符号主义下的人工智能
前言
当我落笔写下这些文字时，时间是 2026 年 9 月 22 日（至少这一行是，至于后面的篇章会在何时完成（ 2026 年 9 月 26 日），便交由时间决定）。
回望四年前——2022 年 11 月 30 日，那时我刚入大学不久，OpenAI 极其低调地发布了一个名为 ChatGPT 的网页试用版。然而短短几天内，整个科技圈被彻底轰炸。它不再是过去那种死板匹配关键词、答非所问的“人工智障”，而是展现出了令人惊异的语境理解力：它能梳理长句中的复杂逻辑，能吐出架构工整的代码，甚至能跨越角色与风格，玩起诗歌与哲学的文字游戏。短短 5 天，用户量突破 100 万；2 个月，月活破亿——它创下了互联网历史上用户增长最快的奇迹。
至今我依然清晰地记得，当时的服务器几乎每天都在崩溃，注册一个测试账号堪比九死一生。在折腾了许久终于拿到入场券的那一刻，我大概没意识到自己正站在一场时代风暴的起点。
光阴滚滚而过。四年的时间，见证了 AI 算力的狂飙，也见证了我从一个连 C 语言指针都捋不顺的编程新手，走向对系统工程与底层逻辑的探寻。在翻阅学习了大量的前沿工程实践、AI 技术著作、神经科学原理与哲学文献后，我终于有了勇气与底气，回过头来重新审视人类这场关于“智能”的百年狂想与漫漫来路。当然，受限于个人的学识与视野，加上技术演进的速度早已超脱个人经验，此处所写下的文字与观点，纯属个人的思考沉淀，绝非无懈可击的未来预言。
黑格尔曾说：“人类从历史中学到的唯一教训，就是人类什么教训都没学到。”这句话放在人工智能的发展史里，显得格外贴切与讽刺。AI 的演进史，恰恰就是一部不断打破旧神话、又不断陷入新轮回的历史。
在接下来的篇章中，我将交织技术事实、哲学视座与现代工程实践，带你重新回到这段狂热与冷酷交织的历史源头，去拆解所谓的“人工智能”究竟如何走到今天，以及它的底层到底通向何方。
话题：前辈的幻想
人工智能这个词虽然是近代才有的，但是这个概念其实并不新鲜，甚至早在远古时期与神话里就已经存在了。
在古希腊神话里，工匠之神赫菲斯托斯用青铜铸造了会自主巡逻的巨人塔罗斯；雕塑家皮格马利翁赋予了自己的雕像生命。人类对 AI 的幻想，本质上是试图扮演“造物主”的原始情结。
亚里士多德在《政治学》里曾写过一段自己的幻想：“如果每一个工具都能根据指令或预感去完成工作……比如织布机的梭子能自己织布，弹琴的拨子能自己弹琴，那么工头就不再需要工人，主人也不再需要奴隶。”这是人类历史上最早对“自动化/智能替代体力与脑力”的文字记录之一。
到了近代，随着数学的解放与文艺复兴，人们的思想迎来了一次巨大的喷涌。
笛卡尔（发明笛卡尔坐标系的那个数学家）提出人体的肉身不过是一套极其复杂的机械结构，并留下了“灵魂与意识”这一谜题（即心物二元论，尽管后来被哲学家们反复批判与解构）。莱布尼茨则梦想发明一种“通用符号语言”，试图把人类所有的思想、逻辑和哲学争论都脱水成可以计算的符号（正如我们在前面的文章中所探讨的）。
数学与逻辑的解绑，使得人们在接下来的几百年里产生了远超以往所有历史的伟大发明与理论，甚至带给人类一种数学可以推演宇宙万物的迷思，最后甚至孕育出了像拉普拉斯妖这样决定论式的怪物。
同时，一些人类历史上的伟大先锋们也在工程上的尝试。在 19 世纪蒸汽时代，巴贝奇就开始尝试用纯机械齿轮搭建能够执行任何通用计算的“分析机”。面对遥遥无期的理想，巴贝奇曾感叹道，如果能够让他去百年后的世界看一眼，他宁愿放弃自己余生所有的时光。不过，如果他真的到了今天然后学习了深度学习，还会不会继续这样想就不好说了。
爱达不仅写出了历史上第一个算法，更精准地预言了 AI 的边界。她写道：“分析机并没有试图创造任何东西的意图，它只能执行我们知道如何指令它去完成的任务。”——这直接成为了半个多世纪后图灵与机器能否思考这场大争论的最早伏笔。
围绕着机器能否思考这个话题及其延伸话题，无数哲学家们曾经打的不可开交，甚至一些物理学家和数学家也下场交锋，产生了无数的巨著。
让我们先来看看，那些奋斗在前线的物理、数学与计算机科学宗师们，究竟是如何看待“智能”这件事的。
在埃尔温·薛定谔的经典著作《生命是什么？》里，这位伟大的物理学家（没错，就是量子力学里那个薛定谔方程的薛定谔）从量子力学与热力学的角度切入，提出了著名的“负熵”概念。在他看来，生命之所以能维持秩序与智能，是因为它能够持续从环境中吸收“负熵”，以对抗热力学第二定律所带来的混乱与无序。这深深启发了后来的控制论与信息论：智能的底层，是否也是一种通过信息处理来对抗混乱的负熵机制？
顺着薛定谔的思考，诺伯特·维纳（著名的“维纳滤波”便出自其手，只要你接触信号与图像处理，就绝不可能绕开这位控制理论宗师）出版了《控制论》，指出无论是生物神经还是机械装置，智能的本质都是通过“信息反馈”来修正行为、对抗无序；而克劳德·香农——这位凭借一己之力搭建起整个信息论骨架、让后人只能在其框架下修修补补的绝世天才（Anthropic 的 Claude 模型便是向他致敬）则用“信息熵”将信息量化为离散的比特，为日后大模型的概率预测与损失函数奠定了数学根基。
至于阿兰·图灵，这位图灵机的缔造者在给出计算的极限之后，便提出了关于人工智能的深刻幻想以及著名的图灵测试。用程序员的话来说，这无异于一种生物版本的“鸭子类型”——只要一个东西走起来像鸭子、叫起来像鸭子，那它就是鸭子，认为只要机器能完美模拟人的行为并让人无法分辨，它就拥有智能。
冯·诺依曼在他的临终遗作《计算机与人脑》中，严密地剖析了离散计算架构与人脑神经元之间的本质差异。AI 的命名者之一马文·明斯基，则在著作《心智社会》中做出了前瞻性的预言：所谓的智能，不过是海量原本毫无意识的微小单元在层级协作中产生的“涌现”。
到了现代，诺贝尔物理学奖得主罗杰·彭罗斯在他的著作《皇帝新脑》与《心灵的影子》中，借用哥德尔不完备定理给所有强 AI 派泼了一桶冰水。他试图证明人类思维中存在着某种非计算的特质，而基于经典物理与图灵机物理底层的机器，无论算力堆到多么庞大，都永远无法产生真正的人类意识，甚至大胆推测，真正的意识或许潜藏在脑神经微管的量子引力效应之中。
另一方面，至于哲学家们，那可真是要打起来了。其实关于“我是谁”、“意识是什么”的争论，早在计算机诞生前几百年甚至上千年，就已经在哲学界吵得不可开交了。
