来源：市场资讯
（来源：北大国发院商学）
题记：2026年5月29日，北京大学国家发展研究院承泽论坛第54暨AI科创论坛举行。本文根据香港科技大学（广州）助理教授、《智能简史》译者林桥津的主旨演讲整理。
我本科就读于香港科技大学生物专业，后赴剑桥大学攻读神经生物学博士，毕业后留校从事博士后研究，2023年回到广州，加入香港科技大学新成立的广州校区。我并非计算机或人工智能专业出身，对AI的理解更多源于脑科学的研究视角。
之所以先交代这一背景，是因为《智能简史》一书的作者与我恰好形成有趣的互补。作者为计算机专业出身，有AI创业经历，而书中大量生物学与脑科学知识均为其自学所得。一位计算机背景的学者花费大量精力研习生物学，试图从生物进化的角度理解智能，这一尝试本身值得深思。
本书英文原版于2023年10月出版，中文版于2025年6月问世。在不到两年的时间里，AI领域已发生巨变,因此书中部分观点以当下视角看也许略显过时，但其从生物进化角度梳理智能的核心主线，依然很有参考价值。
中文版自去年下半年出版以来，获得了广泛认可，斩获多个奖项。其中尤为难得的是，今年4月23日世界读书日，本书荣获国家图书馆文津图书奖。
什么是智能？
在展开本书的核心内容之前，有必要先厘清一个基本问题——究竟什么是智能？不同学科、不同研究者对此有着不同的定义，以下列举四种较具代表性的观点。
其一，智能是获取和应用知识与技能的能力。这是最为广泛接受的定义，指向一种广义的能力，不为人类所独有，部分高等动物同样具备。
其二，智能是解决问题的能力。这一定义我较为认同。尤其在AI时代，教育的核心目标已不再是知识的记忆，而是运用知识解决实际问题的能力。
其三，从生物学角度看，智能是生物适应不同环境的能力。无论环境有利或恶劣，生物都能寻求生存之道。在这个意义上，智能并非人类与动物的专利，微小如单细胞生物也拥有其智能。
其四，智能是做出良好决策的能力。这一定义对于创业者而言很有共鸣。创业过程中需要做出无数决策，每个决策背后的思考与判断，以及决策引发的后果，均构成智能的组成部分。
Intelligence一词在词典中可译为智慧、智商、智力、智能等，本书最终选用“智能”，直接原因固然是AI即人工智能，但更重要的是，“智能”的内涵与其他词汇存在实质差异。以智商为例，它是可量化的数值，更多指向计算能力、语言理解等特定能力，相对狭义；而智能的内涵要宽泛得多，不仅涵盖学习能力，更融入生活的方方面面。这也是本书强调的一个观点：智能未必需要大脑。对生物而言，智能是进化而来的环境适应能力。事实上，在生物进化出大脑之前——如单细胞生物，如海洋中尚未发育出大脑的生物——它们已然拥有智能。适应环境并不必然依赖大脑的存在。
为什么从脑科学看AI？
明确了智能的定义之后，接下来需要回答的问题是：为什么要从脑科学的角度来理解AI？先分享两个案例，以说明这一视角的必要性。
第一个案例来自书中的一个比喻。假设将一位古人带到现代，让他登上波音747飞机，告知他这是一架能够飞行的飞机。古人自然好奇其飞行原理，于是在机舱内四处查看，观察座位、窗户、开关、安全带等设施。然而，即便看遍这些设施，他也无法得知飞机升空的真正原理是空气动力学，因为他看到的只是最终呈现的结果，不是飞行的中间过程和底层原理。
这一比喻对理解当下的大语言模型很有启发。我们在训练大语言模型时，输入的是大量语义库和最终成品，也就是人类提炼出的、在互联网上流传的语言，却缺乏对中间推理过程的呈现。这或许正是当前大语言模型的瓶颈所在，与中国寓言“盲人摸象”有异曲同工之处：尚未完整接触智能发展的全过程。
