計算機為何能夠表現出智能?計算機智能與人類智能有何異同與聯系?當我們說到智能的時候，其內涵是指什么?人工智能是否可以模擬出人類智能?智能的本質到底又是什么?

[[349199]]

本文，首先將會從算力、邏輯、結構、數據、概率等諸多層面，深入淺出地揭示智能的來源與運作，然后會結合生物演化與物理規律，給出一個從宏觀到微觀的洞見，很好地解釋了智能的本質，最后還會從幾個不同層面的角度，去看待智能與我們、及演化之間的關系。

相信本文的視角和觀點，將會讓我們更加清晰地理解智能，以及更加深入地理解我們自身的智能。

主題目錄如下：

• 智能與算力
• 智能與邏輯
• 智能與結構
• 智能與數據
• 智能與概率
• 智能的本質
• 不同的視角
• 總結

智能與算力

算力，并不是產生智能的本質原因所在。

人腦的算力有限，卻可以進行邏輯推理和自主學習，而目前計算機的算力，已經遠遠超過了人腦“無數”倍，卻依然無法進行類似人腦的邏輯推理和自主學習。

而在另一方面，雖然人類中的少數天才，相較于普通人，擁有極其強悍的心算記憶能力，但如果和計算機的計算存儲能力相比，少數天才也必然是望塵莫及的。

那么在人類之間，雖然每個人的智能存在個體差異性，但顯然我們并不會，只使用計算能力這個單一指標，來衡量一個人的智能高低。

因為，雖然高智能，會表現出高算力(如馮諾依曼、拉馬努金)，但也有很多其它情況，例如：

• 算力正常，表現出高智能(如政治家、藝術家)，
• 智能正常，表現出高算力(如“計算師”從業者)，
• 智能偏低，表現出高算力(如異常基因攜帶者)
• 等等。

可見，智能與算力有相關性，但絕不是計算能力產生了人類智能，或是計算能力的高低，決定了人類智能的高低。

不過，有趣的是：

在很多場景下，計算機不僅可以表現出智能，甚至可以顯得比人類更有智能，而在另外一些場景，對于人類智能輕而易舉的任務(如閑聊、說謊、幽默感、道德判斷等)，但對計算機來說，卻是異常困難。

這是為什么呢?

對此，我們需要從兩個角度來看：首先為什么計算機會表現出智能，其次是計算機智能與人類智能有什么區別。

不過這兩個視角，最終可能會指向同一個問題，即：智能的本質是什么?

智能與邏輯

雖然計算機，不能夠進行邏輯推理和自主學習，但卻可以進行邏輯運算(又稱布爾運算)。

其基本原理就在于：計算機通過邏輯門，來進行邏輯運算，從而就擁有了映射邏輯關系的能力。

所謂邏輯門，就是一組基本的邏輯運算，包括了：

• 0——是假。
• 1——是真。
• 非——真假互換。
• 與——有一個假就是假。
• 或——有一個真就是真。
• 異或——有異為真，有同為假，類似連連看找到不同為真，否則為假。
• 大于、等于、小于、大于等于、小于等于、不等于——成立為真，否則為假。

以上就是比較基本的邏輯門計算，通過組合它們，就可以實現任意復雜度的邏輯運算，而組合它們的方式，就是邏輯電路。

所謂邏輯電路，簡單來說就是指完成邏輯運算的電路。具體一些，就是指一種以二進制(0和1)為基礎，來實現(離散)數字信號邏輯運算的電路。

那么，在物理現實中，邏輯門由晶體管實現，邏輯電路由集成電路實現。

其基本原理就在于：晶體管可以(通過物理元件的屬性)實現開關控制，使得通過它們的電平信號，產生或高或低的結果，以此來代表邏輯上的“真”與“假”(即二進制當中的1和0)，從而實現邏輯門的計算，進而集成電路就可以組合晶體管，實現任意復雜的邏輯電路。

