相比于动物的大脑，人类大脑一定有某些独特之处，让我们能够规划未来、发挥想象、解复杂谜题、讲讽刺笑话，等等。这些能力除了共同构成了人类的独特性外，或许也能解释为什么人类会患上一些动物身上很少出现的疾病，比如双相情感障碍和精神分裂症。

在过去的几年里，基于新型研究手段的突破性进展，科学家们得以通过前所未有的精细度，揭示人类与其他物种的神经系统之间的关键差异 ^[1] 。

通过分析脑细胞中产生的基因、RNA和蛋白质等信息，研究人员现在能够一窥数百万个脑细胞的内部活动。并借助对脑组织的研究，逐步揭开了这个精密器官发育与运作的重要规律：

其一， 人类脑细胞与其他物种的差异往往非常小 ；其二，相 比其他动物，人类大脑的发育进程更为缓慢。 不过，尽管科学家们已经发现了若干极具潜力的研究方向，这些特征究竟如何造就人类独特的认知能力，仍然是待解之谜。

在大多数动物中，大脑尺寸与身体尺寸密切相关，但人类打破了这一规律。 考虑到我们身体的尺寸，大脑的体积比预期的要大得多。

研究人员通常使用一个名为 “脑指数”（EQ） 的比率来衡量动物的大脑尺寸相对于身体尺寸偏大或偏小的程度。如果大脑与体重的比例符合预期，则EQ为1.0。

尽管人类大脑在进化过程中变大了，但这种变化并不是均匀的， 有些脑区的扩张比其他区域更加显著。 其中，扩张尤为突出的是大脑皮层，这一区域负责计划、推理、语言以及人类擅长的许多其他行为。其他区域，比如小脑也有所扩张，它位于大脑后部，具有神经元密集的特点，有助于进行运动和规划。另外，黑猩猩和人类的前额叶皮层结构相似，不过在人类大脑中，前额叶皮层占据的空间比在黑猩猩大脑中要大得多。

与其他动物相比， 人类大脑中的神经元数量也有很大差异。 例如，人类大脑的神经元数量大约是老鼠大脑的 1000 倍，是猕猴大脑的13.5倍 [2] 。然而， 大脑尺寸和神经元数量并不能决定一切 ；一些在大脑的外观和发育上与哺乳动物不同的生物，比如渡鸦和鸦科的其他成员，它们的学习和记忆能力也令人惊叹。华盛顿特区乔治・华盛顿大学的人类学家兼神经科学家切特・舍伍德（Chet Sherwood）认为：“仅靠大脑尺寸无法解释人类的认知能力。”

对脑细胞的深入研究已经发现一些有趣的现象。在过去五年里，科学家借助能够对单个细胞中表达的基因进行分类的技术，揭示出构成大脑的多种不同细胞类型，其详细程度远超以往任何成果。

去年，位于华盛顿州西雅图市的艾伦脑科学研究所的一个团队，发布了迄今为止最全面的小鼠和人类脑细胞类型图谱。作为“大脑计划细胞普查网络”（BRAIN Initiative Cell Census Network，简称 BICCN）这一国际合作项目的一部分，研究人员对小鼠的所有大脑细胞进行了分类，发现了 5300 种细胞类型 [3] 。人类的大脑细胞类型图谱虽未全部完成，但研究人员已发现来自 100 个区域的 3300 多种细胞类型 [4] ，并预计还有更多类型未被发现。

这些研究表明， 有些区域确实存在独特的细胞类型。 例如，人类视觉皮层中包含几种仅存在于该区域的神经元 [5] 。 但总体而言，人类独有的细胞类型较为罕见。

人类大脑的细胞类型与其他物种总体上是相似的。 参与人类、小鼠及其他动物大脑细胞分类工作的艾伦脑科学研究所神经科学家埃德・莱因（Ed Lein）表示：“我原本以为差异会更大。” 他说：“在深入到更细微的细节之前，基础的细胞结构在不同物种间展现出了惊人的保守性。

人类大脑的大多数区域与灵长类动物和小鼠相比的不同之处在于出现的细胞类型的相对比例[6]，以及这些细胞表达基因的方式上。 换句话说，并非组成成分不同，而是“配方”有别。

以人类和小鼠大脑皮层中处理听觉信息的这两个具有可比性的区域为例。相对于抑制神经活动的抑制性神经元，小鼠的这个区域中传播信号的兴奋性神经元的比例更高。而人类的相应区域中，非神经元细胞（如星形胶质细胞、少突胶质细胞和小胶质细胞）的比例要高得多。这些细胞为神经元提供支持，并且在发育过程中帮助修剪和完善神经元之间的连接，其与神经元的比例是小鼠的五倍。

这些差异最终会产生什么影响尚不清楚，但这些图谱为研究这些细胞及其表达的基因提供了一种途径，有助于更好地理解它们的功能。

同样的细胞类型在不同物种中也可能看起来不同。图中展示的是来自小鼠、黑猩猩和人类大脑皮层的同一种神经元 —— 锥体细胞。与人类大脑相比，小鼠大脑中的这种细胞数量较少，且相互之间的连接没有那么紧密 [7] 。即便与黑猩猩相比，人类的锥体细胞也更长，相互之间的连接更多，所在的大脑皮层也更厚。

