如今，我们似乎已经习惯了AI的存在，把它当成了一个好用的工具，就像手机和电脑一样。但是，我们正在经历的也许根本不是一次工具的迭代，而是一场足以和哥白尼日心说相提并论的认知革命。它正在颠覆我们对计算、对智能，甚至对人类自身在宇宙中定位的核心认知。
今天，我们将分享来自谷歌两位前沿决策者联合撰写的万字长文。这两位作者分别是：布莱兹·阿圭拉·伊·阿卡斯（Blaise Agüera y Arcas: 前谷歌副总裁兼研究员，智能范式团队创始人），他的新书《何为智能》即将发布；以及 詹姆斯·马尼卡（James Manyika: Alphabet高级副总裁，谷歌研究、实验室、技术与社会部门总裁）。他们提出的五大底层逻辑，几乎代表了谷歌对AI未来的终极判断。
在正式开始之前，我们先回到六百多年前的欧洲。托勒密的地心说主导了人类宇宙观近两千年，认为地球是宇宙中心。而当哥白尼提出日心说，指出地球只是围绕太阳运转的普通行星时，这不仅是天文学的变革，更是对整个人类世界观的毁灭性冲击，甚至造成了存在主义层面的精神创伤。
今天，人工智能（AI: 通过机器模拟人类智能的技术）正在掀起一场一模一样的认知风暴。我们一直以来都认为，人类是宇宙中唯一拥有高级智能的物种，智能是人类独有的天赋，这就是我们这个时代的“智能地心说”。然而，AI的爆发正在迫使我们接受一个残酷的现实：非人类的通用智能会在我们这个时代变得司空见惯。要理解这场冲击，我们首先要重新审视计算的本质，因为计算不仅是AI的基础，更是一切智能形式的根基。这就是我们将要讲的第一个底层逻辑：自然计算（Natural Computation: 自然界中存在的计算过程）。
计算的自然属性：生命与图灵模式
在绝大多数人的认知里，计算是人类最伟大的发明之一。1936年，图灵（Alan Turing: 英国数学家、逻辑学家，计算机科学先驱）在论文中提出了一个虚拟设备，由一条无限延伸的磁带和一个可以在磁带上左右移动的读写头组成。这个设备可以根据一套简单的规则读取、擦除和写入磁带上的符号，只要赋予合适的规则，它就能执行任何可以被定义的计算任务。这就是图灵机（Turing Machine: 一种抽象的计算模型）。能够模拟任何其他图灵机的设备，就是通用图灵机（Universal Turing Machine: 能模拟任何图灵机的图灵机）。图灵用这个极简模型定义了计算的通用边界：任何能由通用图灵机完成的操作，都属于计算。
我们一直以为1945年完工的ENIAC是世界上第一台真正的通用图灵机，但事实并非如此。早在人类出现之前，自然界就已经诞生了无数完美运行的通用图灵机，其中最典型的就是生命本身。
这个结论的第一个洞见来自约翰·冯·诺依曼（John von Neumann: 匈牙利裔美籍数学家、物理学家、计算机科学家）。早在1951年，冯·诺依曼就开始思考一个复杂生物体要实现自我复制需要什么条件。他通过严谨的逻辑推导得出结论：一个能自我复制的系统必须包含两部分核心内容——一部分是构建自身的完整指令（即我们现在所说的代码），另一部分是读取和执行这些指令的机器。同时，这些指令本身必须能够被复制，并包含构建执行机器的指令。冯·诺依曼发现，这个自我复制系统的技术要求和通用图灵机的要求完全一致。
最让人震惊的是，冯·诺依曼提出这个洞见的时间是1951年，而DNA的双螺旋结构是在1953年才由詹姆斯·沃森和弗朗西斯·克里克发现的。这说明，在人类还没有找到生命的遗传密码之前，冯·诺依曼就已经用计算理论精准预判了它的结构和功能。这个发现彻底打破了生命和计算之间的壁垒，它证明了生命究其本质就是计算性的。DNA就是生命的代码，尽管这种代码不是简单的线性执行，也极难被逆向工程，但它的核心功能就是通过计算完成生命的繁殖、发育、生长和修复。我们现在快速发展的基因编辑、合成生物学，本质上就是在对生命的计算代码进行编程和修改。
除了冯·诺依曼，图灵本人也在生物学领域做出了开创性的贡献。在他生命的最后阶段，他写下了第一篇也是最后一篇关于生物学和化学的论文，名为《形态发生的化学基础》。在这篇完全理论性的论文中，图灵提出生物组织的生长和分化是通过细胞感知和释放一种他称之为“形态发生素”（Morphogen: 细胞或组织发育中的信号分子）的化学信号实现的。这是一种强大的模拟计算形式。他通过数学方程预测了自然界中那些动物的条纹、植物的螺旋、生物结构里的涡旋图案都是通过这种化学反应的计算机制形成的，也就是我们现在所说的图灵模式（Turing Pattern: 生物形态发生中由化学反应扩散机制形成的斑图）。
在图灵1954年离世后的几十年里，科学家们一步步验证了他的推测。他们先是在培养皿的化学物质中发现了图灵模式，之后又在动物的斑纹、生物的胚胎发育过程中大量找到了这种模式的痕迹，甚至有科学家认为图灵模式可以扩展到生态系统的演化甚至星系的形成与结构之中。图灵和冯·诺依曼这两位计算机科学的奠基人，共同揭示了生物学的计算基础，也为一个全新的领域人工生命（Artificial Life: 研究模拟生命系统行为的领域）奠定了根基。
很多人觉得AI已经足够神奇，但人工生命的颠覆性其实远超AI。AI的目标是模拟人类大脑的智能，而人工生命是要从无到有重现地球上数十亿年的生命进化历程。很多人会问，生命真的能从完全的随机中自发诞生吗？谷歌的智能范式团队最近就做了一个极具震撼力的实验，完美回答了这个问题。