哲学家们极其热衷于设计各种烧脑的思想实验来拷问现实。比如古老的忒修斯之船和现代哲学里的分子复制人——如果把你全身的分子在一瞬间拆解，并在异地用一模一样的分子重组，那重组出来的那个“你”，到底还是不是你？又比如哲学僵尸实验——假想存在一个行为、言语、生理结构与人类一模一样，但内部却完全没有主观体验的僵尸，我们又该如何证明身边的某个 AI（甚至是某个活人）不是一个哲学僵尸？
在这场大乱斗中，主要演变成为了两大阵营的绝决死战。
强硬的唯物主义阵营以丹尼尔·丹尼特为代表。他的著作《意识的解释》是一本极具代表性的唯物主义断代之作。丹尼特极力反对笛卡尔的二元论（即认为灵魂与肉体是两种东西），认为根本不存在所谓的灵魂。在他看来，意识不过是脑内海量并行信号在竞争与整合中产生的涌现幻觉。在这种解释下，只要深度学习神经网络的参数量与并行度足够庞大，它就极有可能涌现出真正的智能与意识。
怀疑派阵营则由约翰·塞尔撑起大旗。他在著作《心性、语言与社会》中提出了著名的中文房间实验。假设一个完全不懂中文的人被关在封闭房间里，手里拿着一本极其庞大的规则手册（相当于 AI 的权重参数与算法），他根据手册将输入的中文符号转换并吐出正确的中文回答。房间外的人以为他精通中文，但他内部其实对中文没有丝毫的理解。
那么，如果你问我我是怎么看待的呢？我会告诉你，马克思主义早就对此有自己的答案了。（绝大多数学校里教的马克思主义根本对此没有分毫讨论，而是集中火力朝着意识形态和资本社会剥削开炮，以至于我们的学生总是在“科技是第一生产力”的指导下陷入机械唯物主义的陷阱。哲学绝不是空空的泛泛而谈和思考一些不切实际的东西，哲学是科学的先导，是人类文明的眼睛，一个没有哲学素养的工程文化是可怕的）。
机械唯物主义者（如 18 世纪的物理学派）总觉得，世界就像一台庞大的钟表，一切复杂的生命、意识、社会现象，都可以无限拆解为物理学、力学或化学分子运动，觉得只要把零件拆得足够细，就能解释一切。而在《自然辩证法》中，恩格斯就极其严厉地批判过那种试图把一切复杂事物无限向下切分、试图用低级物理运动去解释高级生命现象的机械还原论。
马克思主义哲学的断代突破恰恰就在于：彻底否定了这种简单的无限向下切分。
马克思主义很早就告诉我们：物质运动是分层级的，当规模与复杂度跨越了临界点，系统就会产生低层级所完全不具备的全新质的特质。 所谓量变引起质变，人脑的智能绝不是孤立神经元电信号的简单相加（这恰恰也是现代神经科学的观点），而是人在复杂的物理交互、社会实践等高层级，以神经元底层结构为支撑的前提下，所涌现出来的自然结晶。
不管怎样，先贤们用哲学与数学画出了幻想的蓝图，但要将这些思想落地为真正的机器，人类迈出的第一步，是从试图用绝对严密的逻辑与符号去重构世界开始的——这便是符号与搜索智能的诞生。
话题：符号与搜索智能
人类迈向 AI 的第一步，毫无悬念地落在了最符合人类理性最骄傲的地方——符号主义。那时的人们坚信：智能的本质，就是对离散符号的操作与严密的逻辑推理。既然人类可以用数学符号推演宇宙，那么只要把世界上的知识抽象成符号，把推理规则写成代码，机器就能拥有媲美甚至超越人类的智能。
1956年的达特茅斯会议上，约翰·麦卡锡、马文·明斯基、克劳德·香农和赫伯特·西蒙等人聚集在一起，正式敲定了“人工智能（Artificial Intelligence）”这个词。
当时这群天才狂妄到什么程度？他们认为“让机器理解语言、形成概念、解决人类保留给自己的问题”只需要一个夏天。
他们最早的成果确实是极其璀璨的。西蒙与纽厄尔写出了“逻辑理论家”程序，成功证明了《数学原理》第二卷中的 38 个定理。接着，基于图搜索的“通用问题求解器”诞生。天才们从无到有地搭建了符号推理系统的整个法则，并将复杂的任务抽象为“从一个命题库中寻找问题的特定解”。
寻找这个解的过程，便现在演变成了我们早就在计算机科学中熟知的决策树、深度优先搜索、广度优先搜索、A* 算法、模拟退火、遗传算法，再到博弈树上的 Alpha-Beta 剪枝等层出不穷的搜索算法。
在图搜索与启发式算法的庇护下，符号主义者们试图将整个现实世界简化为一个庞大的状态空间图与数不清的转换规则和约束求解问题，AI 的任务似乎变成了在这个图谱里寻找一条通往目标的路径。
基于这套“抽象符号 + 规则推演”的范式，符号主义在接下来的几十年里，衍生出了两大极具工程统治力的支柱。
第一个，是编译器的诞生与完善。某种意义上，编译器是符号主义留在人类计算历史上最完美、最严密的遗产。尤其是现代 Rust 的 rustc 编译器，其借用检查器本质上就是一个高阶逻辑推理系统，完全算得上是逻辑符号系统在工程界的终极造物之一。从上下文无关文法到抽象语法树，再到有限状态自动机，再到各种语法与借用检查，人类通过绝对精密的形式化符号系统的搭建，建立起了一条从高阶抽象思维到底层机器码的无损转换通道。它不允许分毫歧义，每一个终结符与非终结符的归约，都是符号天平上绝对等价且严密的推演。
第二个，则是 20 世纪 70 至 80 年代推向巅峰的专家系统与形式化推理语言。工程师与领域专家坐在一起，将老医生的诊断经验、地质学家的矿产勘探逻辑，抽丝剥茧地拆解为成千上万条形如 IF (A AND B) THEN C 的编码规则。配备上专门的知识库、推理引擎以及专用的符号语言（如 Lisp 和 Prolog），MYCIN（医疗诊断系统）和 DENDRAL（化学结构分析系统）在当时展现出了惊人的准确率，甚至掀起了 AI 历史上的第一次商业变现狂潮。
当时的人们无比自豪，因为这些庞大的逻辑系统居然真的在国际象棋和其他一些领域战胜了人类顶尖的选手，然而，随着知识库的无限膨胀，人类终于撞上了一堵无法逾越的高墙——我们根本无法用手工编写的静态规则，去穷尽这个真实而混乱的世界。当围棋的搜索空间达到 时，或者现实世界的变量呈指数级爆表时，人们才终于明白，哪怕倾尽全宇宙的原子去造计算机，也无法在有限时间内搜索出答案。
符号与搜索智能从此不可避免地步入了漫长而冰冷的寒冬。人们终于不再幻想它可以解决一切智能问题，而是被迫收缩战线，让它退回到它最擅长、最严密的确定性领域中去。
这些，算得上AI吗？
站在今天的视角重新审视，它们更像是高级自动化系统或精密的规则推理引擎。它们没有一丝一毫真正的学习与自省能力，所有的智能，不过是人类预先注入的静态规则与可能性。