没有任何一个神经元是孤立存在的，它们所形成的网络可能在很大程度上决定了不同大脑间功能与专长的不同。

一项研究对比了取自小鼠、猕猴和人类大脑皮层的2000多个脑细胞样本之间的共160万个连接。发现在人类的神经线路图，即“连接组”中，中间神经元（一类抑制神经活动并控制神经兴奋的细胞，在图中以两种颜色显示）的数量是小鼠的2.5倍 ，而且这些细胞之间的连接数量是小鼠的10倍 [8] 。

一类被称为双极神经元的中间神经元倾向于与同类细胞相互连接（在图中以绿色显示），这类神经元在小鼠体内较为少见，但在人类体内大量扩张，其数量已超过中间神经元总数的一半。另一类被称为多极神经元的中间神经元，数量增长幅度则没有这么大。

该研究的负责人、德国法兰克福马克斯・普朗克脑科学研究所的莫里茨・黑尔姆施泰特（Moritz Helmstaedter）表示，这一发现“令人极为惊讶”。他认为，中间神经元网络的扩张可能有助于解决人脑中的一个关键问题：虽然神经元活动迅速，但是思维和行动需要数秒才能完成。更大的中间神经元网络能够延长神经元活动的时间，使大脑产生更复杂的思维，并将信息“牢记”更长时间。目前，该团队正在研究人脑皮层的更大区域。

黑尔姆施泰特针对连接组的研究结果得到了遗传学研究的支持。 在对比不同物种的基因表达时，人们发现许多的差异都与突触（神经元之间的连接）如何相互连接并传递信号有关。

在艾伦脑科学研究所的研究人员主导的一项研究中[9]，数百个基因展现出了人类特有的表达模式，这些基因常常出现在非神经元细胞中，比如星形胶质细胞和小胶质细胞。。这些独特的现象通常与神经环路的功能相关——它们参与了突触构建或信号传递。而且这些基因常常出现在非神经元细胞中，比如星形胶质细胞和小胶质细胞。

一些科学家认为，在人脑中存在一个关键的“刹车”机制—— 更长的神经发育时间，这或许能解释我们与其他物种之间的诸多差异。

英国MRC分子生物学实验室研究人类大脑发育的神经科学家玛德琳·兰卡斯特（Madeline Lancaster）表示：”不管在哪个方面，人类大脑的发育都更为缓慢。”

大脑发育速度因物种而异，而人类大脑的发育尤为漫长：例如，小鼠大脑仅用其寿命的5%就完成发育；猕猴和黑猩猩约用需要三分之一的寿命；而人类大脑从发育、成熟到神经连接的优化完成需要约30年——几乎是平均寿命的一半。

这种缓慢的发育速度或许有助于人类生成更多的神经元，并促进神经系统的多样性与复杂性。它也让大脑有更多时间被环境因素所塑造。研究表明，在人类大脑中，神经祖细胞（即生成神经元的干细胞）在最终分化为特定类型的神经元前，会处于更长时间的未定型状态 [10] 。人类的神经祖细胞还具有更强的可塑性，它们能够分化为多种大类的神经元，而在啮齿动物体内，一种神经祖细胞往往只能发育成单一类型的神经元 [11] 。

以上是黑猩猩神经元发育的典型过程：它们从神经祖细胞的分化中生成，逐渐长出轴突和树突以联系其他细胞，这些突起进一步形成突触来实现细胞间的相互连接与信号传递，最后，神经元会形成一层髓鞘，这层助绝缘结构有助于信号传导 [7] 。

同样的神经元发育过程在人类身上耗时更长，这使得神经元能够生长出更多树突，并让每个树突的连接数量也显著增加。 人类神经元的轴突能比黑猩猩的更长，因为它们需要传输更远的距离，这也让最终形成的神经元也更为复杂。

已有若干基因变异被认为与这种发育的放缓及精细化有关。其中一个是一种人类独有的基因重复现象，而当实验小鼠被改造携带相同的重复序列时，其突触数量显著增加且学习能力得到提升 [12] 。

另一个例子是编码NOTCH蛋白质的基因序列发生了变化，该蛋白质与大脑皮层的扩张有关。 这种变化使得人类神经元的增殖时间比非人灵长类动物的更长，从而产生更多新的神经元 ^[13][14] 。

加州大学旧金山分校研究人类大脑进化的遗传学家亚历克斯・波伦（Alex Pollen）表示，尽管基因和细胞的某些变化塑造了我们的独特性， 但现在就盖棺定论还为时过早。因为有些变化可能只是其他适应性变化的附带结果 ，比如，某些类型神经元的增加，使得大脑在体积增大时，各个脑区仍能保持信息交流。

然而，人类独特的进化能力也有其代价。舍伍德认为， 由于衰老，人类比其他灵长类动物经历了更剧烈的变化， 比如大脑皮层萎缩（部分原因是我们的寿命长得多）。但他说，即便是最年迈的类人猿，其大脑随年龄增长的变化似乎也不及人类大脑那么明显。兰卡斯特表示， 一些可能仅见于人类的病症，可能是我们为大脑复杂性所付出的代价 。“哪怕是一个小缺陷，都可能引发更为严重的后果。” 她说。

关于人脑如何让我们如此健谈、善于交际且智力超群，仍有诸多有待探索之处。科学家们还对基因变异如何作用于神经元和大脑；发育过程中的神经活动如何影响生长机制；以及除了大脑皮层之外，大脑的其他部分可能发生了哪些变化，从而赋予人类独特的技能等方面感兴趣。

