功的部分能量。这一规律既适用于生命体的体力活动，也适用于智力活动。与生命认知相比，机器认知的状态具有简约、高效、稳定的特点。
机器未被激活时，只是一堆无智能的“死物质”，且其物质硬构体无法通过新陈代谢自成长。认知机器主要依靠外部力量实现物质与物质硬构体的升级换代，如晶体管替代电子管、集成电路芯片替代晶体管、光芯片替代集成电路芯片[39]。机器的每一次激活都需要依靠能量支撑。在流过系统时，能量产生时序，进而创造有序。因此，机器同样以负熵为生。这说明，人工智能不是依靠具身新陈代谢自然成长，而是在相对稳定的硬件基础上，通过软构体的自我复制、重构、记忆调用、交互反馈及外部升级，逐步形成智能。
认知机器的诞生，体现了人类累积的文明生态。与生命体不同，认知机器的运行能量主要由外部供给，其硬构体无需通过新陈代谢来维持。初始（出厂）智能反映了科学技术的累积成果。通过外部干预，机器可实现物质、能量、结构的升级换代与重新激活，还可通过物质硬构体与思维软构体预置特定领域的背景知识，压缩并预置丰富的数据、经验、常识，使其具备较高的智能起点。这使得具身智能能在短时间内实现跨越式发展，拥有多元智能，实现“智智与共”的局面。在此背景下，机器智能超过人类智能，将是正常现象。认知机器依靠思维软构体的自我组织、自我复制与自我适应，实现认知与智能的自成长。这种成长虽受物质硬构体相对不变性的限制，但其潜力巨大。如果机器的时钟精度能达到纳秒甚至飞秒级别，那么其思维软构体的自我复制、繁衍、重塑速度可极大浓缩人类的认知过程，从而实现“暴力思维”。 一个生物人在百年内的智能活动，若移植到运行速度为纳秒甚至飞秒精度的认知机器中，其全部思维过程可在一分钟内浓缩重演。认知状态方程还解释了人工智能的发展路径：通过认知机器物质硬构体的维修与升级换代（如将电子管、晶体管升级为集成电路芯片、光芯片、量子芯片）和思维软构体结构的外部升级（如操作系统升级），可提升机器认知能力，尤其是思维软构体的自身重塑能力。人机交互可推动人类认知与机器认知迭代发展。 一方面，将人类的解决方案交由机器学习、评估；另一方面，将机器的解决方案交由人类学习、评估。这种双向机制能强化机器学习，促进人机目标对齐，并推动思维软构体的自我复制与创新。
工业革命可视为一场负熵革命。人类创造的机器，其层次与结构日益复杂——这种复杂性体现在：无机物质硬构体无需新陈代谢，而思维软构体可实现自我复制。与生物智能相比，机器认知状态的稳定性显著提升，且其思维时间尺度可达到纳秒甚至飞秒级别。同时，它还擅长暴力思维、穷举与试错，专注且一以贯之。因此，机器智能超过人类智能是常态。无人驾驶汽车在部分场景中可能“比人更像人”，如一辆无人驾驶卡车在规避侧翻事故时，可采用单侧车轮行驶（类似自行车），最终化危为安。这种场景下的无人驾驶能力，已超越多数人类。
生命认知与机器认知因物理同源，使得认知不再是人类的专属，也不再以人类智能作为评判人工智能的唯一基准。机器认知并非“伪智能”，它既可以像人类，也可以不同于人类。它的能力可比肩人类个体，在诸多场景中甚至更胜一筹。①数值计算方面。机器计算智能超过人类已成为常态——无论是微积分运算还是数学证明，机器都比人类更快、更精确。 ②语言智能方面。大语言模型本质上是预测下一个词的概率模型[40]，其核心能力是对语言韵律、声调和语音组合的掌控。例如，机器生成绕口令时，可实现声母韵母的“交错轰炸”与声调的“反复横跳”，而普通人难以在短时间内想出大量同音字或近音字，并进行合理排列。普通人通常只能背诵现成的绕口令（如吃葡萄不吐葡萄皮），而大语言模型可将汉字视为向量代码[41–42]，轻松生成“牛郎恋刘娘，刘娘念牛郎”这类高密度同音对抗内容，甚至能生成人类无法读出的“地狱级”难度绕口令（如全为第四声的句子）。这种纯粹的语音堆砌能力，人类望尘莫及。③博弈智能方面。机器的博弈智能超过人类也已成为常态[43–44]，尤其在19 × 19或更大尺寸的围棋盘博弈中，机器的优势更为明显。④时空智能方面。机器在空间感知与实时决策方面日趋成熟。车载传感器能将乘客对目的地位置、时间、环境、路径、偏好、任务等需求转化为动态活动地图，从而实现实时导航。