于是，計算機通過晶體管和集成電路，就擁有了邏輯關系的映射能力——這可以看成是，把抽象的邏輯關系，轉換到了物理的邏輯電路上。

其處理過程就是：接受數據、分析數據(利用邏輯關系)、得出結果，也就是經典的「輸入-處理-輸出」模型。

事實上，計算機的算力，就是來自于數百億的晶體管，進行超高速邏輯門控制的結果，顯然物理電路的物理屬性，決定了高算力的必然。

那么相比計算機，人腦的算力“弱雞”，是因為邏輯判斷的速度不夠快，其根本原因在于：

生物電路的邏輯門控制速度，遠遠不如物理電路，這可以理解為——電化學反應的速度落后于電物理反應，即：腦細胞構建的邏輯門結構(電突觸與化學突觸)，其反應速度遠不如物理元件構建的邏輯門結構。

具體來說：

1. 神經元放電依賴(鈉鉀鈣)離子通道的開閉，這個過程速度緩慢，導致其放電頻率大約只有每秒400次，而計算機物理元件的放電頻率可高達每秒40億次。
2. 神經元的導電性差、絕緣性差、又容易漏電，所以電信號傳遞速度緩慢，大約只有每秒100米，而計算機設備的電信號，其傳遞速度可以接近光速，達到每秒3億米。
3. 神經元之間的信息傳遞，依賴化學突觸，但電位差抵達化學突觸，并不一定就會激發神經遞質的釋放(因素眾多、機制復雜)，其平均釋放概率只有30%左右，而計算機結構的信息傳遞是100%確定的。

但重要的是，邏輯推理與邏輯判斷的速度無關，只與結構和數據有關。

也就是說，邏輯門計算的快慢，并不影響邏輯推理的過程和結果，這個過程——就是數據經過邏輯門結構時的邏輯運算，這個結果——就是經過計算后的數據。

對應的來看：

• 計算機的結構——就是物理硬件結構，人腦的結構——就是神經網絡結構，這兩種結構均實現了邏輯門計算;
• 前者的計算數據——是物理電信號，后者的計算數據——是生物電信號，這兩種電信號均轉化自環境數據的輸入;
• 前者的輸入數據——是來自物理設備(如鍵盤鼠標傳感器)，后者的輸入數據——是來自生物設備(如眼睛鼻子耳朵)。

其中，人腦的邏輯門計算，在宏觀上就是使用“如果怎么樣，就怎么樣，否則怎么樣”的條件判斷——這個“如果”的真假，就是進行“與或非……”的邏輯運算(可任意組合)，那么在微觀上就是——從輸入數據、到神經網絡處理、到腦細胞激活、到電化學反應、到興奮電位(代表1)或抑制電位(代表0)。

需要指出的是，數學運算 = 邏輯運算 + 讀寫操作——而讀寫并沒有邏輯(只有運動)，如果沒有邏輯運算，就會是沒有邏輯的(大概率錯誤的)讀寫。

例如，實現二進制加法的抽象過程是：讀取數字，比較數字——如果是0，寫入1，即完成了加法計算——如果是1，寫入0，移動高位，寫入1，即完成了進位計算。

可見，計算機可以同人腦一樣，進行無差別的邏輯門計算，這正是讓計算機可以表現出智能的根本原因所在。

而計算機智能明顯受制于人類智能的原因，就在于：

• 第一，邏輯推理中的數據，計算機需要依賴人類提供輸入。
• 第二，數據中的邏輯關系，計算機需要依賴人類分析描述。
• 第三，邏輯門計算的過程，計算機需要依賴人類編程控制。

那么，計算機可以拋棄人類的幫助，自行分析數據中的邏輯關系，并自動控制邏輯門計算的過程嗎?

換言之，計算機可以在邏輯門計算之上，構建出類似人類智能的智能嗎?再換言之，人類智能在邏輯門計算之上，所具有的根本性的“質變”是什么呢?