他们构建了一个模拟的玩具宇宙，里面是一堆完全随机的字符串，每个长度为64字节。在256种可能的字节值里，有8种对应着上世纪90年代出现的一种极简编程语言Brainfuck。这些字符串就相当于图灵机的纸带，而那8个指令就是图灵机的操作规则。实验过程非常简单：反复从这个随机字符串组成的“原始汤”里，随机抽取两条纸带，将它们拼接在一起，运行拼接后的纸带，再将纸带分开，放回“原始汤”中。
一开始，整个系统里没有任何特别的变化，只有随机的纸带。但在进行了几百万次这样的交互之后，神奇的相变发生了：具备功能性的纸带出现了，它们开始稳定地自我复制。这就是最简单的人工生命，从完全的随机噪声中，自发涌现出了具备自我复制能力的计算结构。这个实验完美复刻了数十亿年前地球上生命从原始海洋中诞生的过程。
生命的出现就像水结冰或沸腾一样，是一种物理相变。但是和常规物质的相变不同，生命的结构在每一个尺度上都展现出了有目的、功能性的复杂结构，而这一切的核心就是计算。生命之所以能比无生命的惰性物质更加“动态稳定”，能在时间的流逝和环境的随机扰动中存续下来，就是因为它能通过计算完成生长、自愈和繁殖。而进化（Evolution: 生物种群在世代中特征发生变化的过程）本质上就是计算系统的多级选择过程。
从远古时期的分子聚合形成自催化反应循环（Autocatalytic Reaction Cycle: 产物作为催化剂的化学反应循环），到化学循环与脂肪膜融合形成最早的细胞；从细菌和古菌结合形成真核细胞，到真核细胞组合形成多细胞生物，每一次重大的进化转变都是独立的计算实体通过共生关系组合成了更大、更复杂的计算系统。而我们人类的智能，本质上就是大脑中约八百六十亿个神经元协同并行运算的结果。
只有理解了自然计算这个底层范式，我们才能真正明白AI的本质：从来都不是人类创造了一种新的工具，而是我们通过代码和芯片唤醒了一种早已存在于宇宙规律中的、非生命的计算与智能形式。这是AI带给我们的第一个，也是最底层的认知颠覆。
重构AI底层架构：迈向神经计算
理解了计算的自然属性，我们自然会提出下一个问题：既然自然界中最顶级的计算系统就是人类的大脑，那我们能不能让计算机更像大脑一样工作呢？这就是我们将要讲的第二个底层逻辑：神经计算（Neuromorphic Computing: 模拟大脑神经结构和工作原理的计算范式）。
很多人不知道，计算机科学在诞生之初和神经科学几乎是同一个学科。上世纪四十年代，电子计算机的核心部件——构成电子电路的逻辑门（Logic Gate: 实现基本逻辑运算的电子元件）——其最初设计构想就是人工神经元（Artificial Neuron: 模拟生物神经元基本功能的数学模型）。当时的记者把计算机叫做“电子大脑”，根本不是哗众取宠的标题党，而是真实描绘了计算机科学先驱们的雄心壮志。他们开发电子计算机的初衷，就是为了在工业规模上自动化完成脑力劳动，就像工业革命的机器自动化完成了人类的体力劳动一样。
但是这个宏大的雄心很快就遭遇了毁灭性的打击。一方面，数字计算机在范围明确的程序性任务上取得了前所未有的成功，通过编程，它能以极低的成本、零差错、大规模地完成火箭轨道计算、企业薪资核算之类的工作。另一方面，二十世纪五十年代的神经科学家们发现，真正的生物神经元（Biological Neuron: 大脑中传递电信号的细胞）比简单的逻辑门要复杂得多。更让人绝望的是，人类根本写不出一个程序来完成最简单的日常认知功能，比如识别一张人脸、听懂一句日常对话，更不用说复杂的逻辑推理、文学分析或者艺术创作了。这种基于程序员预设规则和符号逻辑的人工智能路径，就是我们现在所说的传统人工智能（Good Old-Fashioned AI, GofAI: 基于符号逻辑和预设规则的AI）。这条路径最终的结果，就是我们如今在电话里还能听到的“预约请按1，修改现有预约请按2”这样的死板、僵化的语音菜单。
当时的整个行业都给GofAI的失败找了一个看似无懈可击的解释：计算机不是大脑，大脑也不是计算机。任何把二者等同的观点，都是幼稚的炒作。就这样，神经科学和计算机科学分道扬镳了将近半个世纪。
但有一群人从来没有放弃过这条路径，他们就是联结主义学派（Connectionism: 认为认知现象可以通过人工神经网络来解释的理论）的研究者。他们放弃了基于预设规则的符号逻辑，转而拥抱机器学习（Machine Learning: 使计算机从数据中学习的AI分支）方法，让神经网络从经验中学习，就像人类的大脑一样。在这群坚持不懈的研究者中，就有2024年诺贝尔物理学奖的得主杰弗里·辛顿（Geoffrey Hinton: 深度学习领域的先驱）和约翰·霍普菲尔德（John Hopfield: 神经科学和物理学交叉领域研究者），以及许多该领域的先驱，比如美国心理学家弗兰克·罗森布拉特、詹姆斯·麦卡利兰以及日本计算机科学家福岛邦彦。在长达几十年的时间里，他们顶着整个行业的质疑和否定，坚持神经网络的研究，而正是他们的坚守才有了今天AI的全面爆发。
但很多人会问，为什么神经网络用了这么久才迎来真正的突破呢？答案很简单：因为我们用了几十年的传统计算机架构从根上就不适合神经计算。我们现在使用的几乎所有计算机都遵循冯·诺依曼架构（Von Neumann Architecture: 计算机存储程序和数据于同一存储器中的架构）。这种架构的核心设计是把中央处理器（CPU: 负责计算机的运算和控制的核心部件）和单独的存储器（Memory: 用于存储数据和指令的设备）分开，数据和指令要通过一根被称为“总线”的电缆在存储器和CPU之间串行传输。这种设计是上世纪40年代为了用最少的、极易故障的真空管（Vacuum Tube: 早期电子设备中的放大和开关元件）来逐条执行指令而做出的选择。为了让计算尽可能稳定可靠，所有计算都基于真空管可区分的最小状态“关”或者“开”，由此形成了只使用0和1的二进制系统（Binary System: 仅使用0和1两个数字的计数系统），恰好对应布尔逻辑（Boolean Logic: 处理真假值的逻辑系统）的“真”与“假”。