第二个案例来自AI教父杰弗里·辛顿。他曾在公开场合表示：“AI实现智能的唯一途径，是以类似于人脑的方式进行计算。”我对此观点深表认同。而本书恰恰是对这一论断的回应——它所讲述的，正是智能如何一步步进化而来的历程。
虽然本书主要聚焦人类这一支的进化：从简单的两侧对称动物一路进化至人类。读来容易产生一种认知偏差，仿佛唯有人类进化出了智能，其他生物都无足轻重。但作者明确指出，这并非其本意。只是因为篇幅有限，且人类自然更关注自身的智能，所以叙述重点放在了人类这一分支。他同时强调，当今地球上所有动物都是同等成功的，它们为适应环境都进化出了各自的智能，只是这些智能与人类的智能未必完全重合。
作者将从简单生物进化至人类的历程，归纳为五次关键突破，分别为：转向、强化、模拟、心智化，以及语言。全书的结构即围绕这五次突破展开，每次突破之下又设若干子话题。这些子话题是生物学与计算机科学的融合：部分偏向生物进化与大脑进化，如情感的起源、寒武纪大爆发、新皮质的奥秘；部分则贴近AI领域，如GPT、世界模型。无论对生物感兴趣还是对AI感兴趣，都能在书中找到相应的内容。
我延续作者的叙事风格，选取其中三四个较有代表性的章节，以通俗易懂的案例回顾书中的核心内容。
第一次突破：转向——运动能力的进化
如前所述，作者将从简单生物进化至人类的历程归纳为五次关键突破，依次为转向、强化、模拟、心智化和语言。我结合具体案例展开讲讲第一次突破——转向。转向也可译为导航，即生物获得了转向与辨别方向的能力。
数亿年前的远古时代，人类的祖先仍栖息于海洋之中，彼时海洋中生存着各类水生生物与大量单细胞生物。在向多细胞生物进化的过程中，绝大多数动物并不具备运动能力，其获取食物的方式不是主动觅食，而是静候食物靠近，再决定是否进食。
最早的动物多为辐射对称生物。所谓辐射对称，就是身体呈圆形，向四面八方伸出触手，没有前后左右的区分。这种身体结构的优势在于，可以最大限度地扩大接触范围，食物从任何方向靠近都能被最快捕获。
然而，当食物匮乏时，这种方式便难以为继，因为食物不会总是主动靠近。生物由此需要进化出运动能力，但辐射对称的身体结构对运动决策极为不利。打个比方，每个方向的触手都能传递前进或后退的信号，如果进行投票，不同方向的触手意见不一致时，最终结果可能就是生物原地不动。在漫长的进化过程中，两侧对称结构应运而生，因此，如今地球上绝大多数生物均为两侧对称，也就是有明确的前后左右之分，即便看似圆润的蜘蛛、昆虫也不例外。
两侧对称的最大优势在于，生物仅需做出四种判断：前进或停止，左转或右转。以目标位于八点钟方向为例，辐射对称动物可能需要启动复杂的投票机制，而两侧对称动物发现前行方向有误后，只需左转至目标方向再前行即可，决策过程大为简化。
值得注意的是，当今家用扫地机器人的运作原理与之颇为相似。将扫地机器人翻转过来，底部虽设有万向轮，但真正驱动其运动的，是两个仅能前后转动的轮子。先进的扫地机器人功能已更为丰富，但早期产品基本模拟了两侧对称动物的运动方式。
解决了运动方式的问题，下一个问题是：生物如何判断行进方向？对虫子而言，判断逻辑极为简单，即生存。有利于生存、延长寿命的即为好的事物；对生存或繁殖不利的即为坏的事物。虫子的世界非好即坏，极为纯粹。
但科学家观察到，即便简单如线虫，其判断除基于好坏之外，还有一个重要因素——当前的兴奋状态，作者在书中将其译为“唤醒度”。简单来说，高唤醒度的虫子通常选择运动，主动靠近其认为有利的事物，逃离其认为不利的事物；低唤醒度的虫子虽同样能分辨好坏，却倾向于保持静止。