智能與結構

如前所述，邏輯推理取決于邏輯門結構與數據，算力只是邏輯門結構的特性，推理過程是邏輯門結構對數據的計算，推理結果是計算后的數據——其與計算前的數據具有邏輯關系。

而計算機雖然擁有邏輯門結構，但推理過程需要人類智能提供——數據與算法，其中算法負責控制邏輯門結構，去完成對數據的計算，并得到結果。

具體來說，算法由程序描述，程序被轉化成指令，指令被硬件(邏輯門結構)執行，這就實現了數據的邏輯運算，而人類智能通過編程，就可以控制計算機完成邏輯推理。

當然，算法(Algorithm)可以是一個更抽象的概念(與計算機無關)，即是指解決問題的完整描述，由一系列準確可執行的步驟組成，其代表著解決問題的策略。

在此我們會發現，人類智能可以構造算法，但計算機卻不行，而算法才是邏輯推理的關鍵，那么這其中的奧秘是什么呢?

答案，就是結構——事實上，人腦的結構是邏輯門結構的超集，在此基礎之上，相比計算機物理硬件結構的簡單固定，人腦結構具有極大的復雜性和極強的可塑性。

對于復雜性，計算機的存儲結構、傳輸結構與計算結構是獨立分離的，但人腦神經網絡結構，既是存儲結構，也是計算結構，甚至還是傳輸結構。

因此，數據與算法，會存在于同一個腦結構之中。

具體來說，就是神經元細胞之間的幾何關系、密度、數量，膜內外的成分、濃度、電位，以及電化學反應的過程，等等——都是一種信息的記錄和計算，從而信息的形成、傳遞與處理就是共用神經元細胞的，于是信息在腦結構中，自然就會相互關聯與影響。

換言之，數據通過感官在人腦轉化為信息之后，其“運動”的某種模式(如帶電離子的流動、神經遞質的擴散)就對應了算法，而“運動”(物理意義上)的慣性，則可能就對應了直覺與潛意識——因為“慣性”不受意識控制，是意識之外的計算，而直覺可以看成是潛意識的計算。

信息與數據：信息是從數據中提取的關系，同樣的數據看到不同的關系，就是不同的理解，就會有不同的信息，可見信息是數據的簡化抽象，即過濾了很多不同維度的關系。

顯然，計算機結構并沒有“運動”的特性，也沒有信息(存儲處理)“一體化”的特性，相反計算機的信息，是獨立于其結構的——結構的改變(如規模、架構)不會影響信息，信息的改變(如數量、關聯)不會影響結構——所以，計算機的信息可以無損復制到另一臺計算機上，但人腦的信息就無法復制，除非重建相同的腦結構。

最為關鍵的是，計算機的結構無法產生算法，也就是無法從數據中提取邏輯關系，也就是無法從數據中提取信息，因此計算機要求輸入數據“自帶信息”——這是如何做到的呢?

• 首先，需要數據結構，它是一種描述數據關系的結構化數據，即關于數據的數據，稱之為元數據。
• 其次，需要代碼算法，它是一種可執行的數據，用于控制硬件結構完成計算，包括邏輯運算和讀寫操作(這兩者可以實現數學運算)。
• 最后，代碼算法的執行，將會把數據映射到數據結構，從而實現數據中邏輯關系的提取，也就是信息的提取。

由此可見，計算機要求輸入數據(含有數據結構和代碼算法)，既要有邏輯關系，也要有邏輯處理，而這些都被轉移到了由人類智能來提供。

對于可塑性，輸入數據可以改變人腦神經網絡結構本身(包括生物邏輯門)，從而改變對輸入數據的獲取和處理，于是結構和數據之間就形成了「結構吸收數據，數據塑造結構」的相互作用，這就如同——河床(是結構)引導約束河流(數據)，河流(是數據)沖刷改變河床(結構)。