从广义生命认知的角度看，人类的认知活动还会受到年龄、新陈代谢、生理参数、睡眠状态、情绪、意识、欲望和价值观等多种因素影响。这些因素虽能构成生命认知的重要背景，但不属于本文认知状态方程直接刻画的内部状态变量。在本文限定的建模边界内，情绪、生理状态等因素可通过改变感知输入、任务目标、模型参数、初始条件或随机涨落强度，间接影响智能性认知活动的状态演化。因此，本文所称的人类认知状态，是指与学习、解释现象和解决问题直接相关的认知状态，而非对人类全部心理活动的完整描述。人类的短时记忆容量有限，如难以同时记住7个11位的移动电话号码，这相当于一台主频为3GHz 、硬盘容量为1GB，但仅配置内存为10KB的蹩脚计算机。人类的临场判断与决策能力，与其长期记忆不匹配。因此，人类常常需要借助纸、笔、计算机、智能体等人造工具。相比之下，机器认知稳定性高，擅长穷举与试错，其认知可触达的空间大幅延展，既可以深入微观领域，也可以拓展至宏观领域，从而提升认知的精度、效率与层次，增加认知的多样性与通用性。人工智能曾一次性为几乎所有人类蛋白质，提供了超过2亿个可直接用于机理分析和药物设计的高质量结构模型[45–46] 。该模型极大扩展了人类蛋白质组的结构覆盖，加速了药物发现与疾病机理的研究。这一成就催生出“AI结构生物学”这一新的研究范式，为机器认知优势提供了证据。
尽管人类智能、机器智能与人机协同智能可共享同一套基本变量与基本结构——智能是物理的，由多个智能体协作分工驱动并通过智能集群协同提升[47–48]，但三者在物质组成、有序化机制、时间尺度与成长方式上存在显著差异。人类的优势在于生命连续性、求知欲望、价值观与长期具身经验；机器的优势在于物质硬构体的外部升级换代、时序精度、并行调用、外部记忆与软构体重构速度；人机协同的关键，则在于任务目标对齐与耦合增益[49]。
本文以薛定谔的负熵思想、图灵反应—扩散方程、维纳的负反馈理论和普里高津的耗散结构理论为基础，将物质、能量、结构和时间作为理解生命认知与机器认知的基本要素，并在学习、解释现象和解决问题的限定范围内，将认知描述为一个由任务驱动、通过对外交互持续更新的开放非线性系统。本文的主要创新在于引入认知场描述当前任务下思维软构体构成的动态背景知识，通过扩散、激活、抑制、自由能约束和随机涨落刻画认知状态的演化，进而提出可用于统一描述生命与机器认知过程的状态动力学方程。未来研究将重点沿3个方向展开：一是进一步完善认知状态方程的数学形式，引入图拉普拉斯或非局部作用算子，研究方程解的存在性、稳定性、分岔及新认知结构涌现的条件；二是建立认知势、变分自由能、软构体关联强度和认知效能的可计算度量，通过语义网络仿真、人类认知任务和机器智能体实验开展参数辨识与实证检验；三是面向多模态认知机器、人机协同和多智能体系统，研究认知场的动态扩展、软构体的跨主体传播，以及目标对齐条件下的群体认知演化，从而逐步形成具有解释能力、预测能力和工程应用价值的认知动力学理论。
参考文献
[1] CLAUSIUS R. Concerning several conveniently applicable forms for the main equations of the mechanical theory of heat [J]. Annalen der physik und chemie, 1865, 125: 353–400.