兰卡斯特最后说：“多种技术的融合促使研究人员重新审视这一个经典的问题——‘人类大脑为何如此特别？’。能在此时此刻开展科研工作，我感到十分幸运。”

人脑成熟的时间几乎占据其寿命的一半，漫长的发育时间增加了大脑受环境的影响而发生改变的机会，这让我们能够用更具发展性的眼光看待青少年出现的“问题”，毕竟他们还有很长的时间去做出改变。

不过，正所谓失之毫厘，谬以千里，也许正是人脑的复杂性和多样性，哪怕是一个小缺陷，也可能如蝴蝶效应般引发更为严重的精神疾病，比如临床上比较棘手的精神分裂症和神经性厌食症等，期待着技术的进步能够让我们从脑科学的角度更了解这些疾病的机制，为患者的治疗提供新的思路。

两年前，杰巴·金（Jebar King）的祖母去世了。作为家族公认的“秀才”，写讣闻的担子压在了他的肩上。可31岁的他从未写过这种文章，亲人过世的伤痛也让他难以下笔。用他自己的话说，“当时真就是觉得自己做不到。”

恰巧那段时间，他开始使用OpenAI的人工智能聊天工具ChatGPT，主要是捣鼓点购物清单，让它帮忙做做预算什么的。它能帮忙写讣闻吗？金开始给ChatGPT发送一些祖母的人生经历——她在护士的岗位上干到退休、热爱保龄球、儿孙满堂等等——并要求它据此写一篇讣告。

就这样，AI生成的文字为这份生命中最私密的书写勾勒了框架。金对个别词句稍加修改，增加了一些细节，并在母亲的帮助下最后做了一次修正。总的来说，他认为ChatGPT选词贴切，成功地反映了他对祖母的哀思。金表示，“我心里清楚，这篇悼文详实地记载了祖母的生平，字里行间又流露着真情。至于它是否出自人工智能，这点并不重要。”

可能已经有人注意到，生成式人工智能不仅极大地改变了人们交流的方式，也改变了人们对交流本身的态度。一开始，人们只是以“浅显无害”的方式使用AI，例如发短信或邮件时输入框出现的预测相关词。但自从2022年末ChatGPT面向大众开放以后，科技的应用范围井喷。

随着普通人能接触到的大语言模型聊天助手数量激增，用户开始更多地探索AI助力写作的可能。写邮件、推荐信时都用得上AI的帮助，甚至网上聊天的回复也找GPT老师出谋划策。当然，这种现象也会反噬：如果一篇文本读起来生硬不自然、给人以不真诚的印象，接收者往往第一反应就是怀疑作者使用了AI工具。

现在，AI生成的文本开始出现在极其私密的使用情境中。有人用它撰写婚礼誓言、节哀挽词、分手短信、感谢信，当然还有讣告词。将AI用于需要更多情感投注的交流场合，这种行为本身具有一定风险，一旦被对方发现，就很可能被视为一种冒犯，或者极度的不尊重。即便如此，还有用户表示说，他们使用AI本意不是要凭空生产情感，而是让它为人们提供表达情感的模板。

不过，这一点并不妨碍许多人在情感交流中尝试使用AI。26岁的吉安娜·托雷斯（Gianna Torres）把毕业派对的感谢信撰写工作“外包”给了ChatGPT。“我知道大概该说什么，但要确切地用文字表达出来，对我来说特别费劲。”这位居住在费城的职业治疗师为自己辩解，“我不希望别人觉得我写的东西愚蠢荒唐，或者不懂感恩。“她提示AI生成一段发自肺腑的文字，表达对于大家和她共度这个里程碑时刻的感激。ChatGPT洋洋洒洒地生成了一篇字字珠玑的长信，于是她要求了一份更简短的版本，并将结果逐字抄写到每张卡片上。

“人们老说，‘ChatGPT没有感情’，”托雷斯说，“这话不假，但从它写的文字，我能感觉到温度。”

托雷斯的亲朋好友最初也对她的AI小助手的存在一无所知，直到她的一个表亲看到了她在Tiktok上的分享视频。那个表亲非常惊讶。托雷斯告诉表亲，借助于AI不代表自己想表达的情感不真实，她只是需要一点助力（“a little nudge”）。

或许你认为自己有能力一眼识破AI生成的文字。但研究表明，普通人很难判断文字来源是人工还是AI ^[1] 。 当你喂给ChatGPT足够多的个人信息，它就能生成足够有说服力的文本。尤其是当文段里包含“我”、“我的”（“I,” “me,” “myself,” or “my”）等字眼的时候，这是人类语言中最能展现诚意（sincerity）的标志词汇之一。“这些字眼有助于暗示某种心理上的亲密感，拉近人们与聊天对象的距离。”马克维茨这么说。

不过，如果收信人疑心“诚意”被外包给了ChatGPT，他们通常会心生芥蒂。“一旦怀疑某段内容由AI撰写，作者的形象就会被打上不可信的标签，这样的沟通也不易成功。”2024年夏天，谷歌用自己的AI媒介Gemini生成的奥运会广告就是活生生的例子：当看到父亲用AI帮自己的女儿给奥林匹克偶像写信时，观众的好感大减。 随着这项技术的发展与普及，人们会越来越警惕那些看上去就不对劲或者过于精雕细琢的文本。