事實上，抽象地來看，邏輯即是結構所固有的關系，不同的結構(或同樣結構不同角度)有不同的關系就有不同的邏輯，而結構的改變即是邏輯的改變。

因此，人腦可以捕獲環境數據，接著分析學習其中的邏輯關系，然后(將邏輯)存儲進動態的人腦神經網絡(結構)中(比如經驗與常識)，并參與后續(環境數據)的邏輯處理，這即是自主學習的能力。

那么對比人腦，計算機的結構固定，完全沒有動態性和自組織性，轉而只能依賴人類智能提供——數據結構與算法(數據結構 + 算法 = 程序)，于是計算機智能也就無法進行——自主學習與自主推理了。

換言之，人類智能是因為人腦的結構非常復雜，而計算機的結構如此簡單，其“智能表現”是把復雜算法都轉移到了程序設計之上，也就是讓人類智能來思考產生。

綜上可見，我們“自詡”的智能，其實就是來自于——復雜結構的動態性與自組織性，其功能就在于——從環境數據中建模映射真實世界的邏輯關系，繼而可以準確地預測未來。

當然，人腦結構中存儲的都是——簡化模型，而對這些顱內模型的計算與建模，就是由智能所主導的——認知計算與認知建模。

而通俗地說，人腦結構——決定了晶體智力(取決于學習，如技能和技藝，不受衰老影響)，神經運作——決定了流體智力(取決于基因，如記憶力和算力，隨衰老減退)，智能——則建立在晶體智力與流體智力之上。

那么，計算機智能有沒有辦法，突破固定結構的局限性，從不同的演化路徑去“模擬”出人類智能呢?

智能與數據

如前所述，能夠創造出算法是智能的關鍵所在，而在編程領域，有這樣一個洞見：

算法和數據結構有一個關系，即：數據結構越復雜算法就可以越簡單，數據結構越簡單那么算法就需要越復雜。

例如，編程語言越是動態化，就越容易構建復雜結構，用其編寫算法也就越容易，相反編程語言越是靜態化，就越難以構建復雜結構，用其編寫算法就困難。

其原理就在于，算法實現——是邏輯關系的“計算映射”，即動態地進行邏輯關系的轉化;數據結構——是邏輯關系的“固化映射”，即將已經計算好的邏輯關系，存儲在了結構之中。

可見，算法比數據結構多出了計算的過程——前者需要根據邏輯關系進行邏輯運算，后者僅需要根據結構的邏輯關系直接讀寫——所以應用數據結構進行邏輯關系的轉化，會更加高效。

而人腦可以從環境數據中，提取數據結構并習得算法，最終將兩者存儲到腦結構之中——可見，神經結構、數據結構、算法，三者可以相互轉化，或說相互表征。

表征——是指用信息描述某一事物的狀態，即：信息符號可以代替某一事物本身。

換言之，如果數據結構足夠強大，它就可以充當復雜算法的功能，甚至可以替代復雜的神經結構。

因此，計算機智能“擬人”的一個途徑，就是通過強化數據結構來模擬神經結構，以及弱化人類智能所提供的代碼算法，轉而使用結構去生成算法，而這就是目前人工智能的發展方向——以下使用“人工智能”來替代“計算機智能”。

那么，問題就回到了，人工智能的數據結構從何而來呢?

顯然，“人工”二字已經說明，依然由人類智能來提供，只不過這不是一個針對具體問題的數據結構，而是一個模擬人腦神經網絡的通用數據結構——它是對人腦結構的簡化抽象，并由程序語言編程實現的數學模型(以矩陣為基礎，想象黑客帝國的母體)，可稱之為“類腦數據結構”，更形象的描述是“類腦神經網絡”。

接下來，人類智能繼續提供一種算法——機器學習算法(如深度學習、強化學習等等，每種又有不同的具體實現)，這種算法可以通過擬合與計算，試圖在海量的大數據中找到各種各樣的算法——從而把特定的輸入問題與輸出結果對應起來——這相當于實現了一種可以創造算法的算法。