当时人们对于符号与搜索智能的狂热幻想，本质上是机械唯物主义盛行的必然后果。正如我们在前言中所述，在前几个世纪里，古典力学与数学的解绑带给了人类远超以往所有历史的总和成果，从拉普拉斯决定论到决定性的代数逻辑，这种“符号下的狂热错觉”在学界迅速蔓延，让人类盲目地相信：只要拥有足够严密的规则与计算，我们就有了用符号解构与掌控世界上所有问题的神力。
哥德尔在 20 世纪初，最终为这种狂妄落下了冷酷的铁幕。哥德尔不完备定理彻底证明了：**在一个足够丰富且自洽的形式符号系统中，必然存在着无法被该系统推导出来的真理。**符号的推演与演化，从诞生那一刻起就存在着自身的内在极限。我们能通过死板符号推导出来的结论，或许只是庞大客观真理库中一个极其渺小的子集罢了。
正如爱达·勒夫蕾丝在百年前对巴贝奇分析机的精准预言：“它并没有试图创造任何东西的意图，它只能执行我们知道如何指令它去完成的任务。”
聪明的人类很快就意识到了，仅靠绝对理性的死板逻辑，拼凑不出真正的智能。面对这个充斥着噪音、残缺与不确定性的真实物理世界，人类不得不放下用严密逻辑裁决一切的傲慢，转而退而求其次去寻找另一种面对复杂性的方法——概率与随机理论。
话题：概率与随机智能
当符号主义在 20 世纪 80 年代末彻底撞上组合爆炸的高墙而步入寒冬时，另一群学者开始重新思考一个底层问题：人类真的永远依赖绝对严密的逻辑去认识世界吗？
答案显然是否定的。真实世界充斥着不完备的数据、突发的噪音与无处不在的不确定性。当你看向窗外乌云密布，断定“一会儿要下雨”时，你并没有在脑海里推演一套严密的符号公理体系，你只是在做一次根据经验进行不确定判断。
人类由此迈出了人工智能演化的第二步：从寻求绝对确定的符号推演，转向在不确定性中博弈与估算——这便是统计机器学习/概率与随机智能的时代。
统计智能的灵魂，源于那个古老而优雅的数学公式——贝叶斯公式。或许在几百年前托马斯·贝叶斯写下这个公式时，也未曾预料到这个简单的公式居然会成为几百年后的灵魂锚点。 在贝叶斯主义的视角下，智能不再是静态固定的逻辑死板，而是一个根据新获得的证据，不断修正与更新先验的动态过程。
利用贝叶斯公式，人们创造出了朴素贝叶斯分类器与贝叶斯网络：前者成为了早期垃圾邮件过滤领域的核心工具，后者则第一次让机器学会了在信息残缺和存在噪音的现实环境里，去推断各种不确定事件发生的概率。
随着数据量的增长与算力的提升，统计机器学习在神经网络反复诈尸与低迷的二十年里，搭建起了工业界最坚固的工程防线（这也是大学生在数学建模竞赛中最常拿来用的方法之一）。其中最璀璨的明星，当属决策树、随机森林与支持向量机（SVM）。
通过将概率分割流程化、计算信息增益，人们发明了决策树。这让机器学会了如何像经验丰富的面试官一样提问，将高维数据层层切割。为了防止单棵树过拟合，人们又发明了随机森林——通过集成学习，用成百上千棵树的组合投票，展现出了惊人的鲁棒性。
另一方面，人们利用优雅的“核技巧”，让 SVM 能够将低维空间中线性不可分的数据，巧妙地映射到高维甚至无限维的空间中，去寻找那个能将两类数据完美分隔的最佳超平面。
SVM 以其在数学几何上的绝对优雅与严密性，获得了当时超乎所有方法的分类准确率，彻底碾压了处于低谷期的神经网络。工程师们只需要定义好特征，向量机就能自动在几何空间里画出最优的分类边界。当时各大学术期刊上几乎全是对支持向量机的研究与优化，使得神经网络再次陷入寒冬，沦为了无人问津的路边一条。
然而，统计机器学习最大的隐患与讽刺，也恰恰藏在它的根基里——它所有的智能，都建立在相关性而非因果性之上。
这里有一个经典的笑话，当你调取一个沿海城市的数据时，会发现“冰淇淋的销量”与“溺水人数”呈现出极其强烈的正相关性。如果你把这个数据喂给统计机器学习模型，它会非常自信地得出预测：吃冰淇淋会导致溺水，为了减少溺水事故，我们应该禁止卖冰淇淋。
但任何一个人类小孩都知道这有多滑稽——真正背后的隐藏变量是“夏天的高温”。高温让更多的人买冰淇淋，同时也让更多的人下海游泳，从而导致了溺水人数的增加。
这个笑话的背后体现的，正是概率与统计学习的致命缺陷。统计机器学习只是一个“模式识别与相关性发现器”。它能在成千上万维的数据矩阵里捕获到人类肉眼根本察觉不到的统计关联，但它对这个物理世界背后的物理规律、逻辑因果与真实运作机制一无所知。
这些当时统治了工业界几十年的经典统计算法，算得上真正的智能吗？
某种意义上，它们确实摆脱了符号主义死板规则的束缚，学会了拥抱噪音与概率，但它们本质上，仍不过是高维几何空间里的函数拟合与统计插值。
它们极度依赖人类工程师的特征工程——机器本身并没有学会如何理解数据，人类必须先替机器把数据清洗好、挑选出最重要的特征（比如预测房价时，人类得手动挑出面积、采光、地段等特征），机器才负责在给定的特征空间里去算权重、找概率边界。
它们能预测冰淇淋和溺水同时发生，却永远无法理解因果，能在离散的统计图谱里给出精密的概率值，却依然没有产生真正意义上的感知与理解。
人类在这里，依然在扮演那个替机器看世界的角色。
为了摆脱这种繁重而死板的手工提特征过程，为了让机器能够自己学会从原始信号中提取抽象特征，那个曾经被冷落的神经网络再次诈尸，并重新冠以深度学习的名字，带着成百上千万张计算卡与庞大的向量空间，重新出现在了二十年后的今天。
话题：连接与学习智能
深度学习与强化学习并不是什么这些年才出现的新鲜玩意。要想真正看清今天深度学习与大模型狂潮的底色，我们就必须把视线拉回上个世纪，去看看神经网络这部堪称 AI 史上最惊心动魄、最跌宕起伏的反复诈尸史。
它不像符号主义那样曾顶着理性主义的神圣光环一统治就是几十年，也不像统计学习那样凭借严密的几何数学在工业界闷声发大财。神经网络的历史，是一部充满了狂热吹捧、冷酷斩首、死灰复燃、再次入土，最终靠着算力大力出奇迹彻底通灵的荒谬历史喜剧。
这一切的起点，可以追溯到 1943 年麦卡洛克与皮茨提出的 M-P 神经元模型。他们试图用极简的数学逻辑去模拟生物神经元的电信号阈值响应——输入加权求和，超过阈值便激活输出。到了 1958 年，弗兰克·罗森布拉特在 M-P 模型的基础上造出了感知机（用现在的深度视角来看，就是一个最简单的linear层而已）。这台用电子管与电线焊出来的机器，首次实现了通过梯度调整权重来学习分类。媒体与学界瞬间陷入了癫狂，《纽约时报》甚至发文宣称：“机器很快就能行走、说话、看懂世界，甚至意识到自身的存在。”
然而，狂欢并没有持续多久。