这种看似反常的行为，映射到人类身上便不难理解。遇到令人兴奋、渴望投入的事物时，人会能量充沛、情绪激昂；而面对压力或不利环境时，则可能精力耗尽，倾向于消极静止。在现代心理学中，低唤醒度的负面状态往往属于需要干预的心理状态。虫子在危险时选择静止，大概率是因为判断自身无法逃脱，与其耗费精力尝试逃离，不如原地等待不利环境过去，以期获得生存机会。
虫子与人类虽在进化上相隔数亿年，却有一个共同的核心特征——大脑。即便微小如虫子，也拥有大脑，只是其结构极为简单，仅由数十个神经元构成，可理解为一个微型神经元集中区域。
人脑在显微镜下由无数神经元构成。大致走向为：外侧的大脑皮层区域，神经元多向外发散；中间的中脑、后脑、脑干区域，结构则有所不同。进一步放大可见单个神经元，形态虽复杂，但每个神经元仅含一个细胞体。神经元之间相互连接，形成神经网络。若以更高倍率观察神经元之间的连接，会发现一个重要结构：一端为前一个神经元的末梢，另一端为后一个神经元的末梢，中间存在缝隙，两个神经元并非完全相连。缝隙间会释放化学物质，其主要功能是实现神经元之间的信息传递。这一结构称为突触，AI神经网络中也有同名概念；在生物学与脑科学中，突触就是神经元之间的连接部位。
多巴胺：预期分子与强化学习
上述缝隙中释放的化学物质，学名为神经递质。神经递质并非单一物质，而是包含多种类型，如多巴胺、血清素等。神经递质是驱动生物做出运动决策的内在机制，其中多巴胺尤为关键。虫子在进行主动探索、朝目标方向运动时，会释放较多的多巴胺。
在大众认知中，多巴胺常被视为带来快乐与愉悦的分子。《贪婪的多巴胺》一书详细阐释了多巴胺的多种功能，其中与人类关系最为密切的一点是，多巴胺能够促成好习惯与坏习惯的形成，坏习惯甚至可能导致成瘾。
需要澄清的是，多巴胺是否等同于“快乐分子”？以下三个案例均与多巴胺密切相关。
第一个案例来自本书。将老鼠置于一个设有杠杆的盒子中，老鼠每拉动一次杠杆，便会掉落一块食物。起初，每次拉动均有食物掉落；重复上百次甚至更多次后，科学家开始停止投放食物，但并非完全撤掉，而是每拉动50次或100次才投放一块——也就是说仍存有一线希望，尽管绝大多数拉动都没有食物，但最后一次可能获得。再过一段时间，科学家彻底撤掉食物，即便拉动上百次也不再投放，却发现老鼠并不会停止拉动杠杆。这种行为若发生在人类身上，便类似于成瘾——对拉动杠杆这一行为上瘾。其起因在于最初确实获得了正向反馈，此后正向反馈虽消失，但期待仍在。赌博的机制与此颇为相似。
现代人另一个难以戒除的习惯是刷手机，尤其是刷带有个性化推送的短视频。此时人与那只老鼠有相似之处：大部分推送内容令人毫无兴趣、与自身关联不大，但总觉得多刷几条总会出现感兴趣的内容，这便制造了对愉悦事件的预期。
科学家发现，多巴胺实为一种“预期分子”。它让人感到“即将高兴、即将快乐”，也就是好事即将发生；而当真正获得好事之后，多巴胺便不再起作用，因为事件已然发生。因此，诸多习惯与成瘾行为虽涉及多巴胺，但人类真正感受到的愉悦，实则源于大脑对好事发生的期待，或对好事正在发生的判断。
将视野转向AI领域，在AI的发展历程中，多巴胺的影响同样存在，其中之一便是机器学习的发展。在Transformer大模型出现之前，强化学习发展较早，那一时期的AI或计算机中便存在“多巴胺”。