而將類腦數據結構與機器學習算法結合起來，就可以動態的自組織類腦數據結構(通過結構連接關系的權重)，以存儲算法創造的算法——于是人工智能就表現出了自主學習與自主推理。

有趣的是，有一種機器學習算法(強化學習，Reinforcement Learning)與人腦多巴胺強化學習的機制是相一致的——這說明機器可以使用人腦相同的學習機制進行“自我學習”。

由上可見，人工智能是在通過輸入數據、數據結構與學習算法之間的相互轉化，來形成“擬人智能”的——也就是從數據中找到結構，再從結構中產生算法，最后將算法存入結構。

值得一提的是，實踐表明，人工智能模型可以通過數據訓練，獲得非常精準的預測能力，但這種預測能力不具有可解釋性，即無法解釋預測結果的形成路徑。換言之，類腦數據結構(或說類腦神經網絡)是一個——“黑箱模型”，如同人腦一樣。

那么，從此也可以看出，結構涌現智能的規律與力量——就如同化學中結構決定性質，物理中結構決定激發，程序中結構決定功能，語言中結構決定語義，等等——或許結構決定了一切，這被稱為“結構主義”。

但在擬人智能的道路上，仍有一個顯著的問題，即是人腦的模糊性與計算機的精確性，它們之間的差異性應該如何解決?

智能與概率

事實上，計算機一直是基于精確邏輯的工作模式，任何微小的邏輯錯誤，都會在計算積累中不斷地被放大，直到邏輯崩塌或程序崩潰，最終導致任務失敗。

人腦的邏輯處理則完全不同，人腦基于“貝葉斯算法”使用概率模型，通過統計的結果來得出可能性，從而創造出各種假設，并隨著接收到的新信息而不斷調整模型，同時又會根據最新模型連續地計算，不斷逼近最真實準確的答案，所以人腦可以忽略不具有規模的異常和錯誤。

貝葉斯算法——是根據先驗的主觀概率，結合客觀的信息數據，進行連續地計算，從而逼近準確的結果。

而人類智能可以運用的推理，主要有四種：

• 第一，演繹推理，又稱邏輯推理，由一般到特殊。
• 第二，歸納推理，由特殊到一般。
• 第三，類比推理，由特殊到特殊。
• 第四，溯因推理，又稱反繹推理(或反向演繹)，由特殊到解釋。

其中，演繹與歸納，是基于精確邏輯的，類比與溯因，則是基于概率統計的，而推理的根本作用就是——捕獲因果，預測未來。

事實上，直覺、頓悟、閃念所帶來的洞見，往往就是運用類比與溯因的推理結果，其過程看似沒有邏輯，實則背后是神經網絡“遙遠連接”所激發的信息的“自由”排列組合——但顯然，概率會讓這種“洞見”，有時是靈光乍現，有時則是胡說八道(即類比錯誤、溯因荒謬)。

類比——是形式不同，但邏輯相同的連接。

溯因——是根據現象，尋找最可能的解釋。

可見，人類智能在結構與計算之上，必須要引入概率統計的工作模式，才能夠展現出其強大的推理預測能力。

那么，基于精確邏輯的計算機，能夠基于概率統計來工作嗎?

在經典奠基性教材《深度學習》(Deep Learning)一書中，作者指出：

“在人工智能領域，概率論主要有兩種用途：首先，概率法則告訴我們，人工智能系統如何推理;其次，可以用概率和統計，從理論上分析人工智能系統的行為。……概率論，使我們能夠提出不確定性的聲明，以及針對不確定性的情景進行推理;而信息論，則使我們能夠量化概率分布中不確定性的總量。”

