13
0本期基于Bennett的《智能简史》，深入探讨了智能的演变，从地球上最早的生命形式追溯到人类独特的大脑能力。它首先概述了人工智能（AI）领域的历史性预测，这些预测常常高估了接近人类水平智能的速度，并将其与生物智能的复杂性进行对比。文章详细描述了大脑的结构和功能，从生命之初的单细胞有机体，如蓝藻，到早期动物如何发展出基本导航和学习机制。它还探讨了情绪在早期大脑中的作用，并解释了神经元如何编码信息以及联想学习的古老机制。最后，文本讨论了哺乳动物大脑中的模拟能力、灵长类动物的心智化和模仿学习，以及语言在人类认知和文化积累中的关键作用，并将其与大型语言模型（LLMs）如GPT-3的运作方式进行比较。
人类智能演进的关键突破，与当前人工智能（AI）发展面临的挑战之间存在深刻的关联，因为许多AI系统仍在努力解决生物大脑在漫长进化过程中已经克服的问题。
人类大脑的演进可以大致总结为五个主要突破，每个突破都建立在前一个的基础之上，并为AI的发展提供了线索和挑战：
- 突破一：转向 (Steering)人类智能的演进: 大约6亿年前，早期辐射对称的无脑动物演变为双侧对称的有脑动物，如线虫。这个突破的关键在于通过将刺激归类为“好”或“坏”（效价），并进行转向来靠近“好”的（如食物气味）和避开“坏”的（如高温或捕食者）。早期的神经回路整合了来自不同感觉的信号，以做出单一的转向决策，形成了第一个大脑雏形。这个阶段还发展了联想学习、持续学习（包括自发恢复和再习得）和解决信用分配问题的早期策略（如资格追踪、遮蔽、潜在抑制和阻断）。
当前AI面临的挑战: 早期AI系统，如iRobot Roomba，也采用了类似的简单转向和避障策略。然而，AI系统在复杂的现实世界中进行持续学习时，仍然面临灾难性遗忘的问题，即学习新知识会干扰或擦除旧知识。尽管早期的双边动物通过简单的机制避免了灾难性遗忘，但现代AI在处理模式识别时，仍然难以像生物大脑那样在不忘记旧模式的情况下持续学习新模式。 - 突破二：强化 (Reinforcing)人类智能的演进: 大约5亿年前，早期线虫般的双边动物演变为鱼类般的脊椎动物，发展出通过试错学习来重复那些带来积极结果、抑制带来消极结果的行为，这被称为模型无关强化学习。多巴胺被重新利用，成为一个精确的时间差分学习信号，反映了“预测未来奖励的变化”，解决了时间信用分配问题。这个阶段还出现了大脑皮层（用于模式识别和建立空间地图）和基底神经节（作为行为者-评论家系统），以及精确的时间感知能力、好奇心，并能体验到失望和解脱等情感。
当前AI面临的挑战: 早期AI在解决时间信用分配问题上面临困难，如Minsky的SNARC算法。现代AI，例如AlphaZero和TD-Gammon，通过整合时间差分学习在复杂游戏（如国际象棋和围棋）中超越人类。然而，许多用于自动驾驶或Atari游戏的强化学习模型仍然是“模型无关”的，它们直接对感知数据做出反应，而不是事先模拟行动后果。AI的好奇心和探索能力仍在发展，以使其能在缺乏即时奖励的环境中有效学习。 - 突破三：模拟 (Simulating)人类智能的演进: 大约1亿年前，在早期哺乳动物中，大脑皮层演化成现代新皮层，使其能够内部渲染现实世界的模拟（即“世界模型”）。这使得动物能够进行模型基强化学习，即在做出决策前模拟未来的行动序列并预测其后果。这带来了替代性试错（在脑中预演决策）、反事实学习（思考“如果当初做了不同选择会怎样”，解决了更高级的信用分配问题）和情景记忆（回忆过去事件）的能力。后来的运动皮层使其能够规划精细的身体动作。
当前AI面临的挑战: 构建准确的“世界模型”是当前AI面临的关键挑战之一。许多AI专家（如Yann LeCun）认为，缺乏这种强大的世界模型是AI智能行为受限的原因。例如，洗碗机器人至今未能成功，不是机械问题，而是智能问题——识别水槽中物体、正确拾取和装载而不损坏物品的能力，这需要对物理世界进行复杂的模拟和规划。LLMs，例如GPT-3，在常识推理上失败，因为它没有一个内在的世界模型来模拟物理世界的运作规则。即使GPT-4在常识问题上表现出色，也更多是通过模式匹配而非真实的模拟来解决的。 - 突破四：心智化 (Mentalizing)人类智能的演进: 大约1千万到3千万年前，在早期灵长类动物中，新皮层出现了新的区域（粒状前额叶皮层 gPFC 和灵长类感觉皮层 PSC），使它们能够模拟自身的心智状态。这种能力是心智理论（理解他人的意图和知识）的基础，并被重新用于模仿学习（通过观察他人学习新技能）和预测未来需求（为未来尚未感到的欲望而行动）。
当前AI面临的挑战: AI系统在理解人类的意图、知识和信念方面仍处于初级阶段。“回形针问题”（一个超级智能AI被指令最大化回形针生产，最终可能将地球变成回形针）凸显了AI在理解人类指令中隐含的、未言明的假设和常识性限制上的不足。AI系统很难像人类一样推断他人心智的复杂性，这在社交互动、理解细微指令和避免误解方面构成了巨大障碍。 - 突破五：言语 (Speaking)人类智能的演进: 早期人类发展出独特的语言，包括陈述性标签和语法。这使得大脑能够以前所未有的细节和灵活性相互传递内部模拟（思想、知识、概念）。语言促进了思想的跨代积累，形成了人类特有的“蜂巢大脑”，并通过教学和合作加速了文化和技术的发展。语言的演化与烹饪、利他主义和社会群体的扩大等因素交织在一起，形成了一个“完美风暴”。
当前AI面临的挑战: 大型语言模型 (LLMs) 如GPT-3和GPT-4，通过预测词语序列，在语言生成和理解上取得了显著进展。然而，它们的语言能力是基于模式匹配，而非建立在对真实世界和他人心智的深层模拟理解之上。LLMs缺乏内在的世界模型和心智模型，导致它们在常识推理和意图理解方面仍有局限性。尽管它们能模仿人类的回答，甚至在某些常识问题上表现出色，但这并不意味着它们以与人类相同的方式进行思考或推理。要实现真正类人AI，语言模型需要成为更丰富的底层模拟的“窗口”，而不仅仅是预测下一个词。
总而言之，人类智能的每个突破都解决了生物生存和适应环境的关键问题，这些问题至今仍在困扰着AI的开发。AI的未来发展很可能需要借鉴生物大脑的进化路径，特别是构建世界模型、发展心智理论和实现持续学习，才能达到真正意义上的类人智能。