1969 年，符号主义领袖马文·明斯基与西摩尔·帕珀特出版了著名的《感知机一书。明斯基从数学上极其冷酷地证明了：单层感知机本质上只是一个线性分类器，它甚至连最简单的异或都无法表达。因为在二维平面上，你根本找不到一条直线，能把 (0,0) 与 (1,1) 归为一类，同时把 (0,1) 与 (1,0) 归为另一类。
明斯基的这一记重拳直接给感知机判了死刑。加上当时人们根本不知道该如何训练多层神经网络，原本狂热的资金与学术关注在一夜之间撤得干干净净。
神经网络迎来了历史上的第一次寒冬，直接被扔进棺材里盖上了盖子。可谓“出师未捷身先死”。
直到 20 世纪 80 年代，几位不信邪的异教徒站了出来。保罗·韦伯斯、杰弗里·辛顿（深度学习三巨头之一）、大卫·鲁梅哈特等人重新普及并完善了反向传播算法。结合非线性激活函数，人们终于找到了训练多层神经网络的数学钥匙！
既然单层切不出来非线性边界，那就叠加隐藏层。反向传播利用微积分里的链式法则，将输出层产生的误差逆向逐层传递，去精准修正每一个神经元的权重。这一突破让神经网络瞬间复活。人们兴奋地发现，只要加入隐藏层，网络就能轻松解决异或问题，甚至当时人们就可以可以证明**，只要两层感知机，理论上就可以以任意精度逼近任何连续函数——通用近似定理。**
但好景依然不长。到了 20 世纪 90 年代，随着网络层数的加深，致命的梯度消失与梯度爆炸问题开始显现：在反向传播的过程中，连续相乘的微小梯度会导致深层网络的权重根本无法得到更新。与此同时，正如我们在上文所提到的，以 SVM 为代表的经典统计机器学习横空出世。SVM 凭借优雅的核技巧和凸优化理论，不仅理论坚实、没有局部最优解的困扰，而且在小样本数据上的表现完爆了当时难调参、易过拟合的神经网络。
神经网络于是又重新落回了路边一条的尴尬境地，进入了长达十余年无人问津的第二次寒冬，陷入了甚至连投稿论文只要出现“Neural Network”字样都会被直接 Reject 的绝望岁月。可谓“出师未捷身又死”
你以为它彻底灰飞烟灭了？不，这只执拗的怪兽只是在等待一个属于它的时代。
历史最讽刺的地方就在于：决定一个思想命运的，往往不是算法本身的高下，而是外部算力环境与工程基础的变化。
虽然神经网络再次被丢进了历史的垃圾桶，但辛顿（就是前面的辛顿）、杨立昆（新闻里总是看到的吐槽meta的老杨）、本吉奥（这个比较低调）这几位被边缘化的异教徒依然在执拗的进行这神经网络的研究。他们默默做着三件事：用 ReLU 替代容易饱和的 Sigmoid 解决梯度消失，用 Dropout 打压过拟合，以及等待那个能支撑庞大矩阵运算的算力临界点。
2012 年，临界点爆发了。人们发现，游戏玩家们为了在电脑上流畅运行 3D 游戏而疯狂卷出来的显卡，其高度高度并行的架构，天生就是为了做海量高维矩阵乘法量身定做的！
当辛顿的学生 Alex 带着用两块普通的 NVIDIA GTX 580 显卡训练出来的 AlexNet，杀入 ImageNet 视觉大赛并以碾压第二名近 10 个百分点的恐怖优势夺冠时，那些研究了几十年特征提取、公式极其精美的传统计算机视觉专家们，在一夜之间发现自己的学术生涯被两块游戏显卡和几个简单的矩阵乘法彻底降维打击。
神经网络在此之后不仅重新活了过来，而且这一次，它披上了深度学习这件更加神秘、更具科幻色彩的战袍。它不再是一个连异或门都做不好的可笑模型，而是化身为吞噬海量数据与万卡集群的硅基巨兽。
从 CNN 的感知感知捕捉，到 Transformer 的全局关联，再到强化学习给它装上的决策引擎——人们不再问神经网络能不能做，而是震撼于只要算力足够大，它居然什么都能做。
至此，这只历经出师未捷身先死与出师未捷身又死的僵尸，终于在算力与数据的血肉堆叠中完成了终极复活，以一种近乎野蛮的大力出奇迹，强行撞开了通往 AGI 的大门….吗？
在这场连接主义的狂欢中，还有一个同样算不上新鲜、甚至显得有些粗鲁的幽灵——强化学习。
论理论优雅度，强化学习甚至逊于至少模型结构还是严密的深度学习。它的本质逻辑简陋得令人发指，甚至带有某种巴甫洛夫训狗式的机械教条：智能体在环境里盲目试错，做对了给一块“肉”（正奖励），做错了给一记“电击”（负惩罚）。
这种建立在马尔可夫决策过程上的套路，早在上世纪控制论与动态规划时代就已被研究烂了。
在很长一段时间里，强化学习几乎是不优雅与高成本的代名词。它的样本效率极低，为了学会摆动一下机械臂，它需要在模拟器里砸入上亿次死板的试错，稍有偏差就会陷入局部最优的怪圈。
但讽刺的是，恰恰是这个最不优雅的旧工具，在穿上了深度神经网络这件高维外衣后，变成了连接感知与决策的最后一把暴力硬锁。早期的强化学习受限于表达能力，只能在棋盘格这种穷尽可列的小状态空间里查表。然而，当它将深度学习吞下、演化出深度强化学习之后，神经网络担当了高维状态感知的奴隶，而强化学习则沦为一鞭鞭抽打神经网络的奴隶主。
从 AlphaGo 凭借自博弈碾压人类棋手，到大语言模型依靠 RLHF（基于人类反馈的强化学习）去驯服几千亿参数的狂野随机性，再到后来的 reasoning 大模型通过强化学习硬生生扭出思维链（CoT）逻辑——强化学习从来没有发明过什么优雅的哲学，它只是用极度粗暴的试错惩罚，在神经网络那几万亿个高维权重构成的混沌迷宫里，生生砸出了一条通往目标解的路径。
它不关心理解，也不关心美感。它只是用最原始的反馈机制，给这个庞大的模型拴上了绑上了一根不断收紧的狗链子。
为什么时代的发展现在走上了这条路？ 我认为，这是经典还原论在面对超高维复杂系统时的举旗投降。
自牛顿和笛卡尔以来，人类文明骄傲地建立了属于我们自己的理性秩序，我们相信世界是可以通过拆解来理解的，任何复杂的现象，最终都可以还原为几条极其简洁、优雅、可被人类大脑直觉所解析的基本物理公式与逻辑公理。我们沉溺于欧几里得几何的公理体系，沉溺于麦克斯韦方程组对电磁波的极简概括，并固执地认为——智能也必然以某种优雅且人类可读的形式存在。
但这不过是人类一厢情愿的美好愿望，是人类受限于自身狭隘认知带宽时所产生的技术傲慢。
我并不盲目崇拜优雅，也不会说“只有足够简洁优雅或是人类能够理解的事物才是尊贵的和有价值的”。宇宙和智能本就无需向人类的理解力低头。但反过来看，一个残酷的事实却是：
在人类文明的认知史里，那些真正被我们奉为尊贵和有价值的定理与思想，往往恰恰都是足够简洁优雅、或是能够被人类理性所完整把握的事物。
这种可理解性，曾是我们确认自身是万物之灵的唯一锚点。然而深度学习的崛起，彻底粉碎了这种文明自恋。或许深度学习可能不是真正的 AGI 的钥匙，但它至少宣告了一个极其冷酷的事实：智能，从来就不在人类理性能够直视的低维优雅区域。