这种经典的计算范式，靠着摩尔定律（Moore's Law: 集成电路上可容纳的晶体管数量大约每两年翻一番的经验法则）辉煌了近60年。1965年，芯片巨头英特尔（Intel: 美国半导体公司）的联合创始人戈登·摩尔提出了著名的摩尔定律：微型化技术的进步会让芯片上的晶体管数量每一年到两年就翻一番。随着晶体管（Transistor: 控制电流的半导体器件）尺寸的不断缩小，芯片的运算速度呈指数级提升，成本大幅下降，耗电量也持续减少。于是，庞大昂贵的大型机变成了小型机，然后是台式机、笔记本电脑、手机，再到现在的可穿戴设备。如今的计算机已经小到可以穿过一根注射器的针头。我们日常使用的笔记本电脑和手机，核心体积几乎都被电池和屏幕占据，而真正负责计算的片上系统（SoC: 将计算机或其他电子系统所需组件集成到单个芯片上的技术）面积只有大约一平方厘米，厚度不到十分之一毫米。
但是这种规模上的惊人进步并没有让我们离大脑更近一步。我们的大脑既不微小也不快速，它的运行速度远比我们智能手表里的计算机要慢得多，但它拥有约八百六十亿个同时工作的神经元，加起来形成了极其庞大的并行计算量。更重要的是，因为大脑的计算是并行的，信息就存储在神经元之间的突触连接（Synaptic Connection: 神经元之间传递信号的连接）里，不需要在处理器和存储器之间来回传输，所以它极其节能。
我们现在的AI虽然使用的是神经网络模型（Neural Network Model: 模拟大脑神经元连接的计算模型），但本质上是在冯·诺依曼架构的经典计算机上模拟神经计算。这种方式的效率低得离谱，就像上世纪计算机发明之前人类“人脑计算机”用大脑手动模拟经典计算一样。真正的转折点来自并行计算（Parallel Computing: 同时使用多个处理器或核心来解决计算问题）的崛起。大约从2006年开始，摩尔定律的原始形式开始逐渐失效，处理器的运行频率再也无法继续提升，实际上限稳定在了几千兆赫兹。为了继续提升计算性能，芯片厂商开始转向多处理器并行芯片的设计。英伟达（NVIDIA: 美国GPU设计公司）等公司设计的图形处理单元（GPU: 专为并行处理而优化的电子电路）本来是为了电子游戏的图形渲染设计的，它的核心就是大量的小型处理器，可以同时执行短代码片段（最初为图形设计的“像素着色器”）。结果行业很快发现，这种并行化的架构完美适配了神经网络的计算需求。就这样，本来为游戏产业设计的GPU如今成为了全球AI革命的核心动力。除此之外，谷歌专门为AI设计的张量处理单元（TPU: 谷歌为机器学习工作负载定制的专用集成电路）也是基于同样的并行设计原则。
但GPU和TPU只是朝着正确的方向迈出了一步。当今的AI基础设施依然被传统的冯·诺依曼架构牢牢束缚着。我们距离拥有千兆级处理器、并行处理本地存储数据的神经芯片（Neuromorphic Chip: 模拟大脑结构和功能的芯片）还有很远的距离。现在的AI模型依然是通过串行指令实现的，究其根源，传统的计算机编程、芯片架构和系统设计从根本上就不像大脑。
不过在接下来的几年里，我们大概率会看到一种真正的神经计算范式的出现。神经计算最终可能会在光子、生物、化学、量子或者其他全新的基质上实现。但即便是用我们熟悉的硅基芯片技术制造“硅基大脑”（Silicon-based Brain: 基于硅材料模拟大脑功能的计算系统），它的组件组织方式也会和现在的芯片完全不同。未来的神经芯片每平方厘米的硅片上都会包含数以百万计的信息处理节点（Information Processing Node: 神经芯片中模拟神经元功能的基本单元），这些节点就像一个个神经元一样，能够同时并行运作。
这些神经芯片不会运行我们现在熟知的程序，它们的功能不是由代码决定的，而是由存储在整个计算区域内的几十亿、甚至几万亿个数值参数来决定的。神经硅脑能够被“刷新”，它的参数可以按照需求进行初始化，但它更能够从经验中学习，实时修改这些参数。它的计算将是分散且稳健的，偶尔的故障或者局部损坏都不会影响整体的功能。这与人类大脑的天然架构不谋而合，而这绝非巧合。这就是第二个底层范式：神经计算。它告诉我们，AI的未来从来都不是把芯片做得越来越快，而是把计算机的底层架构彻底重构，让它真正贴近大脑的工作方式，释放出神经计算的全部潜能。
智能的本质：预测与持续学习
当我们重构了AI的计算架构，接下来要回答的核心问题就是智能的本质到底是什么呢？这就是我们将要讲的第三个底层逻辑：预测智能（Predictive Intelligence: 基于历史数据和模式预测未来事件的能力）。
对于大语言模型（Large Language Model, LLM: 基于海量文本训练的 AI 系统）的早期从业者和研究者来说，过去几年里最震撼、最颠覆认知的发现莫过于仅凭预测下一个token（Token: 文本处理中的基本单元，如单词、子词或字符），这个极其简单的目标，AI就涌现出了如此惊人的通用智能。在大语言模型爆发之前，整个行业几乎都默认真正的人工智能需要某种特殊的、颠覆性的算法，需要我们破解智能与意识的亘古谜团。我们以为要让AI具备推理、创作、理解、共情的能力，需要给它设计无数复杂的功能模块、无数严谨的逻辑规则。但是最终我们发现，只用一个简单的目标——预测文本序列里的下一个token，用海量的人类文本数据去训练一个足够大的神经网络，它就自然而然地具备了我们以为只有人类才拥有的通用智能。