为什么人们如此反感将“诚意”外包给AI生成的行为？康奈尔大学信息科学副教授马尔特·荣格（Malte Jung）对此的解释是，这种负面情绪或许来源于大众对人工智能技术整体持有的质疑态度。“人们仍对人工智能相关技术持负面态度，并可能把这种态度延伸到使用者身上。”

荣格教授认为，人们主要质疑的是AI生成的文章不够真挚（genuine），不够真切（authentic），更缺了那份赤诚（sincere）。少了字斟句酌的挣扎，如此传达出去的情感是否经得起推敲？指尖轻点一套自动化流程过后，人们还能记得自己的初衷吗？

当金在X上分享了自己使用ChatGPT撰写祖母的讣告后，他收到了极度负面的回应。这种打击促使他向自己的母亲坦白真相，好在母亲不在意，还安慰他说讣闻写得很动人。“人们的反应确实让我有点怀疑自己了，”他坦诚地说，“我从没想过有什么不好的一件事，居然有这么多人反感，还把它描述得十恶不赦。”

在讨论AI交流的道德伦理问题时，人们的初衷在一定程度上确实应当得到考虑。毕竟，谁还没有为了找到精确的形容而绞尽脑汁的时候呢？想要显得亲切诚恳，这种意图本身就是一种积极的信号。“ 关键的问题是人们花了多少心思，用多大的诚意写下这些内容，可能与人们如何感知无关。 ”荣格说，“但当你使用ChatGPT，不管你是否投入诚意，人们还是会留下负面印象。”

话说回来，随着生成式AI的不断渗透，有些人已经放下了隔阂。

克里斯·哈哈尔（Chris Harihar）39岁，在纽约市从事公共管理工作。他想在妹妹婚礼的致辞中添一段儿时轶事，却很难把故事丝滑插入自己的稿子。为此，他选择求助于ChatGPT。他的做法是，先上传当前的致辞文本文件，再输入自己想要插入的小故事，要求AI把这个故事和“终身相伴”联系起来。“它有办法给出一些我自己想不出来的连接点，合情合理把故事串起来了。”

哈哈尔是较早接触AI的人群之一，他在工作和生活中都常常使用Claude和ChatGPT等AI工具。在他向家人坦白自己的操作时，大家并不感到意外。

哈哈尔甚至会将AI工具运用于育儿场景——回答自己4岁女儿充满童真又刁钻古怪的问题。前不久，小朋友注意到人们的皮肤颜色不同，并对此产生好奇。哈哈尔要求ChatGPT给出“一则儿童友好的解释”。当看到AI给出的适合女儿年龄段、通俗易懂的黑色素相关科普时，哈哈尔深感意外——这种讲解角度，他自己也不一定想得到。他倒不觉得向外界求助让自己失去了一个亲自教育孩子的机会。正相反，哈哈尔把这种技术看作另一种资源。

“从家长的角度出发，带孩子总有焦头烂额的时候，”他坦言，“身边有这种工具，可以随时待命，帮你想一些很难解释的回答，总是好的。”

祖母的讣闻应该用ChatGPT写吗？本质触及表达伦理的核心困境：我们究竟该以行为结果还是创作动机来评判情感的真挚性？

这其实算是古老的矛盾，只是在智能时代被技术放大。《绿皮书》中钢琴家帮司机写家书的桥段是电影的重要情节之一，两个人的语言背后是不同的教育程度和认知水平，但鸿沟的存在不妨碍他们真诚交流、共同创作表达。收到书信的司机妻子介意丈夫代笔的行为吗？她的态度表现在对书信的珍视和电影结尾对博士的感谢里。不过有了AI，以后的司机可能也不会和乘客有这样生动的交流了。

更深的焦虑可能来自信任体系的动摇。当技术能完美模拟真情实感，我们该如何确认对方在对话框后真实存在？当所有文字都可能经过算法润色，我们如何辨别那些藏在句读间的真心？或许比起人工智能情感写作本身，人们恐惧和反感的是自己无法辨别文字出处（人类/人工智能）、失去掌控的现象。技术迷雾模糊了”我手写我心”的传统契约，AI写作正在稀释”字如其人”的古老默契。

美剧《人生切割术》里有句对话很适合用来总结这个现象：

“我怎么确定你说的是真的？”

“你确定不了。你只能选择是否相信我。”

当然，从另一个视角看，语言本就是人类发明的第一代情感外骨骼。从结绳记事到ChatGPT，表达工具始终在进化中重塑人心。真正关键的或许不是追问文字是否从神经元直接跃入稿纸，而是检视创作过程是否经历心灵的淬炼——就像飞行器驾驶员仍需理解空气动力学，AI时代的情感表达者依然需要直面内心的勇气。毕竟人心从来隔肚皮，在脑机接口降临之前，真诚依然是种需要主动暴露弱点的行为艺术。但有一点是确定的，在大脑解码技术突破且普及之前，人将越来越难拿到别人“花心思”的证据，人与人之间的“猜疑成本”会越来越高。

在人工智能一次又一次的“飞跃”背后，究竟是什么在驱动它不断演进？AI演进的灵魂代码藏在哪里？

本篇访谈特邀复旦大学大数据学院的魏忠钰副教授，从基础研究到产业落地，为我们层层揭示AI崛起与迭代的内在逻辑。希望这场深度对话，能为读者提供新的思考角度与灵感，共同见证AI时代的蓬勃脉动。