为了捕获智能，我们不得不放弃对可解释性和逻辑优雅的执念，转而去拥抱那种自由生长出来的、庞大而臃肿的复杂系统。
还原论在这里走到了尽头，我们无法再把它拆解成任何几条形如 的优雅公理，只能眼睁睁看着它演化成一座人类无法直视的绝对形式化符号机器。 这不是理性的胜利，这是人类在复杂性面前的屈服。
我们总喜欢把深度学习的崛起视作连接主义对符号主义的绝地反击，并将二者视作水火不容的两面。
然而，运算实际上是可以被完全符号化和离散化的（加减乘除四则运算和数字可以完全建立在离散的集合论、极限理论和lambda演算之上，甚至现代语言的常量泛型就是这么做的）。
从理论上讲，任何一个神经网络都可以被无损地转移成一套巨大的、谁也看不懂的符号计算和推理系统。它本质上就是一座通过梯度下降暴力硬挤出来的、人类无法直视的绝对形式化符号机器。
写到这里，或许有人会质疑我自相矛盾：
我一方面在前面引用马克思主义辩证法，强调“量变引起质变”，认为智能是系统在复杂交互中涌现出的全新质态；另一方面，我却又极其残酷地用形式化逻辑将深度学习拆解，证明它与一套庞大冰冷的离散符号系统完全等同。
这矛盾吗？不，这恰恰揭示了现代深度学习最深刻的真相。
深度学习所展现出来的智能，本质上是一种弱涌现。它的高层级表现（写诗、推理、编程）确实呈现出了量变带来的质变假象，让人们以为它诞生了灵性，但如果剥开这层高维迷雾，你会发现它的底层完全无损地等同于一套巨大的代数符号系统，而且在数学逻辑上也确实可以做到这一点。
相比之下，对于人脑（哪怕不是人脑，而是只有几百个神经元的线虫神经结构），你都无法将其完全无损地等价映射到任何现有计算机上。深度学习所谓的质变，不过是人类在直视几万亿条高维交叉规则时所产生的惊叹与幻觉。
每一个矩阵乘法 ，每一个激活函数 ，在数学层面都可以被无损地翻译成巨大的离散符号推理规则。
梯度下降的本质，是为这个巨大的符号系统不断增添表达式。
旧符号主义（我们姑且这样称呼）之所以失败，是因为人类的大脑能力有限，只能手工写出几千几万条形如 IF (Bark AND Tail) THEN Dog 这种人类可读的粗糙符号；而深度学习通过梯度下降，在几千维的高维向量空间里，替我们写出了几万亿条形离散控制规则。
所以，深度学习并没有否定符号主义，它只是换了一种高纬方法，替人类写出了一套人类大脑根本无法解析、无法直观阅读的怪物级超级符号推理和演算系统。这难道不是一种更彻底、更终极的符号化吗？
Lean 4 等形式化语言，是绝对严密、不允许分毫歧义的绝对符号系统（基于变体 Lambda 算子与类型论）。在 Lean 4 里，一个复杂的数学定理证明，最终都会被展开放大成上百万行纯粹的推导符号。
当一个大语言模型攻克 IMO 难题或者各种千禧年难题时，它是怎么做的？几百几千个智能体在几千维的 Embedding 向量空间中搜索与演化，然后输出几百万行严密且晦涩的 Lean 4 格式符号代码。
这就形成了一个极其讽刺且壮观的超级符号闭环。
一个运行在离散图灵机上的神经网络（底层是代数符号系统），在几千维空间里进行高维矩阵映射（高维符号运算），最终输出了一长串几百万行人类根本读不懂、但机器能完美通过编译的形式化代码（绝对形式化符号系统）。
在这场逻辑游戏中，人类的物理直觉和理性理解被彻底剥离了。这场没有任何灵魂温度、却又完美无瑕的符号化游戏，已经走到它的终点了。
然而，我们大可不必为此过于沮丧。
倒不如说，这样一种技术的盛行，恰恰是人类在探索宇宙的过程中承认自身认知的局限，并尝试绕过复杂性去解决问题的一次极其稚嫩的尝试。
如果仅仅是因为看到了海量算力带来的暴力美学，就盲目地将《苦痛的教训》（The Bitter Lesson）这类文章尊为不可动摇的绝对真理，那就未免太小瞧人类文明真正的火种了。
人类逻辑其最深厚的根源，从来不在完成一件工程项目或解开一道试题本身，而存在于人类大脑对物理世界的深刻洞察之中。
阿基米德在浴缸溢水时悟出浮力定律，牛顿看到苹果坠落联想到天体引力，爱因斯坦通过想象自己骑在光速飞行的光子上而推演出狭义相对论——这些被后人尊为极致优雅的推导，其起点从来不是离散符号的自我组合，而是生物肉身在物理世界中通过视觉、触觉、重力和空间感知所沉淀出的终极直觉。
人类的逻辑之所以宝贵，是因为它是这种深刻物理洞察的凝缩产物。符号对于人类而言，只是思想传播的载体，而不是思想本身。
而这，不仅是深度学习难以跨越的致命缺陷，更是整套建立在符号主义上的理论与数学，在面对真实宇宙时所迎来的终极拷问。
Caution
你以为的模型的随机输出、生成的图像和视频的丰富多彩，其实全是通过随机数和概率生成器制造的假象。
在数学上，无论多庞大的深度学习模型（无论是千亿参数的 GPT-4，还是 Diffusion 扩散图像/视频模型），其推理过程的本质都是一个确定性的高维函数，而多样性全来自于人为注入的伪随机噪声或概率采样参数。
在真实的量子物理世界中，因为测不准原理和热力学熵增，拉普拉斯妖并不存在。但在深度学习的模型世界里，它不仅存在，而且是绝对的铁律。在你按下回车键的那一微秒，后一秒生成的第 100 个词、视频第 3 秒落在叶子上的那一滴雨滴，在数学物理意义上就已经被 100% 死死地冻结在未来了。模型后续的计算，只不过是在把这个在未来已经确定的答案，逐个字节地解压缩渲染出来给你看而已。
话题：具身智能
在经历了深度学习与大语言模型在虚拟符号世界里的狂欢后，人们满怀信心地下一个终极注脚投向了真实世界——具身智能。这也正是杨立昆放弃纯文本大模型路线，转而全力攻坚世界模型的核心原因。
人们总觉得，既然大模型已经学会了写诗、编程、甚至解开 IMO 难题，那么给它装上机械臂、摄像头和履带，让它在现实世界里帮人类打扫房间、剥花生、搬运货物，不过是一道顺理成章的工程微调题。
然而，现实却给所有人泼了一盆刺骨的冰水。
早在 20 世纪 80 年代，AI 先驱汉斯·莫拉维克就提出了著名的莫拉维克悖论。
让计算机在智力测试或下棋比赛中表现出成年人水平是相对容易的，但要让它具备一岁小孩级别的感知与动作敏捷度，却难如登天。
这是因为，下国际象棋或围棋，看似是人类智慧的巅峰，其底层不过是一个高阶离散符号系统。它的规则是封闭的，状态空间是可数的，每一个棋子的位置都坐落在绝对精确的网格里。
但“在桌上捡起一颗花生”呢？