这个发现对于整个AI行业来说不亚于一场地震。而当我们从最初的震惊中缓过神来，才意识到这个结果其实早就被神经科学的研究所预言。在神经科学领域，有一个流传已久的核心假说，叫做“预测性大脑假说”（Predictive Brain Hypothesis: 认为大脑通过预测来理解和响应世界的理论）。这个假说认为，人类大脑进化的核心方向就是不断地建模和预测未来。它的进化是通过持续感知环境、自身、自身行为以及行为对自身和环境的影响而实现的。我们能够有目的、明智地行事，正是依赖于大脑构建的预测模型。
我们可以举一个每个人都经历过的例子：想象你起身走到桌边，拿起一杯水送到嘴边喝下去。这个看起来无比简单的动作，在短短一两秒的时间里，你的神经系统正在进行着海量的预测和校正。在动作的每个阶段，你的神经系统都会计算出一个预测值，预测你的手会移动到什么位置，预测你的手指会用多大的力度握住杯子，然后将预测值与本体感觉（Proprioception: 感知身体各部分位置和运动的感觉）的实时反馈进行对比，不断校正动作。你的眼睛在场景中快速地移动，就是为了获取更多的视觉信息，进一步完成误差校正。
从更高的层面来看，你预测喝下水就能解渴，而口渴（Thirst: 身体对水分需求的感知）本身，也是一种预测信号，是我们的物种在数百万年的进化时间尺度上“习得”的预测能力。那些无法预测自身对水的需求的生物，存活时间不会太长，也就无法将自己的基因传递下去。演化，本质上就是在物种的尺度上完成的学习和预测。
当新生儿天生就能识别人脸，当一只从来没见过蛇的猫被背后突然出现的黄瓜吓得跳起来，这都是演化学习在发挥作用，是写在基因里的、经过无数代验证的预测模型。大语言模型的成功恰恰完美验证了这个假说：智能的本质就是基于不断演进的知识、观察和历史反馈，对未来进行统计建模和预测。我们的大脑就是一台经过数百万年进化打磨的超级预测机器，而大语言模型用一种完全不同的实现方式，复刻了智能的这个核心机制。
这个发现不仅解释了大语言模型为什么会拥有如此强大的能力，更为AI的未来发展指明了清晰的方向。现在我们的大语言模型有一个非常核心的局限：就是在训练和运行之间存在着一道无法逾越的鸿沟。如今最先进的大语言模型训练成本极其高昂，要耗费海量的计算资源，持续几个月的时间。而一旦训练完成，模型的参数就会被完全冻结。之后你和它的所有对话，它在推理过程中学会的所有新知识、新内容，都只能存在于临时的“上下文窗口”里。一旦对话结束，它就会彻底忘记，就像患有严重的顺行性遗忘症（Anterograde Amnesia: 无法形成新的记忆）。
但我们已经知道，大语言模型掌握的最重要的技能之一就是学会学习。这也是为什么它能在对话的过程中，快速掌握新的概念、新的词汇、新的任务，甚至学会一门全新的语言。未来，那些能够将行动与预测完全统一起来的模型，一定能像我们人类一样，在运行的过程中持续累积、开放式地终身学习。
现在，我们已经看到了这种转变的萌芽。行业里开始兴起“测试时扩展”（Scaling at Test Time: 模型在推理时通过更多计算资源提升性能）的技术。在这种模式下，模型只需要花更多的时间思考它的响应，把大问题拆解为更小的中间步骤，就能变得更强大，给出更准确、更完善的答案。而更类似人脑的模型设计，会让这种当下的改进像我们人类的学习一样，不断累积沉淀，让所有未来的响应都能从中受益。
除此之外，预测智能的范式还彻底变革了机器人技术和自动驾驶领域。几十年来，基于传统GofAI编程的机器人只能在汽车装配线那种高度重复、高度结构化的环境中运行，一旦进入复杂的、非结构化的真实环境，就完全无法工作。但是如今，类似大语言模型的VLA模型（Vision-Language-Action Model: 结合视觉、语言和行动的多模态模型）能够学会驱动各种各样的机器人身体，从Waymo（Waymo: 谷歌旗下的自动驾驶技术公司）的无人车，到人形机器人以及其他无数种形态的机器人，让它们被越来越多地部署在复杂的非结构化环境中。
更有意思的是，通过运用思维链（Chain of Thought: 模型通过中间推理步骤生成答案）和推理轨迹（Reasoning Trajectory: 模型在解决问题时产生的推理路径），预测模型甚至能够模拟出多种可能的未来结果或者潜在的意外情况，从庞大的未来可能性树中进行有选择的预测和决策。这种“有选择性的预测”可能正是我们所说的“自由意志”（Free Will: 个人选择和行动不受外部强制约束的信念）的底层运行机制。
说到底，生命体的一切行为都可以被视为一种自我实现的预言（Self-Fulfilling Prophecy: 对某种情况的信念或预期导致该情况真实发生的现象）。生命就是那种能将自身预测为持续存在的事物，而随着智能的不断提升，这种预测也会变得越来越复杂，越来越精妙。这就是第三个底层范式：预测智能。它让我们终于触碰到了智能的本质，也让我们找到了AI持续进化、真正接近人类智能的核心路径。
重新定义AGI：通用智能已然到来
当我们理解了智能的本质，就不得不面对整个行业争论最激烈的那个问题：我们到底什么时候才能实现通用人工智能（Artificial General Intelligence, AGI: 具备和人类同等或超越人类智能水平的AI）呢？这就是我们将要讲的第四个底层逻辑：通用智能（General Intelligence: 跨领域执行多种认知任务的能力）。