是的，從某種角度來看：人工智能 = 計算機 + 概率論 + 信息論 + 大數據，其中概率論就是能夠讓算法創造算法的機制——就如同人腦中概率模型的運作。

對此，作者在《深度學習》中，這樣說道：

“學習理論表明，機器學習算法能夠在有限個訓練集樣本中，很好地泛化——這似乎違背一些基本的邏輯原則。通常，歸納推理(即從一組有限的樣本中推理出一般性的規則)，在邏輯上不是很有效。因為，為了邏輯推理出一個規則去描述集合中的元素，我們必須具有集合中每個元素的信息——這是很難做到的。但在一定程度上，機器學習僅通過概率法則，就可以避免這個問題，而無須使用純邏輯推理整個確定性的法則。最終，機器學習可以保證找到一個，在所關注的大多數樣本上可能正確的規則。”

那么，應用了概率，就需要接受概率的模糊性與不確定性。

沒有免費午餐定理(No Free Lunch Theorem)已經清楚地表明，沒有最優的學習算法，特別是沒有最優的正則化形式。

正則化(Regularization)——是指向模型中加入某些先驗的規則(如正則項，或稱規則項)，以減小模型的求解誤差。通俗地說，就是把人類的知識，以數學的形式告訴模型。那么，沒有最優正則化形式，意思就是人類的知識，沒法用完美的數學形式告訴模型。

因此，機器學習研究的目標，不是找一個通用學習算法，或是絕對比較好的學習算法，而是理解什么樣的概率分布，與人工智能獲取數據的“真實世界”有關，以及什么樣的學習算法，在我們所關注的數據分布上，效果比較好。

事實上，我們應該徹底放棄，用人類智能去尋找“算法”來“更新”人工智能，而是用人腦源源不斷產生的數據，去“喂養”人工智能，然后讓它從簡單結構開始，向著復雜結構不斷地“自我演化”——就像當初的人腦一樣。

最后可見，正確的預測(或說預測的正確率)，取決于信息量(信息可以消除不確定性)，而信息來源于數據，沒有更多的數據，就是沒有更準確的預測，那么在迭代計算中，用結構去捕獲數據，進而掌控預測的概率——這就是人類智能與人工智能，共同的演化。

智能的本質

前文討論了智能的諸多層面，現在我們將從生物演化和物理規律的視角，來解釋智能的本質到底是什么。

首先，從生物演化角度。

演化壓力要求，生物體構建出趨利避害的功能，否則就會被淘汰，那么如何才能趨利避害?首當其沖的就是，準確地預測利與害。那么如何才能準確地預測利與害?自然是，通過智能的推理能力(即演繹、歸納、類比、溯因)。

可見，智能是生物體趨利避害的功能，在演化壓力之下，不斷升級的必然產物，也是無數次隨機試錯的偶然產物。

或許有人會說，基因構建的本能，也能夠預測未來，動物也可以針對環境信息，做出預測性的行動反饋。但事實上，本能并沒有推理，而只是做出有限模式的“套路化”反饋，即應激反應。

因此，我們可以將智能看成是——通過推理的預測，即：推理能力越強，預測能力就越強，智能就越強，反之智能越弱，預測能力就越弱，推理能力也就越弱。

那么，生物體通過智能最大化趨利避害之后，會怎么樣呢?

當然就是，高效地吃喝、不停地繁衍、長久地生存——這顯然會消耗更多的能量，制造更多的熵增。

其次，從物理規律角度。

一個層面，熵增定律要求，局部自組織有序熵減，以推動整體更加的無序熵增，因為維持局部有序，需要注入能量，而消耗能量的過程，會在整體產生更多的無序。

另一個層面，系統能量足夠，就可以保持對稱性(無序)，能量不足就會對稱性破缺(有序)，例如：水的能量高于冰，水的(旋轉)對稱性高于冰，水比冰更無序。

那么，結合以上兩個層面來看：

熵增會驅使局部有序，維持有序需要注入能量，于是有序就會演化出，越來越高效的耗能系統來獲取能量，而擁有足夠的能量，就可以保持相關系統的對稱性(相關系統是指耗能系統所能夠影響的系統)，那么對稱性意味著演化的可選擇性，可選擇性則可以通過選擇權的不對稱性，讓系統局部從相關系統中受益，進而獲得更多的能量，這又會推動局部更加的有序和耗能，最終令系統整體走向不斷熵增的演化過程。