魏忠钰： 我是来自复旦大学的魏忠钰。我本人是2016年加入复旦大学大数据学院，也成立了数据智能与社会计算实验室（Fudan DISC）。课题组的研究重点是如何发展更好的自然语言处理技术，或者更广义地说，大模型的基础技术和能力。并探索如何将大模型的能力应用到不同的下游场景中，与老百姓的日常生活和所获得的服务相连接。

当前，我们主要关注两个研究方向。第一个是基础的多模态大模型能力的构建。虽然大语言模型的能力在不断提升，但 在多模态场景下，大模型的能力仍然处于较初级的发展阶段。 目前，多模态大模型的构建仍然以大语言模型为中心，许多能力依赖于大语言模型本身。当结合视觉、声音、其它丰富模态场景时，模型的多模态理解和深度推理的表现仍然不尽如人意。因此，我们希望能够在多模态大模型技术能力的构建上做出一些贡献。

第二个研究方向是将前沿的人工智能技术与实际生活场景相结合。我们更关注那些能够产生社会价值，与应用场景强连接的课题。目前，我们正在探索如何使用大模型驱动的智能体完成社会模拟，构建更好的特定领域智能体、社会仿真环境，提升下游应用的模型性能，构建智慧医疗服务、或者面向融媒体领域的智能方法。

魏忠钰： 要回答这个问题，我们需要回顾过去十年中推动AI发展的核心技术驱动点。从语言模型的角度来看，过去十年发生了显著的变化。

（1）文字表征方法转变

第一个标志性工作是2013年谷歌提出的Word2Vec。这篇论文提出了一种规模化的将语言表征从稀疏向量转换为稠密向量的方法。在Word2Vec之前，文字的表征通常需要几千维的向量，其中很多位次是零，信息密度很低。尽管神经网络在视觉领域已经取得了成功（以2012年提出的AlexNet为代表），但由于神经网络在处理低信息密度数据时能力有限，它并未很快在自然语言处理领域产生影响。Word2Vec通过将文字表征为稠密向量（如50维、100维或300维），更适合使用神经网络进行处理，这开启了自然语言处理领域的神经网络时代。

（2）语言的长程依赖建模

接着是对于文本长程依赖建模。语言是一个文字序列，对于语言的建模需要考虑序列中文文字的依赖关系。这里有一个例子：

“我今天早上出门，看到一块石头，长得很丑，踢了它一脚。”

那么请问，是谁踢了这块石头？我们可以很快反应出是“我”踢了“石头”，但在文字序列里，“我”和“石头”这两个词的距离很远。要回答这个问题，就需要在建模这段文字的过程中，建构我跟石头之间的关系。之前不管是卷积神经网络，还是循环神经网络，对长程的文字依赖，建模能力都有限。

直到 2017 年谷歌的Transformer（ Attention is All You Need ）横空出世。Transformer在建模中引入了自注意力机制。它会考虑文本中任意两个位置之间可能发生的关系。这时不管你输入的序列有多长，任何两个位置之间的关系都会被考虑到，给语言文字的长程建模提供了解决方案，彻底改变了语言建模的基础结构。

（3）低成本可规模化的标注

接下来的故事和数据有关，有一句当时很流行的说法“人工智能背后的人工”。因为模型的能力建构，依赖于人工标注的数据。比如要教模型去做情感识别的任务，需要很多相关的样本，并且告诉模型，什么是正标签，什么是负标签。这样的标注很是耗费人力。如何去规模化、低成本地产生标注信息，是模型能力进一步提升的瓶颈。

于是，第三个技术支撑点，自监督训练方法应运而生，代表性的工作是谷歌的BERT和OpenAI的GPT。“自监督方法”在对于文本进行建模的时候，不额外引入人工标注，而是利用文本本身的信息来训练。GPT的自监督训练方法，就是现在被大家熟知的“next token prediction”，一个词、一个词得去产生一个原本存在的句子。预测的目标是原本在句子中本来就存在的，这样的标注信息可以规模化。这个时间点是2018年。

在这三个技术要素的支撑下，我们看到了GPT系列模型从2018年的1亿参数增长到2020年的1700亿。并在多种任务上进行泛化学习，使得语言模型能够在真实场景中落地应用。集大成的产品ChatGPT也再22年11月问世，引起了一股热潮。

（4）未来展望：多模态与深度推理

2022年，ChatGPT的推出引来了技术爆发点。随后的GPT-4和O1模型，分别展示了语言模型在多模态建模和深度推理能力上的拓展。未来三到五年，我们还会看到基础模型能力的提升，不管是在多模态方面，还是在深度推理方面。而不断提升的基础模型能力，也将推动智能体在落地场景中的应用，带来更多令人惊艳的产品形态。

此外，OpenAI首席科学家伊尔亚（Ilya Sutskever）在2024年NeurIPS会议上提到， 当前的“Scaling Law” 已经走到尽头，因为互联网上的文本数据几乎被耗尽。然而，现实生活中的知识不仅以非结构化文本的形式存在，还以服务流程、技术规范等形式存在。 如何学习和利用这些知识，可能是未来的一个重要方向。通过多智能体之间的交互机制来建构这些知识，或许是一种可行的学习方式。

魏忠钰： 首先，我认可这个基本论断。对于初创公司来说，如果现在再去开发基础模型能力，一方面很难与已经建立技术基础或数据基础的公司竞争，另一方面也难以获得足够的资源来进行基础模型的开发。因此， 选择一些特定领域的应用， 可能是一个相对明智的方向。