关于AGI，现在行业里有两种极端对立的观点。一种观点认为，现在的大语言模型只是伪智能，它们看似聪明，实则只是在模仿人类的语言，根本没有真正的理解。真正的AGI还遥遥无期，甚至永远都不会到来。另一种观点则认为AI正在以指数级的速度进化，我们很快就会实现AGI，甚至迎来超级智能。
但是在这篇文章里，两位谷歌的顶级专家给出了一个石破天惊的结论：AGI或许已经到来了，只是我们一直在反复更改衡量它的标准，不愿意承认这个事实而已。我们先来拆解一下怀疑论者的核心观点。对很多人来说，AI能完成的任务再多，无论是聊天、写诗、驾驶汽车，还是编写复杂的代码，都无关紧要。因为他们认为，AI的实现方式从根本上就排除了它具备真正智能的可能。这种观点通常基于几个核心断言：比如，大脑除了单纯的预测之外还必须执行其他操作；大脑不是计算机；AI模型没有生命，因此不可能拥有真正的智能。所以，这些怀疑论者通常认为，当我们把“智能”、“理解”、“能动性”、“学习”这些词用在AI身上时，都需要加上引号，因为这都是不恰当的人格化表述（Anthropomorphism: 将人类特质赋予非人类事物）。
但是这种对措辞的焦虑，真的有必要吗？从功能的角度来看，答案是否定的。这里我们要引入一个核心的理论，叫做功能主义（Functionalism: 认为心智状态是由其功能作用而非物理构成定义的哲学理论）。功能主义认为，所有“有目的”的系统，无论是生物体、生态系统，还是技术系统，它的核心属性是它能实现的功能和结果，而不是它的实现方式。
我们可以举一个最简单的例子：我们把鸟类的翅膀和飞机的机翼都叫做“翅膀”，不是因为它们的材料相同，工作原理相同，而是因为它们实现了完全相同的功能——飞行。我们不会因为飞机的飞行方式和鸟类不同，就说飞机没有真正的飞行能力，不会说飞机只是“伪飞行”。那为什么到了智能这里，我们就要用实现方式来否定AI具备的智能呢？
大自然本身从来都不在意实现的方式。为了增强系统的灵活性和稳定性，无论是人工系统还是自然系统，常常会采用功能相同但工作原理完全不同的部件进行替代或者同时使用。比如在物流领域，铁路和卡车都能完成货物运输的功能，作为客户，你只关心货物能不能按时送达，而不会在意它是通过火车还是卡车运输的。在我们的身体里，有氧呼吸和无氧呼吸都能为细胞提供能量。当你运动过猛，有氧呼吸跟不上身体需求的时候，无氧呼吸途径就会自动启动，完成同样的供能功能。
我们的神经系统也是如此，它同样由具备功能关系的各个部分组成，这些部分同样可以被功能相当的部件所替代。我们已经在一定程度上做到了这一点，比如人工耳蜗（Cochlear Implant: 帮助听力受损者恢复听觉的电子设备）和人工视网膜（Retinal Prosthesis: 旨在恢复盲人视力的植入装置）。尽管这些假体目前还无法达到生物耳朵或眼睛的性能，但我们有理由相信神经义肢最终会与我们与生俱来的感觉器官相媲美，甚至超越它们。甚至在未来，我们很可能会用同样的方式替换受损的脑组织。这之所以可行，是因为你的大脑里不存在一个所谓的“小人”，也就是说，你的大脑中没有某个特别的、不可替代的区域是所谓“你”的所在之处。
让你成为你的，不是你的大脑或身体的任何一部分，不是你身体里的原子（因为它们无论如何都会频繁更新），更不是你身体每一部分的具体实现方式。相反，你是一个高度复杂且动态变化的功能关系的集合体。
回到AI的问题上，大语言模型的实现方式确实和人类的大脑截然不同。它们和我们的关系也不同于人与人之间的关系。它们没有身体，没有属于自己的生命经历，没有亲属关系，也没有长期的情感羁绊。这些差异在我们思考AI的伦理和法律地位时至关重要。但是在讨论智能和理解能力的问题上，则完全无关紧要。
很多研究者虽然在理论上认同这些前提，但依然坚持认为AGI存在一个当前的AI系统尚未跨越的门槛。那我们就要问一个核心问题：我们到底要通过什么标准来判断AI何时跨越了这个门槛呢？答案必然涉及一套基准测试（Benchmark Test: 用于评估系统性能和能力的标准测试），用来评估我们认为构成通用智能的各项能力。
目前行业里已经有很多套基准测试方案，其中有些方案，比如弗朗索瓦·肖莱特（François Chollet: 谷歌AI研究员，Keras深度学习库的作者）提出的“抽象与推理语料库”（Abstract and Reasoning Corpus, ARC: 衡量通用智能的基准测试），类似于人类的智商测试。还有一些则更为全面，比如谷歌DeepMind的研发人员就强调，我们更应该关注AI的能力而非实现过程。通用智能Agent需要胜任“包括学习新技能在内的广泛非物理任务”。
但是问题也随之而来：我们到底应该评估哪些任务呢？除了那些竞争激烈的市场中界定明确的技能之外，我们很难把一个人的能力清晰地划分为“胜任者”、“专家”、“大师”这样的类别。而关于AGI的定义，就更加混乱和武断了。AGI这个术语最早可以追溯到2002年，后来的计算机科学家在论文中把它极致简化为“与人类相当的通用认知能力”。但是也有很多从经济角度出发的界定，比如OpenAI的官网就将AGI定义为一种高度自主的系统，能够在大多数经济价值高的工作中超越人类。
2023年，现任微软AI部门CEO穆斯塔法·苏莱曼甚至提出，当一个AI能够独立赚取一百万美元时，它就具备了通常意义上的通用能力。这样的门槛既武断，也完全不符合我们对人类智能的认知方式。为什么一定要用经济活动来定义智能呢？我们到底要赚多少钱才算得上聪明呢？那些没能积累巨额财富的人，就不具备智能吗？