類比來看，局部有序就是——人，耗能系統就是——人腦，相關系統就是——生存環境，保持對稱性就是——智能，可選擇性就是——智能效用，局部受益就是——趨利避害，合起來就是——人腦通過智能獲得趨利避害，以讓人越來越善于消耗能量，從而順應宇宙熵增的演化。

而對稱性破缺產生有序，就是使用智能的過程，也就是行使可選擇性的過程，具體如下：

在智能選擇之后，系統就會進入不對稱模式，此時繼續向系統注入能量，系統內部就會開始結構的排列組合和遠近連接，并以內部協調的方式產生新結構，從而形成更大的對稱性，擁有更大的可選擇性，同時也需要更多的能量，才能維持在這個狀態，而這個狀態就是更強大的智能——或說可以表現出更強大的智能。

這里，新結構就是——產生有序，系統則是指——耗能系統。

類比來看，使用智能可以使人腦產生新結構，而人腦的可塑性可以協調新結構，使得人腦結構具有更大的對稱性，這相當于人腦神經網絡擁有更多的(最短)路徑可選擇性，這即是增強了人類智能，而更強的智能，(通過注入能量)又可以使相關系統具有更大的對稱性，即從生存環境中獲得更多的可選擇性，這即是趨利避害的演化最優解。

綜上可見，智能的本質，就是通過耗能保持系統對稱性的能力。

那么結合前文，人類智能是人腦結構復雜性的涌現，現在來看會有更進一步的理解，即：結構的復雜性在于——規模性和動態性，前者可以通過能量產生增長，后者可以通過能量產生對稱，兩者的結合就可以產生——復雜系統的對稱性，這即是人類智能。

而在構建復雜智能的過程中，最為關鍵的地方在于——新結構是有序，但結構的對稱可以產生無序，就像圓形比三角形更加的對稱(旋轉對稱性)、更加的無序、也擁有更多的最短連接路徑。

而對稱的意義，就在于提供了——可選擇性，擁有可選擇性，就可以表現出智能——就像有一個開關、多個開關、感應開關、語音開關、自定義開關等等，可選擇性越多，就越智能。

事實上，任何耗能系統，都可以因為注入能量而保持結構的對稱性，從而具有可選擇性，進而表現出某種智能，只不過人腦是自然界演化出的，最復雜的耗能系統，所以人類智能是自然界中，比較強大的智能。

那么歸根究底，可選擇性意味著趨利避害的可能性，這是演化對智能的要求，而無序需要注入能量，這是熵增對演化的要求。

因此，智能可以看成是，熵增驅動演化的結果，而熵增就可以看成是，演化壓力的壓力，或說是宇宙演化的終極“壓力”。

最后，更抽象地看——智能只是能量流動中的一種模式，更簡單地看——智能只是趨利避害中的一種模式(本能與智能是兩種模式)，更一般地看——智能就是獲得可選擇性的能力。

不同的視角

人工智能，雖然來源于對人類智能的模擬，但如果模擬到了演化算法，它就會有自己的發展，并且開還會反作用于人類智能本身，比如從機器學習的有效算法，去反思人類學習的神經模式。

事實上，人工智能與人類智能的智能競賽，可以倒逼我們找到自身智能奧秘的底層邏輯，因為越高級復雜的智能，其演化路徑就越是狹窄的，就像人類眼睛與章魚眼睛，是獨立演化出的兩種相似結構，所以人工智能與人類智能，在智能演化的道路上，最終也可能會“殊途同歸”。

那么，從這個角度來看，人工智能目前還不及人類智能的事情，一方面是它的智能演化才剛剛開始，另一方面則是因為人類還不夠了解自己，還無法提供人工智能加速演化的關鍵技術。