在2023年下半年，我们课题组就开始推出一些领域大模型，主要面向医疗和社会媒体处理领域。我们的主要技术手段是针对特定领域构建高质量的微调训练样本，并将场景能力注入到基础大模型中，从而提升其在特定领域的能力。

在这个过程中，我们遇到了一些合作方的质疑。他们担心，随着底座大模型能力的快速提升，领域所需的特定能力，基础大模型可能很快就会具备，从而导致我们在领域中所做的工作变得徒劳。对此，我们也进行了深入思考。

我认为， 针对特定领域的专有化能力建构始终是必要的。

首先，数据是关键。许多专业化场景的数据都涉及隐私保护，无法在网络上或通用场景中轻易获取。 模型能力建构很大程度依赖于数据，如果这些数据无法被通用模型获取，那么拥有这些数据的领域从业者就具备了独特的优势。

其次，现实生活中的知识并不都存在于非结构化的文本序列中。它们可能是一些服务流程或指南，仅从文字上理解可能不够深入。因此，我们需要通过场景搭建、场景优化以及高质量数据的合成，才能构建出专业能力。对于特定领域来说， 专家的积累和特定场景的经验也是一种护城河。

魏忠钰： 在ChatGPT提出之初，我们回溯了OpenAI在2022年发布的介绍InstructGPT*的文章。这篇文章揭示了ChatGPT的训练包含的三个步骤：预训练、指令微调以及人类反馈的强化学习（RLHF）。然而，在2023年和2024年，许多研究（包括我们自己的尝试）都开始质疑，强化学习的训练方式是否真的对模型能力有实质性的提升，或者说，有不可替代的作用

在开源社区，关于强化学习在大模型能力提升方面的探索，很多也都回到了对数据样本的学习上，而不是行为模式的学习上。这种基于样本的学习，或者说基于专家提供的序列的学习，被称为模仿学习（Imitation Learning）。模仿学习的特点是，模型只能学习数据中已有的模式。但只是依赖模仿学习，和现有的指令微调训练实际上没有本质的区别。那怎样才能充分发挥强化学习作为行为主义的优势呢？

核心是要 让模型进行更多探索，寻找数据中原本不存在的模式，并在训练过程中评估这些探索的结果是好是坏。 在DeepSeek  R1的技术报告中**，我们看到他们成功地大规模应用了强化学习的训练方法来提升语言模型在复杂问题求解方面的能力，并取得了显著效果。

强化学习的训练方式让模型自己生成了一些样本，而不是仅仅依赖于已有的数据积累。通过这个探索过程，模型可以产生新的样本，并通过结果的好坏来评估这些样本的价值。这实际上是对现有数据的不同维度的一种扩充。

虽然类似的方法在学术界也有人尝试，但此前并没有如此规模化的成功先例。DeepSeek的实践证明了这种训练方式的可行性，并为整个社区提供了一个很好的示例。在DeepSeek之后，我们看到开源社区中已经出现了许多复现版本。可以预见，在未来几个月内，会有更多成功的复现已经推广的出现。

总的来说， DeepSeek的这次发布是在公开信息中，首 次对使用大规模强化学习训练语言模型的一次成功示例 ，在语言模型的发展历程中有里程碑的意义。

魏忠钰： 其实，“端到端”这个概念在神经网络学习时代就已经存在了。DeepSeek的这种训练方式更侧重于在多步决策的情况下，仅依靠最后一步的结果来完成整个长程模型的训练。这种方式不仅简化了训练流程，还提高了模型的探索能力和适应性。

魏忠钰： 这个问题非常有意思，也是我们一直以来非常关注的问题。网上流传着一种说法，称ChatGPT的核心团队成员之一、首席科学家伊尔亚曾表示，语言模型可能会有意识。但如果我们回溯他发表这一观点的时间点，会发现这甚至是在ChatGPT发布之前。因此，可以推测，伊尔亚说这句话时，可能是在训练ChatGPT的过程中，发现语言模型的能力有了显著提升，那一刻给他带来了震撼。

然而，即使是从现在的角度来看，像GPT-4这样的模型，虽然表现非常强大，但大多数人仍然不会认为它具有意识。我自己也持相同观点。尽管语言模型的能力非常强，但它距离有意识或所谓的通用人工智能（AGI）仍然有一段距离。

关于“意识”这一概念，我曾与复旦大学的哲学学院老师进行过交流。从他们的角度来看，意识的核心在于对自我的认知，以及拥有自主性的价值观或目标。如果回归到意识的最原始定义，那么当前的人工智能模型，无论是其训练初衷、训练过程，还是其表现，都离这一定义有很长的距离。

魏忠钰： 在回答这个问题之前，我想先探讨一下人类智能与机器智能之间的关系。人工智能这一概念最早于上世纪中叶提出，通常我们会提到1950年图灵发表的那篇著名文章*。他在文章中提出了一个问题：机器是否会思考？并设计了一种测试方法，即图灵测试，或者说模仿游戏（Imitation game）。在图灵测试中，机器需要表现得像人类一样，甚至在回答复杂计算问题时，会故意停顿几秒，以模仿人类的反应速度。

直到今天，我们在评价机器智能时，仍然习惯于使用类似的标准，即机器是否能够像人类一样表现，或者是否能够理解人类的情感。然而，我认为机器智能与人类智能可能是两条不同的轨道。如果我们接受这一前提，那么讨论机器是否能够理解人类社会的浪漫主义表达或诗意性表达，可能并不是一个核心问题。