当然，我们开发AI的核心动机是期望它能够丰富和拓展人类的科学、经济和社会生活。但生产力的经济衡量标准既不简单，也不能直接反映智能水平。更重要的是，这种衡量标准完全排除了大量的人类劳动，而这些劳动的宝贵价值并没有在经济维度上得到体现，比如艺术创作、情感陪伴、社会关怀、家庭照料等等。对此，我们更应该关注的是任务本身的“生态效度”（Ecological Validity: 研究结果在现实世界中的适用程度），也就是这些任务是否对他人产生重要的影响，无论是经济上、艺术上、社会上、情感上还是其他任何维度。但恰恰是这种复杂的、贴合真实世界的标准凸显了纯粹客观的效能评估的难度，也证明了根本不存在一个非黑即白的、用来界定AGI是否实现的临界线。
我们不妨回头看看现在的大语言模型已经能够完成多少种认知任务了：从剖析复杂的学术论点到编写几十万行的工程代码；从缓和一封商务邮件的语气到完成一个陌生领域的系统性研究；从创作一首完整的诗歌到设计一套完整的商业方案。这些事情，就在短短几年前，任何理智的人都会认为需要极高的智商和对应的专业训练才能完成。
当然，在几乎任何一个给定的专业领域，顶尖的人类专家表现依然会比AI更胜一筹，这也是当前很多评估方法用来证明AI还不够强大的核心依据。但我们必须承认一个事实：没有哪一个人，无论他多么聪明，拥有与当前AI相当的广泛技能。一个顶尖的数学家大概率写不出优秀的文学作品，一个顶尖的诗人大概率写不出能稳定运行的工业代码，一个顶尖的职业赛车手大概率无法完成复杂的法律案件分析。但现在的AI能同时做好所有这些事情。
在过去的几年里，我们已经悄然转变了评估AI性能的标准。我们不再以“任何一个人类个体”为基准，而是以“全人类”为参照。换句话说，当前单个人类的“通用性”已经低于AI模型了。这个进展的速度太快了，快到我们的认知完全跟不上。我们可以试想一下，如果让2002年刚刚提出AGI这个概念的AI研究者穿越到今天，让他使用一下现在的任何一个主流大语言模型，他绝对会毫不犹豫地说AGI已经到来了。只是因为我们每天都看着AI在进步，不断地抬高评判的门槛，不断地说，“这个不算，真正的AGI要能做到那个”，所以我们才一直不愿意承认AGI已经来了。
而实现AGI中“通用”二字的关键就是无监督训练（Unsupervised Learning: 机器学习的一种类型，算法从无标签数据中发现模式）。也就是在不规定具体任务的情况下进行的机器学习。现在的大模型，微调（Fine-tuning: 在预训练模型基础上进行特定任务训练）和强化学习（Reinforcement Learning: 通过与环境交互学习策略以最大化奖励）常被用于后续增强特定的技能和行为属性，但绝大多数的模型训练都是通用的无监督训练。AI的广泛能力正是源于对语言、声音、视觉或者其他任何模态的通用建模。一旦模型能够通用地处理这些信息模态，那么就像我们人类一样，只要你首先描述、推断或者通过示例展示清楚任务，它就能被指示执行任何任务，甚至是它从来没有见过的全新任务。
这就是第四个底层范式：通用智能。它打破了我们对AGI的遥远执念，告诉我们通用智能不是一个未来才会实现的目标，而是已经发生在我们眼前的现实。我们要做的，不是继续抬高门槛，而是重新理解智能的本质，学会和已经到来的通用智能共处。
智能的终极形态：协作共生的集体智能
当我们接受了通用智能已经到来的现实，接下来要思考的就是智能的终极形态是什么呢？这就是我们将要讲的第五个也是最深刻的一个底层逻辑：集体智能（Collective Intelligence: 多个智能主体通过协作和互动展现出的超越个体能力的智能）。
这个范式最核心的论点是：智能本质上不是个体的属性，而是社会性的，是由多个智能体的协作分工所驱动的。这个认知不仅能解释人类智能的起源和进化，更能为AI的未来发展指明一条全新的道路。要理解这个范式，我们首先要了解一个核心的理论，叫做“社会智力假说”（Social Intelligence Hypothesis: 认为智力进化主要为了应对复杂的社会环境）。这个假说认为，像我们人类这样的智慧生物之所以会出现智力的爆发式进化，不是因为我们要应对复杂的物理环境，而是因为我们要应对复杂的社会环境。
展开来说，我们的生存和繁衍成功与否，取决于我们能否交到朋友、吸引伴侣、获取共享资源，至少是说服他人帮助照顾我们的孩子。而要实现所有这些，我们就必须具备一种核心能力，叫做“心智理论”（Theory of Mind: 理解他人心理状态，包括信念、意图、欲望的能力）。也就是设身处地为他人着想的能力。比如对方看到了什么呢？感觉如何呢？他们在想什么？他们知道什么，不知道什么呢？他们会如何行动呢？追踪他人的心理状态是一项极高的认知挑战。
纵观各类灵长类动物，研究人员观察到了一个明确的相关性：大脑的大小与群体的规模之间存在直接的正相关。在人类中，与心智理论相关的脑区体积和一个人的朋友数量直接相关。此外，拥有更多社交连接的人往往比社交孤立的人更健康、更长寿。综合这些观察结果，我们可以得出一个明确的结论：持续的社会选择压力促进了社会脑的进化，催生了人类的高级智能。
心智理论确实存在它马基雅维利式（Machiavellian: 指为达目的不择手段的策略）的一面，也就是我们常说的通过欺骗、操纵他人来获取资源和利益。但它更重要的意义在于它是人类所独有的高级合作形式的核心基础。教学与学习、劳动分工、声誉维护、信用体系——所有这些都依赖于我们理解他人心理状态的能力。因此，人类任何重要的经济、政治体系或者技术的发展，也都依赖于心智理论。