这颗花生没有固定的三维形状，它的表面摩擦力随湿度微弱变化，在机械爪触碰它的千分之一秒内，它的质心会发生滑动，花生壳可能会在微小的应力下破裂。要完成捡起这个动作，大脑不仅需要处理海量的视觉流，更需要在极其微小的毫秒级时间尺度上，对关节力矩、触觉反馈和连续动力学进行实时闭环调控。
人类觉得下棋难，捡花生易，是因为我们的生物大脑在漫长的亿万年演化中，已经将极其庞大的神经网络硬件直接固化在了对物理世界的感知与运动控制上。
而计算机反从诞生之日起，就是一座为了处理抽象逻辑与离散符号而建的图灵机。它头脑简单，四肢瘫痪——一落到现实世界的泥泞里，就步履维艰。
在今天，很多人看到宇树机器人动作流畅地跳舞、后空翻，或者怎么被踢都摔不倒，便惊呼 AGI 即将降临。但这其实是控制工程与强化学习双管齐下，给大众制造的一种技术幻觉。
用八个字来形容现在的机器人技术，那就是——头脑简单，四肢发达。
机器人实际上并不是什么新鲜技术。二十年前波士顿动力就在研究机器狗与双足人形机器人。二十年过去，行业真正的突破在于运动小脑——通过强化学习，它们学会了更稳地奔跑、翻滚、甚至在复杂的野外地形爬楼梯。
然而，机器人的运动极限被推到了前所未有的高度，但它的通用大脑依然一片空白。
它能以极其优雅的姿态在复杂地形上飞奔，却无法像一个三岁小孩那样，自发地理解“把半杯水倒进水槽”这个动作背后的连续物理过程与常识。它能在舞台上表演完美的后空翻，却无法在一个未曾见过的房间里，自主找到一把剪刀并安全地递给你。
更荒诞的是，甚至连看似获得突破的运动小脑，也暴露了控制上的致命缺陷。
当机器人彻底失去平衡时，它只会在死板的求解器驱动下，死命地高频倒腾双腿连退十几米，直到重重摔倒在地，它永远不会像任何一个普通人那样，在失控瞬间顺势伸出手掌去撑一下墙壁，或者牺牲局部肢体来保护躯干。
因为“用手撑地”意味着支撑拓扑发生了质变，会导致非线性接触方程在离散计算里瞬间爆表和模型彻底的失效。没有物理直觉与实时感知和学习的能力，宁可在死循环里机械地重复蹬腿指令，也无法做出哪怕一丁点出于生物本能的灵活性判断。（哪怕你针对撑地专门的训练，也还有数不清的别的方式摔倒）。
现在的具身智能，本质上是用高超的力学控制工程，去包装一个极其死板的离散符号计算器。当大众把运动小脑的力学奇迹误认作大语言模型般的通用智能时，所谓的具身智能狂欢，在根本逻辑上就变成了一个伪命题。
当我们抱怨一个机器“不能动态学习”、在失去平衡时只会死命蹬腿却不知用手撑地时，我们本质上是在抱怨。
为什么我把一个死板的、脱离时间的数学代数方程丢进物理世界后，它不能像一个活生生存在于时间里的生物一样，自发地与物理世界融合改变自身？
这其中涉及了两个最高维度的绝望本质——“时间” 与 “自指”。
第一，是脱离物理真实的时间。
当我们在代码里写下 ，或者传入时间步 和 时，我们以为自己引入了时间。
但只要剥开这层数学伪装，就会发现那根本不是时间。这里的 与 ，不过是两个代数下标，是数组里第 个和第 个内存地址。它没有真正的不可逆性和物理历史与真实宇宙连续流动的物理深度。
第二，是符号系统无法突破的自指。
在图灵机的计算范式下，这样的系统根本没办法回过头来看自己。它的算法结构是死板固定的，它的损失函数和优化器被置于系统之外。机器人没有“自我”的物理与逻辑实体——它不能在运行的过程中，把“此时此刻正在失控的自己”当成观察对象去重新审查、重新定义规则。
Important
我认为，某种意义上，时间、自指，物理实体是同一种东西的一体两面。自指会导致逻辑系统递归爆炸，正是因为时间不存在，或者说“所有的变化都发生在了同一刻”从而导致了宇宙大爆炸式的系统崩溃。一旦引入了时间，自指就可以被分散到不同的时间轴上从而不会导致无穷递归，而时间，也正是因为物理实体的存在才真正有了意义。
举一个例子（虽然这个例子其实是在符号世界中），就如同JS引擎中的微队列任务，看似我们写下的是没有终止条件的递归的调用形式，但是这个调用并不会导致系统栈爆炸，这正是因为时间循环引入了时间的概念，每一次的调用都被放置在了未来的tick之中。
生物之所以能在摔倒瞬间自发伸出手掌撑地，是因为生物的肉体即是算法，它在时间的流动里具备自组织与自我审视的奇怪环路。它能感知到“自身的物理结构即将破损”，从而自发地做出牺牲局部、保全整体的决策。
而机器呢？它所有的“变”，不过是外部工程师写好的预设规则，它所有的“学”，不过是在静态的梯度空间里顺着算法优化权重。在符号与代数的死结里，系统无法自指，规则无法产生超越规则本身的生命力。
逻辑学中有一个经典的说谎者悖论：当一个人说“我正在说谎”时，系统陷入了直接的自指死结；或者像间接的相互指向——甲说“乙说的是真话”，而乙却说“甲说的是假话”。
在编程的世界里，这本质上就是自递归与相互调用的交叉递归。在离散的代码和图灵机范式下，只要没有外部预设的强制终止条件，这种自指一旦运行，就会瞬间让系统卡死在第 层与第 层的无限循环中，最终导致调用栈爆表。
代码害怕自指，因为符号系统只要试图“审视自己”或“相互审视”，就会沦为瘫痪的悖论，但生命却恰恰相反——生物的智能，正是建立在这种能够“回过头来看自己”的连续自指之上。
机器人之所以不会用手撑地，是因为它的控制代码根本不敢在运行时对自身进行这种深度自指。它只能顺着工程师给定的单向求解路径死板运行，直至砸向地面。
这根本不是算力够不够大、网络深不深的问题，这是离散计算范式与物理真实实在之间最深邃的本体论沟壑。
今天工业界和学术界有些人试图搞“动态架构”——让神经网络在运行时自发地增加节点、修剪分支，试图以此来实现真正的在线学习。这完全是在隔靴搔痒。在符号的世界里，你无法用一个死板的符号规则，去产生超越符号规则之外的真变化。规则内的“变”，不是真正的“生”，那只不过是在静态的符号迷宫里，从房间 A 走到了房间 B，而整座迷宫依然是绝对冰冷、脱离时间、无法回看自身的凝固实体。
或许，智能，不可计算？至少，在现在的数学与逻辑框架下，或许不可行？
Important
我无法严格的论证这件事，因为没有任何严格证据表明智能在计算与逻辑之外，但是同样也没有任何严格的证据表明在之内。
以下的讨论，基于我的这样一个归纳法：我无法证明智能无法被计算和逻辑实现，但在我们所认知的世界中，我们只在生物身上见到过真正的智能，对比生物与符号系统的区别，我得到了这么几个最根本的区别：时间、自指、物理实体，而这些正是逻辑世界与现实世界最大的区别之一，因此讨论这些是有意义的。