谷歌AlphaGo战胜围棋世界冠军的案例广为人知。当时DeepMind做出了一项重要改进，即从最初基于实际奖励的强化学习转向新的模式。所谓基于实际奖励的强化学习，是指下围棋走了一百步最终获胜时，模型认为这一百步中的每一步都很重要，但在最初的模型中，它更看重距离胜利结果最近的步骤，认为对最终胜利影响最大的是最后一步，其次是倒数第二步。实践表明，这种模型效果不佳，未能达到理想水平。
后来，基于对多巴胺的认识，也就是将人脑激素与神经递质的机制引入其中，产生了时序差分学习模型。该模型与前述模型的最大区别在于引入了“评判者”：机器每走一步围棋，都会尝试判断当前步骤是增大了成功的可能性，还是减小了成功的可能性，也就是做出概率判断。
感知的特性：大脑是一个生成式模型
多巴胺解释了生物如何基于预期做出决策，而大脑如何感知和理解外部世界，则涉及另一个重要特性——感知的生成式本质。感知具有若干奇特的属性，书中对此有详细论述，这里选取其中几个有趣的案例来做说明。
比如有一个视觉错觉的例子：有一个哭泣的表情包，脸上配有一滴滑落的汗珠。但若将这滴汗珠想象为鼻孔，将其他元素想象为眼睛，它便变成了一张奇特的脸——一张长着巨大鼻孔的脸。此前与学生分享这一案例时，有学生反馈说，此后每次看到这个表情包，都觉得是一张巨大的鼻孔脸，再也无法回到最初的认知。
还有一个音频的例子。林俊杰的某首歌曲，若配上一套与原意毫无关联的谐音字幕——听过原版的人自然知道这些歌词与原版歌词毫无关系——但一旦看过这一版本，下次再听到这首歌时，便会不由自主地联想到那些生动的谐音画面。
这两个例子其实都说明了感知的一个共同特性：一旦接受了某种设定，便很难再回到最初的认知。书中将其称为“无法忽视性”。
总结而言，人脑与当今大语言模型中的生成式模型存在诸多共通之处。所谓生成式，简单来说就是大脑会主动“脑补”，看到某种模式时，会尝试补全模式中并不存在的内容。一些精神疾病患者会出现幻觉，或多或少便与大脑的这种生成式特性有关，即运用上述特性脑补某些事件的发生。
科学家发现，老鼠同样具备此类能力。通过记录老鼠的大脑活动，科学家发现，当老鼠行至三岔路口、判断向左还是向右时——例如左边有水、右边有食物——它会在脑海中预演向左或向右的路线，也就是在真正采取行动之前，先进入一种虚拟状态。科学家还发现：老鼠在做出选择时，甚至会表现出后悔的情绪。在一个迷宫中，虚线代表门，老鼠走到每个格子时，可以决定是吃掉当前食物，还是跳过此门去寻找下一个食物。当老鼠熟悉迷宫后，自然知道自己最喜爱的巧克力位于何处；但在不熟悉的初期，它需要做出决定，例如是否吃掉眼前的樱桃，还是等待后面可能出现的更好食物。科学家的记录表明，老鼠同样具备丰富的想象力。由此可见，生成式模型在一定程度上借鉴了人类大脑的运作机制。
心智化：理解他人的能力
感知让生物能够理解外部世界，而当生物需要与其他个体互动时，就需要一种更高阶的能力——理解他人的想法，这就是心智化。书中有诸多生动案例，在此不做展开，仅做简要介绍。所谓心智化，简单来说就是理解他人想法、推测他人意图的能力。这种能力在猴子身上已有体现，也就是所谓“你知道我知道你知道”的博弈智慧。猿猴演化出此类智慧，很大程度上得益于其食物为果实，尤其是香蕉。这使其无需像食肉动物那样比拼体力，也无需像食草动物那样演化出庞大的食量，而是可以运用策略获取果实，例如等待果实成熟后再采摘。
猴子还有另一种特性：能够利用镜像神经元进行学习，也就是通过观察其他猴子即可掌握新技能。这与人类相同，无需亲身经历，仅通过想象与模仿便可习得。
谈及心智化，有一个经典的测试名为萨利-安测试，用于评估一个人的同理心。测试十分简单：讲述一个故事后提出问题。名叫萨利的女孩有一个篮子，名叫安的女孩有一个盒子。萨利有一颗弹珠，她将弹珠放入篮子后离开。此时安将弹珠从篮子中取出，放入盒子。过了一会儿萨利回来，请问萨利第一反应会从篮子还是从盒子中寻找弹珠？