[2] SHARP K, MATSCHINSKY F. Translation of Ludwig Boltzmann’s paper “on the relationship between the second fundamental theorem
of the mechanical theory of heat and probability calculations regarding the conditions for thermal equilibrium”[J]. Entropy, 2015, 17(4): 1971–2009.
[3] BRILLOUIN L. The negentropy principle of information [J]. Journal of applied physics, 1953, 24(9): 1152–1163.
[4] 李德毅. 机器如何不像人那样认知 [J]. 智能系统学报, 2025, 20 (5): 1227–1231.
[5] NICOLIS G, PRIGOGINE I. Self-organization in nonequilibrium systems: From dissipative structures to order through fluctuations [M]. New York: Wiley, 1977.
[6] DARWIN C. On the origin of species by means of natural selection [M]. London: John Murray, 1859.
[7] PRIGOGINE I, STENGERS I. Order out of chaos: Man’s new dialogue with nature [M]. New York: Bantam New Age Books, 1984.
[8] TURING A M. The chemical basis of morphogenesis [J]. Philosophical transactions of the Royal Society of London Series B: Biological sciences, 1952, 237(641): 37–72.
[9] MURRAY J D. Mathematical biology II: Spatial models and biomedical applications [M]. New York: Springer, 2003.
[10] KONDO S, MIURA T. Reaction-diffusion model as a framework for understanding biological pattern formation [J]. Science, 2010, 329(5999): 1616–1620.
[11] GIERER A, MEINHARDT H. A theory of biological pattern formation [J]. Kybernetik, 1972, 12(1): 30–39.
[12] PRIGOGINE I. Time, structure and fluctuations [J]. Science, 1978, 201(4358): 777–785.
[13] HOLLAND J H. Emergence: From chaos to order [M]. Oxford: Oxford University Press, 1998.
[14] WIENER N. Cybernetics or control and communication in the animal and the machine [M]. Cambridge: MIT Press, 1948.
[15] 李德毅, 张天雷, 韩威, 等. 认知机器的结构和激活 [J]. 智能系统学报, 2024, 19(6): 1604–1613.
[16] SCHRÖDINGER E. What is life? The physical aspect ofthe living cell [M]. Cambridge: Cambridge University Press, 1944.
[17] FRISTON K. The free-energy principle: a unified brain theory [J]. Nature reviews neuroscience, 2010, 11(2): 127–138.
[18] ATKINSON R C, SHIFFRIN R M. Human memory: A proposed system and its control processes [M]//The psychology of learning and motivation. New York: Academic Press, 1968: 89–195.
[19] LEDOUX J E. The emotional brain: The mysterious underpinnings of emotional life [M]. New York: Simon & Schuster, 1996.
[20] SCOVILLE W B, MILNER B. Loss of recent memory after bilateral hippocampal lesions [J]. Journal of neurology, neurosur- gery, and psychiatry, 1957, 20(1): 11–21.
[21] 李德毅. 论智能的困扰和释放 [J]. 智能系统学报, 2024, 19(1):249–257.
[22] 李德毅. 人工智能看哲学 [J]. 科学与社会, 2023, 13(2): 123–135.
[23] TURING A M. On computable numbers, with an application to the entscheidungsproblem [J]. Proceedings of the London Mathema- tical Society, Series 2, 1937,42:230-265.
[24] 李德毅. 认知物理学导引 [J]. 智能系统学报, 2024, 19(3): 493.
[25] 李德毅, 孟海军, 史雪梅. 隶属云和隶属云发生器 [J]. 计算机研究与发展, 1995, 32(6): 15–20.