此外，我不认可“不能证明被无法被实现”就要承认“或许可能实现”。这在逻辑上是错误的，这类似于“罗素的茶壶”这样的逻辑问题，“不能证明被无法被实现”只代表未知本身，而不等同与承认“或许可能实现”。如果这种逻辑是通得，那我是不是也可以说“谁也无法证明上帝不存在，那么上帝或许确实存在”这样的荒谬推理呢？
话题：未来的智能？
根据前面的讨论，我们不得不将目光投向更深邃的底层——如果我们依靠的算力、神经网络和符号系统，从数学根基上就是受限的，那么我们究竟在期待一种怎样的“未来智能”？
这就迫使我们重新审视那个被现代技术狂欢所掩盖的终极命题：计算与逻辑的边界，到底在哪里？
路德维希·维特根斯坦在《逻辑哲学论》中，为人类的逻辑与符号世界画下了第一道绝对边界：“我的语言之限，即我的世界之限。”
在维特根斯坦看来，逻辑形式是图画式地图像化世界事实的工具。凡是能用逻辑命题表达的，都是可以清晰计算与描述的（可说的）；而那些关于生命、体验、价值、主观感受乃至宇宙真实存在的东西，都在逻辑与语言的图像之外（不可说的）。
从严密的数学逻辑上，哥德尔不完备定理进一步证明：在任何足够强大的自洽形式系统中，必然存在着既不能被证明、也不能被反驳的真命题，系统无法在内部完成自我完备。
更直白地说，任何完备的形式逻辑系统都无法完成自我审视（自指）。然而，自指恰恰是一个真正智能所不可或缺的核心能力——系统自指与自我重构的能力越强，它所展现出的智能才越高级。
如果说逻辑已经抛弃了大量不可说的存在，那么图灵机的计算又在逻辑的基础上进一步打了折扣——**计算能表达的事情，甚至比逻辑还要少得多。**因为图灵停机问题早就指出“存在着大量明确的问题，在有限步骤内根本是不可计算”。
正如维特根斯坦那句著名的总结：“凡是可以说的，都可以说清楚；对于不能说的，必须保持沉默。” 我在这里并不是在搞什么神秘主义或唯心论，而是想表达一个冷冰冰的事实：逻辑不是万能的，它有着极其陡峭的边界。在这些边界之外，存在着大量无法被公式形式化、无法被符号化的物理实在。
既然基于离散符号和传统图灵机范式的计算路径已经撞上了逻辑与计算的边界，那么未来的 AI 究竟会以怎样的形态才能突破死局？
真正的智能，绝不是简单增加参数或堆叠算力就能轻松理解和实现的。哪怕它真的能被创造出来，其运行的物理代价也绝非今天的通用计算架构所能承受，它必须走向完全专用的物理与硬件体系（如神经形态计算、甚至生物湿件）。
基于此，我可以推测未来的智能几乎肯定具备以下三个根本特征：
-
必须具备物理结构的变化能力与实体感知能力。因为只有真实绑定在物理世界中的物理结构，才拥有真正意义上的“时间”，才能在与物理世界的撞击中获得体感直觉。
-
必须具备自我修正与自我重构的自指能力。它不能是一个肉体与算法强行剥离的死板模型，而必须能够在时间的流逝中，回过头来审视自身的局限，并自发地改变自身的物理与逻辑拓扑。
-
绝不是在海量离散数据中死板灌输出来的 。真正的智能既非预设，也非穷举，而是在与环境的连续交互中自发生长出来的——它能够凭极少的样本，瞬间生成极其强大且灵活的物理泛化能力。
题外话：现代神经科学下的大脑
在抛弃了离散符号与图灵机的幻想后，我们必然要回过头看自然界唯一的成功范例——生物大脑。然而，越深入现代神经科学，就越会感到一种深深的无力感：我们今天高呼的人工神经网络，在真正的生物大脑面前，不过是一场极其拙劣的无形模仿。
生物大脑从来不是什么优雅的数学算法，它是数亿年随机演化与修修补补堆叠出来的“绝对屎山代码”。
如果把人类工程师的软件设计原则——高内聚、低耦合、优雅架构——带入生物学，你会发现生物体简直是一堆惨不忍睹的屎山代码。进化没有重构的概念，它无法按下 Delete 键重头来过，只能在数亿年前留下的遗留代码上层层叠加补丁。
最经典的例子莫过于脊椎动物的视网膜设计。如果让任何一个大一的硬件工程师来设计相机图像传感器，他都知道要把光电感光元件（感光细胞）放在最外层，把传输信号的导线（神经纤维）放在背后。但脊椎动物的眼睛却完全装反了——我们的视网膜是“倒装的。我们的感光细胞被埋在了最底层，光线必须穿过血管、神经节细胞和双极细胞组成的“布线层”，才能撞击到感光细胞。这就好比你在摄像头镜头前罩了一层密密麻麻的半透明导线。
为了凿洞出线，让神经最终聚集在一起穿透视网膜连回大脑，就形成了在视网膜上开了个大洞，形成了一个毫无感光能力的生理盲点。为了不让你看到眼前的两个大黑洞，大脑后端的视觉皮层不得不耗费巨大的算力，时刻依靠周围的图像数据进行插值填充和自动补图——这本质上就是硬件设计出了严重漏洞，不得不写了一套极其复杂的软件补丁去欺骗主观感知。
相比之下，软体动物（如章鱼）的眼睛则是正向装配的，神经线乖乖呆在感光细胞后面，既没有盲点，也不需要额外的图像插值算法。然而讽刺的是，人类大脑它能在这套破烂的硬件架构上，凭空跑出远超章鱼的视觉感知能力。
Tip
除了视网膜，生物体身上还充斥着各种因“历史遗留代码”导致的荒谬结构
长颈鹿的喉返神经原本只需下移几厘米就能到达咽喉。但因为早期鱼类祖先的血管架构限制，这根神经必须向下穿过胸腔，绕过心脏附近的大动脉，再折返回喉部。在长颈鹿身上，这导致了一根本只需几厘米的神经，硬生生绕行了长达 4 到 5 米 的弯路。
人类咽喉处的气管与食道竟然共享同一个入口！这种缺乏物理隔离的架构，导致人类成为少数极其容易被食物噎死的哺乳动物。然而进化没有重新设计独立的呼吸管道，而是挂载了“吞咽时下咽盖（会厌软骨）自动闭合”这种屎山补丁。
然而，生物最震撼人心的优雅也恰恰隐藏于此：它是一座屎山，却又是一座能够完美运行的绝妙杰作。
它没有优雅的代码规范，却能在充满物理噪声、硬件缺陷和突发损伤的真实世界里，展现出远超任何优雅 AI 模型的鲁棒性自愈力。它不追求极简的数学形式，它只追求“在生存的压力下，能跑通就行”。
在人工智能领域，研究者们总是希望找到一种优雅的万能学习算法——有的执着于反向传播的监督学习，有的将希望寄托于强化学习，还有人宣称自监督预训练才是通向通用智能的唯一解，甚至为此吵得不可开交。
然而，站在现代神经科学的视角来看，这种试图用单一算法统一智能的设想，不仅幼稚，而且完全背离了生物实在。
大脑的学习方式，绝不是单一的监督、自监督或强化学习，而是一整套多范式、多尺度协同的异构学习网络。
大脑不是一个拥有统一全局 Loss 函数的单一网络，而是一个高度分布式、多层次的“网络的网络”。在这座宏大的生化网络里，不同的脑区根据其物理结构与神经递质环境，各自运行着截然不同的学习范式。