我们更应该关注的是， 在希望机器智能发挥作用的场景下，它是否能够做得很好。 例如，如果我们希望机器智能在情绪抚慰方面发挥作用，有了这个可衡量的目标，我们就可以评估它是否能够满足我们对浪漫追求的需求。至于机器自身是否真正理解浪漫的定义，可能并不重要。

如果我们真的想打破砂锅问到底，去探讨机器智能的产生本源，是否与人类智能相同？或是说它是否具有意识或情感？在当前阶段，这可能是一个难以回答的问题。因为我们连人类大脑的结构、意识如何产生、情感如何形成都还没有研究清楚，更不用说机器的智能和情感是如何产生的了。

魏忠钰： 这类问题我也时常思考。但坦白说，这个问题超出了我现有的科学训练和知识储备。非要说的话，我认为这种可能性是存在的，毕竟 地球上的“霸主”已经更换过好几轮了。从很长的时间线来看，人类被取代的可能性也不小。

然而，站在当前的角度，我认为 智能技术的发展，应该以“为人类创造更大福祉”为目标。 我记得Hinton在去年的一个报告中提到，在生物学发展的历史上，从未出现过一种社会形态，是由低阶智能领导高阶智能的。因此，如果人工智能未来发展到远超人类智能的形态，对人类显然是不利的。这是我认同的一个前提。

基于此，我们在人工智能技术的发展过程中，确实需要对其安全性及其对社会的影响进行充分评估。在技术发展路径的选择上，应该优先考虑如何用技术创造更大的社会价值，而不是单纯追求智能的超越。

魏忠钰： 我们在社会医疗领域的工作，主要是将智能化手段引入医疗服务场景中。这些场景的服务对象既包括患者，也包括医生。中国的现状是人口基数大，医疗资源相对不足。通过将智能化手段引入医院等医疗机构，可以减轻医生的负担，同时提升患者的服务体验。

目前，我们与复旦附属眼耳鼻喉科医院合作，开发了一款智能导诊助手PIORS。由于眼耳鼻喉科医院是专科医院，科室设置非常复杂，患者往往难以快速找到对应的科室。这款导诊助手就可以帮助患者快速定位到能够提供服务的科室。

另一方面，我们也为医生提供服务。医生的工作压力非常大，除了为患者提供诊疗服务外，还需要承担科研、病程管理和病历记录等任务。我们通过智能化手段，帮助医生生成问诊总结的草稿、住院记录的草稿等，从而减轻他们的工作负担。

在大模型出现之前，这类需求虽然存在，但由于模型能力的限制，相关技术的研发和落地显得遥不可及。现在却是一个非常好的时间节点。基础模型的能力正在不断提升，即使当前产品的需求满足度尚未达到100%，未来仍有很大的提升空间。同时，产品设计、服务模式设计以及场景数据的积累都需要时间推进。因此，场景智能化技术的探索应与基础模型能力的研究同步进行，这样才能更快、更好地将智能化技术带入实际应用场景。

魏忠钰： 在重大决策场景中使用AI技术时，其伦理问题非常值得探讨，同时也需要制定相应的政策。就我个人而言，我并不支持抛开人类、完全依赖智能化的服务，尤其是在医疗场景中。现在有一个非常流行的词叫“情绪价值”。在就医过程中，除了获得专业的医疗建议外，从专业人士那里获得情绪价值是医疗服务中不可或缺的重要环节。如果我们将医疗服务完全从人类转移到机器上，那么这部分情绪价值的提供就会被削减，我们所获得的医疗服务也会大打折扣。

因此，我更看好的是智能化手段与人类医生的配合。这涉及到医疗资源不平衡的问题。在大城市，医疗资源集中，我们可以很容易找到高水平的医生专家，获得精准的医疗建议。但在一些偏远或经济欠发达地区，医疗从业人员的专业水平与大城市医生相比存在差距。在这种情况下，我们能否通过AI技术与人类医生的结合，提供高质量且具有温度的医疗服务，是一个值得探索的路径。

关于责任承担的问题，如果是人与机器协同工作，那么医疗责任可以由人类医生及其使用的工具共同分担。

魏忠钰： 在文字和语言方面，机器当然可以提供一定的情绪价值。然而，人与人之间的亲近感所蕴含的情绪价值，是机器无法提供的。因此，我仍然支持AI技术作为人类能力的延伸，辅助人类提供更好的服务，而不是完全取代人类。

魏忠钰： 大模型的偏见问题目前是学术社区广泛关注的课题。许多学术机构成立了伦理委员会，旨在评估相关研究和学术成果是否会加重智能技术的偏见，从而对社会产生负面影响。

从技术手段来看，价值对齐的模型训练是一些学者关注的方向。他们希望通过训练让语言模型对齐某些价值观，例如友爱、平权、减少歧视等。在训练过程中，可以使用符合主流价值观或目标价值观的数据对模型进行训练，以达到预期效果。

在模型应用过程中，可能需要对使用场景进行限定。例如，在招聘、司法等敏感场景中，应减少对模型输出结果的依赖，引入更多人类监督，从而缓解大模型偏见对社会不公带来的负面影响。

魏忠钰： 在ChatGPT发布后，学术社区曾引发过广泛讨论，甚至有人开玩笑说“自然语言处理已经不存在了”，后来类似的表述也出现在计算机视觉等领域。这种说法虽然带有调侃成分，但也反映了一个真实的现象：在这一波人工智能前沿探索中，高校团队由于资源（如算力和数据）的不足，能够做出的贡献和影响力正在逐渐减少。