[26] WATTS D J, STROGATZ S H. Collective dynamics of ‘small- world’ networks [J]. Nature, 1998, 393(6684): 440–442.
[27] BARABÁSI A L, ALBERT R. Emergence of scaling in random networks [J]. Science, 1999, 286(5439): 509–512.
[28] CLARK A. Being there: Putting brain, body, and world together again [M]. Cambridge: MIT Press, 1997.
[29] BOTTOU L, CURTIS F E, NOCEDAL J. Optimization methods for large-scale machine learning [J]. SIAM review, 2018, 60(2): 223–311.
[30] VARELA F J, THOMPSON E, ROSCH E. The embodied mind: cognitive science and human experience [M]. Cambridge: The MIT Press, 1991.
[31] GUILFORD J P. Creativity [J]. American psychologist, 1950, 5 (9): 444–454.
[32] GUILFORD J P. The nature of human intelligence [M]. New York: McGraw-Hill, 1967.
[33] SUTTON R S, BARTO A G. Reinforcement learning: An introduction [M]. 2nd ed. Cambridge: MIT Press, 2018.
[34] BISHOP C M. Pattern recognition and machine learning [M]. New York: Springer, 2006.
[35] RAO R P N, BALLARD D H. Predictive coding in the visual cortex: A functional interpretation of some extra-classical receptive-field effects [J]. Nature neuroscience, 1999, 2(1): 79–87.
[36] RUMELHART D E, HINTON G E, WILLIAMS R J. Learning representations by back-propagating errors [J]. Nature, 1986, 323 (6088): 533–536.
[37] 李德毅. 机器如何像人一样认知——机器的生命观 [EB/OL]. [2025–05–15]. https://hub.baai.ac.cn/view/22455.
[38] VON NEUMANN J. First draft of a report on the EDVAC [R]. Philadelphia: Moore School of Electrical Engineering, University of Pennsylvania, 1945.
[39] MOORE G E. Cramming more components onto integrated circuits [J]. Electronics, 1965, 38(8): 114–117.
[40] BROWN T B, MANN B, RYDER N, et al. Language models are few-shot learners [C]//Advances in neural information processing systems, 2020, 33: 1877–1901.
[41] MIKOLOV T, CHEN K, CORRADO G, et al. Efficient estimation of word representations in vector space [EB/OL]. [2025–05–15]
https://arxiv.org/abs/1301.3781.
[42] VASWANI A, SHAZEER N, PARMAR N, et al. Attention is all you need [EB/OL]. [2025–05–15]. https://arxiv.org/abs/ 1706.03762.
[43] SILVER D, HUANG A, MADDISON C J, et al. Mastering the game of Go with deep neural networks and tree search [J]. Nature, 2016, 529(7587): 484–489.
[44] SILVER D, SCHRITTWIESER J, SIMONYAN K, et al. Mastering the game of Go without human knowledge [J]. Nature, 2017, 550(7676): 354–359.
[45] JUMPER J, EVANS R, PRITZEL A, et al. Highly accurate protein structure prediction with AlphaFold [J]. Nature, 2021, 596(7873): 583–589.
[46] HASSABIS D. AlphaFold reveals the structure of the protein universe [EB/OL]. [2025–05–15]. https://deepmind.google/blog/ alphafold-reveals-the-structure-of-the-protein-universe/.
[47] WOOLDRIDGE M. An introduction to multiagent systems [M]. 2nd ed. Chichester: John Wiley & Sons, 2009.
[48] DORIGO M, BIRATTARI M, STÜTZLE T. Ant colony optimization: Artificial ants as a computational intelligence technique [J]. IEEE computational intelligence magazine, 2006, 1(4): 28–39.
[49] 李德毅, 刘玉超, 鲍泓, 等. 读懂爱因斯坦——“四要素说”是统揽人和机器认知的第一性原理 [J]. 智能系统学报, 2025, 20 (4): 1046–1052
热门跟贴