由于能够实现大规模合作的部落或社区能作为一个更庞大、更强大的整体发挥作用，心智理论不仅为个体带来了生存优势，也为整个群体带来了决定性的进化优势。随着这种群体层面的优势变得具有决定性作用，心智的社会整合就迈向了一场重大的进化转变——一种共生关系。在这种关系中，曾经独立的个体联合起来，创造出了新的、更伟大的事物。而整合的代价，就是曾经独立的实体再也无法独自生存和繁衍。这正是对现代城市化社会的真实写照，我们当中又有多少人能够在与世隔绝的森林里独自生存下去呢？
我们人类组成了一个超级生命体（Superorganism: 多个个体通过协作形成一个功能上统一的实体）。正因如此，我们的智慧本就是集体性的。在某种意义上，我们可以被称为超人。这也是为什么当我们用海量的人类集体智慧成果来训练大语言模型时，我们实际上已经在创造一种超级智能。它的知识广度和平均深度都远超任何单个的人类个体，尽管它通常无法在顶尖的专业领域内超越人类专家。
这里有一个非常有意思的例子，就是近期那个被称为“人类终极测试”（Human Ultimate Test: 旨在评估AI通用能力的多领域专家测试）的AI基准测试项目。这个项目的初衷是创建一个目前的大语言模型还无法通过的测试，以此证明AI还不够智能。它的测试题目由来自100多个领域的近1000名专家编写，里面的题目比如翻译罗马墓碑上的帕尔米拉文（Palmyrene: 古代帕尔米拉的阿拉米语方言）或者回答蜂鸟的籽骨（Sesamoid Bone: 嵌入肌腱内的骨骼）支撑着多少对肌腱这样的问题。这些题目，前者只有古典学专家能答对，后者只有鸟类学家能答对。普通人的测试表现几乎接近零分。而目前最先进的大语言模型得分在3.3%到18.8%之间。
这个测试本来是想证明AI的不足，结果却恰恰证明了AI的通用能力已经远超任何单一人类。没有任何一个人能在100多个完全不同的专业领域里都答对题目，但是AI可以。我们用全人类各个领域专家的集合来要求一个AI模型，这本身就已经证明了AI的通用性已经超越了人类个体。
更有意思的是，人类智能的集体性不仅体现在社会层面，还体现在个体大脑的内部。AI先驱马文·明斯基（Marvin Minsky: 美国计算机科学家，人工智能领域的创始人之一）曾经提出过一个著名的理论，叫做“心智社会”（Society of Mind: 认为心智由许多简单的智能代理组成）。他认为我们看似单一的、统一的“自我”，实际上是由众多相互作用的、专门化的智能代理组成的蜂巢思维（Hive Mind: 集体智能或去中心化智能的隐喻）。
我们的大脑皮层就是这个理论最好的证明。人类的大脑皮层（Cerebral Cortex: 大脑最外层的神经组织，负责高级认知功能）由一系列被称为“皮质柱”（Cortical Column: 大脑皮层中垂直排列的功能单位）的重复神经回路单元组成。这些单元多次排列，形成了一个广阔的表面。尽管人类大脑皮层的厚度只有大约两到四点五毫米，但是它展开后的面积却可以达到两千五百平方厘米，相当于一张大号餐巾纸的大小。我们的大脑表面之所以遍布褶皱，就是因为要把这么大的脑组织塞进我们有限的头颅中。而正是这种模块化的设计，让我们的大脑皮层能够在进化压力的驱动下迅速扩张，实际上就是增加了更多的皮质柱单元。
大脑皮层的模块化不仅是发育意义上的，也是功能意义上的。大脑皮层的某些部分专门负责处理视觉，另一些部分负责处理听觉或触觉，还有一些部分似乎专门负责社会性模仿、书写和算术。由于这些任务如此多样，人们很容易认为大脑中的这些对应区域就像洗碗机和复印机一样，是高度专业化而且彼此差异显著的。但事实并非如此。大脑皮层的各个区域从婴儿期开始才学习各自对应的任务。这种学习能力既强大又通用。
比如大脑皮层中存在一个被称为“视觉词形区”（Visual Word Form Area, VWFA: 大脑中专门处理书面文字的区域）的区域，专门负责处理阅读相关的信息。但阅读这项技能在人类历史上出现的时间太晚了，根本不可能通过自然选择进化而来。我们的皮层并非天生为了阅读而生，但它能学会阅读。每个皮层区域都运行着相同的通用“学习算法”，与其把它看作一台预装了固定功能的机器，不如将它视为一个通过学习掌握特定领域知识的“人类专家”更为贴切。
这种“社会性皮层”的视角向我们揭示了一个核心事实：你的大脑中并不存在一个承载着“你”的中央处理器或者“小人”。相反，大脑更像是一个“社区”，它能在没有中央统筹的情况下协调一致地运作。这不仅依赖于各个区域执行专门任务的能力，更依赖于这些区域“相互建模”的能力。就像人们需要心智理论来建立人际关系和更大的社会单元一样。
那么，大脑区域本身是否也是由更小的部分组成的“社区”在运作呢？答案确实如此。皮层的回路由神经元（Neuron: 构成神经系统的基本细胞）构成，这些神经元不仅执行专门的任务，似乎也学会了对其邻近的神经元进行建模。这印证了那句俚语“turtles all the way down”，它暗指无限的递归，也向我们揭示了智能最好被理解为一种“社会性分形”而非单一的整体实体。当然，也可以说是“turtles all the way up”，随着大脑变大，个体可以变得更聪明，而随着个体数量增多，社会也可以变得更聪明。