- 小脑内部有着高度规则、阵列式的网状神经结构（蒲肯野细胞）。它通过接收来自攀缘纤维的实时误差信号，进行毫秒级别的精准运动校正。这本质上就是一套基于高频误差反馈的“生物监督学习”，确保你拿杯子时手不会抖。
- 基底核与纹状体负责生物体内最精妙的奖励机制。当大脑做出决策并获得超越预期的物理刺激时，腹侧盖膜区会释放多巴胺，产生“奖励预测误差”。这在数学表达上与强化学习算法如出一辙——它负责管束你的欲望、习惯与动作选择。
-
庞大的新皮层是一个巨大的“预测机器”。它不断根据上文和环境输入，自顶向下地预测下一毫秒的感官信号。不需要人类标注数据，它在与环境的连续交互中进行“自监督预测”，自发提炼出对这个物理世界的抽象世界模型。
-
最让现在的AI技术望尘莫及的，就是海马体可以用极其稀疏的神经元，凭单个样本瞬间记住刚刚发生的一件事，并在夜间睡眠时，将这些记忆缓缓回放并整合到新皮层中。
相比之下，我们今天搞的大模型或纯粹的 RL 智能体，就像是试图只用新皮层或只用基底核去硬撑整个智能系统。
这种对自然造物的傲慢，在现代神经科学中演变成了极其搞笑的一幕：人类已经能够拼凑出果蝇全脑的数万个神经元、数千万个突触连接的完整图谱，甚至能拿着这个图谱捏造一个网络来跑强化学习，让果蝇看起来在跳舞、弹琴，但我们却依然搞不懂一个最简单神经元内部的动态工作机制。
在人工神经网络的算子设计里，神经元被极度简化为一个冰冷死板的数学公式：加权求和，然后过一个激活函数（）。在这种计算假设下，神经元只是一个无记忆、无状态、只做线性拟合的管道节点。
然而，生物学事实却狠狠地打了这种“工程简化论”一巴掌。
单个生物神经元，本质上是一座包含着复杂非线性动力学的微型生化计算机。
经元的树突不是死板的信号传输线。树突树上的每一个分支，都在独立进行复杂的局部非线性逻辑运算。单个神经元在接收成千上万个突触信号时，就已经在树突分支内部完成了高维信息的预处理，各种侧抑制、自抑制、自激活结构和原理远超人类的理解能力。
一个突触到底会不会触发？什么时候激活？在今天其决定条件至今仍是神经科学未解的谜团。它不仅受前膜与后膜电位差的影响，还与局部钙离子浓度、神经递质释放的随机概率、受体变构、乃至邻近星形胶质细胞的生化调控交织在一起。
我们看清了果蝇大脑的每一根网线走线，就以为自己掌握了神经科学的秘密。但这就好比拿着一张 CPU 内部所有晶体管的电路拓扑图，却因为根本不懂量子力学与半导体物理，而完全无法预测电流通过晶体管时会产生什么逻辑计算。
人工神经网络以为自己在模仿大脑，但实际上，它只是用极其粗暴的标量乘法，去套用了一个它根本尚未理解的、蕴含着量子与生化混沌的连续物理系统。
神经科学实验展现出了一个更加无可争议的真相。
架构靠基因硬编码，而具体细节与功能重构，完全依赖于在物理真实世界中的连续交互。
基因组存储的信息量极其有限（人类基因组只有约 7.5 亿字节，甚至装不下一次大模型的权重文件），它根本不可能存下万亿级突触的具体连接参数。基因只做了一件事——在胚胎发育期绘制出一份宏观的拓扑骨架与细胞自组织规则。
至于视觉皮层如何分层、运动系统如何精准控制重力和摩擦力，全靠出生后幼体在真实物理世界里的摸爬滚打。经典的神经科学实验（如盲猫视觉剥夺实验）早已证明：如果刚出生的幼体缺乏与光的动态交互，即便基因架构再完美，其视觉皮层也会永久性萎缩坏死。
没有环境交互的发育，智能根本无从谈起。
为了向生物大脑的这种时空动态机制靠拢，工程界提出了脉冲神经网络与神经形态芯片。然而，今天的 SNN 充其量不过是一场有形无神的拙劣模仿。
工程师们以为只要把传统神经网络里连续的激活标量，换成时间轴上离散的脉冲点，再配上类似于 STDP（脉冲时序依赖可塑性）的局部规则，就能获得生物大脑的低功耗与高智能。
但这种模仿抛弃了生物系统中最灵魂的东西，只模仿到了外形，却完全丢弃了其中的核心。没有与环境的交互与动态重塑自身的能力，用这种方式相比深度学习而言并不能获得什么智能上的突破，或许脉冲神经网络可以用更小的能耗来实现同样的功能，但并不意味着改为脉冲的形式就能获得更强的学习能力。
写到这里，或许会有不少人带着技术乐观主义的轻蔑，用那句早已被说烂的老生常谈来反驳。
“智能不一定非要走人类大脑的结构——正如飞机不需要像鸟一样挥动翅膀也能飞向蓝道，潜艇不需要像鱼一样甩动尾巴也能潜入深海。”
这句话听起来极其深刻，甚至被无数 AI 讲座与论文奉为圭臬。然而，只要仔细剥开这层修辞的伪装，就会发现这是一个极其低级的概念偷换。
飞机确实不需要挥动翅膀，但那是因为飞翔是一个明确、封闭、且纯粹的物理力学目标——升力大于重力，推力大于阻力。 人类只要掌握了流体动力学与伯努利原理，完全可以用坚硬的金属固定翼去替代鸟类柔韧的羽毛。
但智能根本不是飞翔这种单一的物理任务。
那些高喊“AI 不需要像大脑”的人，完全无视了一个最基本的逻辑事实：我们今天所讨论的“思维”、“理解”、“泛化”、“自指”以及“与物理世界交互的体感”，其在宇宙中唯一的物理存在证明，恰恰就是生物大脑本身！
你可以在离散的代码迷宫里创造出超越人类的计算速度，正如你可以制造出跑得比豹子还快的汽车，你可以在海量文本中拟合出极度拟真的语言概率分布，正如你可以制造出一台能精准重放交响乐的唱片机。
但跑得快的汽车从来不是飞翔的鸟，高保真的唱片机也从来没有听懂音乐。
把离散符号的概率拟合误认作不需要脑结构的另一种智能，就好比造出了一台威力巨大的蒸汽机，然后指着滚滚浓烟宣布：“看，这就是不需要蛋白质与基因的另一种生命！”
抛弃人类大脑的生化结构绝非不可，人类也从来没有固执地要求 AI 必须长出神经元与离子通道。
但你不能在抛弃了生物大脑硬件的同时，连同智能所赖以存在的根基——连续的物理时间、热力学熵增的不可逆性、肉体即算法的实体自指、以及与真实世界的连续力学撞击——也一并抛弃
当现代 AI 试图在一个没有物理时间、无法逻辑自指、被剥离了连续物理实在的离散图灵机迷宫里，去寻找所谓超越人脑的绝对智能时，再怎样的智能也只能停留在“好用的工具”的层面，而远达不到所谓的通用人工智能。
鸟不需要像飞机那样消耗航空煤油，但它们都在同一片大气的重力场里翱翔，需要遵循同样的空气动力学设计， AI 可以不走人类大脑的具体生化路径，但它若想获得真正的智能，就无法逃逸出这个宇宙最底层的物理本体与逻辑铁律。