成年人自然知道答案是篮子，因为萨利离开时并不知道弹珠被移至盒子。但若将同样的故事讲给两三岁的幼儿听，假设其能够理解故事，仍有相当概率无法正确回答。这表明，人类对他人需求的预测与理解能力是在成长过程中逐步形成的。
在心理学与神经科学中，这一能力与预测自身未来需求密切相关，也就是想象自己未来可能需要什么。
AI为什么时而聪明时而笨
上述转向、强化、模拟、心智化和语言五次突破，构成了生物智能的完整进化历程。将这一历程与当下的AI相对照，不难发现一个令人困惑的现象：AI为什么时而聪明时而笨？这背后的核心问题，正是语言与理解的鸿沟。这也是我在借助AI工作时常感困惑的问题，总觉得AI无法准确理解我的意图。
与AI形成鲜明对比的，是人类对他人话语的理解能力。例如，一段简短的男女对话，比如女生问男生：你又联系她了？人类听完后便能脑补一段关于两人感情纠葛的大戏。这或许正是当前大语言模型有所欠缺之处：在理解一段指令或对话之前，其对前情提要的把握能力尚显不足。人类拥有童年经历与原生家庭带来的丰富人生阅历，而大语言模型在收集语义库时，可能无法充分理解那些尚未被人类总结提炼的细微语义细节。
书中还提到了“回形针问题”：若向AI下达指令，要求最大化生产回形针，早期的AI可能会给出将世界上一切事物都变成回形针的解决方案。这个问题的本质在于，AI只理解了字面指令，却无法理解人类背后的真实意图——我们当然不是真的想要把整个世界都变成回形针。在接下来的发展阶段，这是亟待解决的问题。
第六次突破：具身智能与脑科学的启示
上述五次已完成的进化突破之外，作者在全书结尾还简要提及了他所认为的第六次突破——具身智能。所谓具身智能，简言之就是让AI不仅存在于软件和算法中，还要拥有一个物理的身体，能够与现实世界进行交互。这一部分作者未及展开，因为相关变革尚未充分发生，而具身智能正是当前需要大力发展的重要方向。
作为脑科学研究者，我的研究对象是突触。在人类的生长发育过程中，突触始终处于动态变化之中：从出生到四五岁，突触的数量经历先增后减的过程。这一过程与学习密切相关，同时也与节约能量、适应环境息息相关，这些都是人脑动态调节的重要体现。冬眠动物进入冬眠状态时会断开部分突触以节约能量，待春天复苏时再重新连接。这些能力，都是目前基于芯片的计算机模型尚未具备的。
目前在研究领域，包括我的课题组，正在探索将电子芯片与人类真实神经元相结合。例如将神经元培养在一块电子芯片上，下方的一个个方块为电极，用于采集神经元的信号。荷兰一个研究团队已发现，通过读取这些电信号并给予神经元适当刺激，可以训练神经元完成一些具有智能性的任务。例如玩乒乓球游戏：游戏的一方由电脑控制，另一方由上述芯片控制，芯片通过读取球当前的位置，移动挡板将球挡回。该研究的训练成功率相当高，表明这种生物与芯片结合的大脑芯片具有一定的发展潜力。
最后一个案例是基于生物启发的具身智能研究：美国一家公司将果蝇的大脑扫描后上传至云端，赋予这只果蝇一个虚拟身体。研究人员并未教给这只果蝇任何技能，但它却表现出许多自主行为：寻找食物、追逐食物等，这些均非后天学习所得，而是自发的行为。
以此案例作结，是因为在当前具身智能的发展中，作为生物学研究者，我深感人类对生物大脑的研究仍远远不够。但在推进大脑研究的同时，神经生物学也可以为AI提供许多经过数百亿年进化所形成的智能与智慧。
整理：白尧 | 编辑：王贤青
热门跟贴