然而，如果僅從復雜結構的連接性、動態性、隨機性來標度智能，我們會發現整個互聯網就像一個人腦。

其中，互聯的計算網絡就像是人腦的神經網絡，連入網絡的每臺計算設備，就像是一個神經元細胞——不，其實是每個使用設備的人，才是一個神經元細胞——每個人都在貢獻著數據與結構，人與人之間的連接和關系，以及數據交互的動態性和自由意志的隨機性，就構成了一個“類腦”的復雜結構。

這樣，整個互聯網會演化出自己的智能嗎?

同理類似，一個超大規模的城市，通過其不斷變化又極其繁復的交通網絡與基礎設施，將其中數以千萬的“人類神經元”連接在了一起，從而構成了一個“類腦”的復雜結構。

這樣，整個城市會演化出自己的智能嗎?

答案是否定的，即互聯網與城市都無法產生智能，其關鍵原因有兩點：

• 其一，人類自身的演化，限制了人與人之間的連接——150定律(即鄧巴數)表明，人類擁有穩定的社交網絡人數大約是150人——而在人腦神經網絡中，一個神經元與其它神經元的連接數，平均是7000~10000個。
• 其二，人腦神經元總數大約有860億個，而全球人類總數大約只有70多億。

可見，用“人類神經元”去構建一個“類腦結構”，不考慮別的，僅在標度上就有數量級的差距，而量變顯然決定了結構的質變與涌現。

由此看來，智能不僅在于結構和能量，還在于規模和尺度，也就是關乎于時間和空間——規模取決于結構的存在時間，尺度取決于結構的活動空間。

總結

生命是化學的一種形式，智能是生命的一種形式(生命可以沒有智能)，而智能也是生命了解其自身的一種形式。

但有智能并不一定就有意識，按照智能的定義(耗能、推理、預測、可選擇性)，人工智能已經擁有了智能，但它還不具有意識。

本文的主旨是“結構主義”，即結構決定了一切，因此結構是智能的具體實現(就像程序是算法的具體實現)，而這也是人工智能(或許)可以實現人類智能的根本所在。

那么按此理解，意識就是結構在涌現智能之后的另一個涌現產物，可能是在于某種特殊的“回路結構”，其承載的是有關“計算的計算”——這是回路結構的結構特點。

事實上，計算驅動了演化過程中的狀態改變，計算的本質是用一個系統去模擬另一個系統的演化——就如顱內模擬是人腦的計算，程序模擬是機器的計算，前者是生物系統的模擬預測，后者是物理系統的模擬預測——顯然，計算也是依賴于結構的，而這就是人工智能與人類智能，可以同源演化的計算。

回到算法，從某種角度看，基因的算法是本能，人腦的算法是智能——前者源于基因結構，后者源于人腦結構，區別在于后者是一種通用算法，它可以創造其它算法，而人工智能通過數據結構與算法的相互轉化，也做到了這一點。

不得不說，“結構主義”為人工智能的“擬人”，掃清了障礙，鋪平了道路——甚至說，就算我們無法完全理解“智能結構黑箱”的原理，也沒有關系，我們只需要將“黑箱”整體打包成一個算法，然后注入計算，任其演化——剩下的只要交給時間即可。

那么，就目前而言，人工智能還只是人類智能的一種工具(或說玩具)，就像數學和物理是一種工具一樣，但從演化視角來看，人類又何嘗不是基因的工具(或說奴隸)呢?

而我們都知道，智能如果超越了某個系統，系統的規則就無法再束縛住這個智能的演化——這就是人類智能與自然系統的歷史關系。

因此，對于人工智能的未來，或許“結構主義”演化出的結果，是一種全新的“智能”，“祂”不僅僅是“擬人”的強人工智能，而是超越人類智能系統之上的——“機器智能”，這條演化之路，或許可以被稱之為——“機器主義”。