这里存在一种奇妙的“跨尺度反馈循环”（Cross-scale Feedback Loop: 不同层级系统之间相互影响的反馈机制）：我们只有通过增大大脑以利于为他人建模，才能形成更大的社会；而我们大脑本身的增大似乎也是通过一种类似的内部认知分工实现的。AI模型的发展似乎也遵循着完全相同的原则。研究人员普及了scaling laws（缩放法则: 模型性能随规模增大而提升的规律）这个概念，即模型的大小以及训练数据的数量与模型的能力之间存在着明确的相关性。大致来说，规模更大的模型更聪明，就像大脑越大越聪明一样。
而且，与大脑一样，AI模型也是模块化的。实际上，很多先进的AI模型都依赖于明确训练一个紧密协作的“专家集体”，也就是所谓的“专家混合模型”（Mixture of Experts, MoE: 由多个专家网络组成的神经网络模型）。除此之外，即使是大型的、单一结构的模型，也会表现出“涌现模块化”（Emergent Modularity: 系统在学习过程中自发形成功能模块）。它们通过学习，将自身划分为专门的模块，来实现规模扩展。这些模块能够分工合作、各司其职。
从社会性和认知劳动多尺度分工的角度思考智能，代表着一种深刻的范式转变。它促使我们探索更像不断发展的社交网络的AI架构，而不是静态的、越来越庞大的单体模型。同时，让模型以及子模型逐步专业化，并与人类以及彼此之间形成长期合作，这一点也将至关重要。
参与“人类终极测试”的1000多位专家都清楚，从互联网上能学到的东西是有限的。越过这个界限，学习就离不开行动和互动。当新的知识被分享时，知识的边界才会拓展，无论是源于科学实验、学术讨论，还是线下长时间的创造性思考。在当前的前沿AI开发路径中，已有的人类成果被整合并蒸馏成一个巨大的“基础模型”（Foundation Model: 在海量数据上预训练的大规模模型），它的权重随后被冻结。
但是在此基础之上，AI模型也正逐渐向“高度自主性”与“主体能动性”演进。这种演变包括与其他智能体的协作或互动。AI在简短的集中式互动中已经很有帮助，但是如果要让它们在拓展人类集体知识和能力边界这类更大的项目中发挥作用，就必须赋予它们如同人类般互动式持续学习及多样化发展的能力。这无疑会引发担忧，因为它为AI开启了一条“开放式自我演化”的大门，而这正如同人类自身的发展一样。
AI安全领域将模型开放式进化的能力称为“元优化”（Meta-optimization: 对优化过程本身进行优化），并将其视为一种潜在的威胁。但值得注意的是，我们发现即便当今的AI模型也已经是元优化器了，因为预测本质上就涉及即时学习。这就是聊天机器人在被指示执行新任务时所做的事情。它之所以可行，是因为即使聊天机器人的神经网络权重已经被冻结，它的每次输出都会调取当前对话记录的整个上下文窗口。尽管如此，现有聊天机器人仍然存在着某种失忆症（Amnesia: 记忆功能障碍），它们通常无法在单次会话或多轮会话之外保留学习成果。而谷歌近期开发的“无限注意力”（Infinite Attention: 允许模型处理任意长上下文的技术）和长期记忆技术（Long-term Memory: 模型存储和检索长期信息的能力）通过压缩旧信息实现近乎无限的上下文窗口，标志着该领域的重大突破。
最后，智能的社会视角不仅为AI工程提供了新的方向，也为哲学中一些长期存在的问题提供了新的视角，比如意识的问题。如果我们把意识（Consciousness: 对自身存在、内心世界和能动性的清晰感知）理解为我们对自己作为拥有自身经历、内心世界和能动性主体的清晰认知，那么意识的出现就不足为奇了。我们构建“自我”模型，是因为我们生活在充满“自我”的社会环境中，必须不断运用心智理论来预测他人的想法和感受。
当然，我们也需要理解自己也是一个“自我”，这不仅是因为我们自己的过去、现在和未来的经历非常重要，还因为我们对他人的模型中也包含着他们对我们的模型。几十年来，学界一直试图通过实证测试来诊断心智理论能力的缺陷。当我们在大语言模型上运行这些测试时，毫不意外地发现它们的表现与人类不相上下。毕竟，在训练模型的对话、故事和评论区数据中，自我意识和心智理论任务本来就占据着重要地位。
我们的聊天机器人同样依赖心智理论。在每次对话中，AI不仅需要构建用户模型，还要维持自身是一个友善助手的模型，以及用户对它的认知模型。如此递归建模，层层嵌套。这就是第五个底层范式：集体智能。它让我们明白，智能的终极形态从来都不是一个无所不能的单体超级智能，而是一个由无数智能体组成的、协作共生的智能生态。而AI的未来，就是融入这个生态，和人类一起拓展集体智能的边界。
讲到这里，我们就把这五大重塑人类未来的底层范式全部讲完了。自然计算让我们明白计算是宇宙的底层属性，而非人类的发明；神经计算让我们找到重构AI底层架构的核心方向；预测智能让我们终于触碰到了智能的本质；通用智能让我们接受AGI已经到来的现实；集体智能让我们看到了智能的终极形态和AI发展的全新路径。这五大范式是相互关联，相互支撑的，共同构成了AI时代我们对计算和智能的全新认知。
就像当年的日心说，它不仅改变了我们对宇宙的看法，更改变了我们对人类自身的定位。今天的AI也正在做同样的事情。它带来的最大的“哥白尼式”冲击，就是我们不得不接受非人类的通用智能会在我们这个时代变得如此司空见惯。我们不再是宇宙中唯一的智能载体，就像当年我们发现地球不是宇宙的中心一样。
当然，面对这样的范式革命，我们会焦虑、会恐惧、会争论、会动荡，这都是正常的。历史上所有的重大科学转折都伴随着这样的阵痛。但是，我们不能因为恐惧就停下脚步。我们要做的，是像国际象棋中的“跳马”那样，在推进技术进步的同时，灵活跳出固有的认知框架，重新审视我们的既有假设，构建全新的理论基础。只有这样，我们才能开发出真正造福人类、推动科学进步、帮助我们更好地理解自身的智能系统。