在这种背景下，学术团队，特别是从事相关研究方向的团队，如何找到自己的价值并做好定位，是我们一直在思考的问题。对此，我的答案是两个方面：

第一，高校学术机构除了学术创新外，他一个重要职责是人才培养。

人才培养的目标是让学生具备逻辑思考能力、严谨分析能力以及对前沿技术的掌握。这些目标可以通过一些资源依赖较小的项目来实现。高校学术团队的重要责任是为产业界和未来的学术社区培养更多训练有素的科研人才。这一责任不会因科技前沿的变化而受到太大影响，只不过人才培养可能会变成高校与企业界共同合作完成的任务。例如，学生的基础学术素养可以在高校科研团队中培养，而产业界落地能力和科技创新能力的培养，则可以在博士生中后期通过与企业的联合推动来实现。

第二，高校学术团队仍需而且也仍然会承担学术前沿探索和科技创新探索的责任。

在当前背景下，我们面临的困境是如何保持定力。当产业界和社会的关注点不断变化时，学术团队需要坚持对某些学术方向的判断。例如，在以人类反馈作为模型训练指标的范式出现之前，强化学习领域的学者坐了很长时间的“冷板凳”。即使在ChatGPT发布后，强化学习的作用也并未立即凸显，直到DeepSeek-R1的出现，才真正证明了强化学习的价值。那些在过去几年坚持强化学习前沿技术和理论探索的学者，他们的坚持非常重要。从更长线来说，持续探索强化学习理论的学者也居功至伟。

对于大语言模型或自然语言处理领域的学者来说，由于我们所关注的前沿技术已经进入产业阶段，如何调整学术和科研重心是当前需要做出的判断。在做出判断后，我们还需要进行长期的理论积累，以迎接下一波技术浪潮。

当然，也有许多学术从业者选择在当前阶段拥抱科技创新大潮，这也是一个可行的选择。

魏忠钰： 在我看来，我非常羡慕现在从事神经科学或脑科学研究的学者，因为相关的研究条件正在不断成熟。 在不久的将来，科技创新的前沿阵地或者叫活跃区域会转移到他们的领域，届时他们将迎来属于自己的爆发时刻。 因此，如果我现在是神经科学或脑科学领域的学者，我会告诉自己，要专注于定位场景中的真问题，找到那些能够发挥实质性作用的关键点，并不遗余力地去突破它们。无论是大语言模型领域还是强化学习领域，都有许多成功的先例可以借鉴。

魏忠钰： 我认为人工智能的发展高潮尚未结束，未来一段时间内，它在其他领域的成果会逐渐显现。因此，在神经科学和脑科学领域，人工智能也必将产生实质性的影响。关注人工智能相关技术对下一步的发展至关重要。

一个好消息是，随着开源社区的兴起，大语言模型和多模态模型的技术门槛正在降低。这为非相关领域的从业者使用人工智能技术提供了便利，大大减少了入门所需的时间和精力投入。此外，随着国家推动的人工智能教育和人才培养政策的落地，神经科学和脑科学的年轻从业者在学习和培训过程中，人工智能已经成为其中的一个重要环节。因此，未来进入神经科学和脑科学领域的学者，很可能已经具备了AI技能。

几个世纪以来，对人类大脑的研究一直吸引着科学家和哲学家。随着我们对其结构和功能的理解不断进步，这一探索也引发了一个悖论： 作为认知和自我意识的复杂器官，大脑如何能研究自身？

你是否也思考过这一问题呢？或者更准确地说，你的大脑是否思考过这一问题？它挑战了我们对自我参照、意识和自我理解的根本认知。有一些观点认为“自我模型（一个系统，如人类大脑，对自身的表征或理解）通常无法由实现它们的系统进行实证检验”，即由于这个模型是由系统自身生成和运行的，系统无法完全跳出自身来客观地检验这个模型的准确性。换句话说，我们无法像外部观察者那样，以独立的方式验证其自我模型的真实性或完整性。

但另一方面，我们每个人都需要承认自我参照在区分自我与他者方面起到的关键作用。 在神经层面，自我参照是识别“自我”与“非自我”的核心机制。这种观点强调了自我参照的积极功能，尤其是在维持个体身份和边界方面的重要性。

我们通常通过测量和感知研究外部现象。然而，当研究对象是我们自己时，情况就变得复杂了。 大脑既是研究的主体，又是研究的客体，这种自我参照的特性使得研究自身变得异常复杂。为了理解自身，大脑不仅需要依赖外部的感知，还需要内省（即自我反思）。

我们认为针对“意识”会产生内省和感知两种版本的假设， 但由于感知和内省依赖于不同的认知机制，它们产生的证据可能并不一致—— 支持其中一个假设的证据并不能支持另一个假设。 这种自我研究的悖论类似于“尺子无法测量自身长度”。大脑在试图将自己纳入研究对象时，既应该在集合内，又应该在集合外，从而导致悖论的存在。

本文旨在探讨大脑自我研究这一悖论的复杂性，并从多个角度提供关于大脑如何追求理解自身的见解 ^[1] 。为了更好地理解这一复杂问题，我们将从四个层次进行分析。

首先，在 认识论层面 探讨了自我参照研究中固有的知识限制，即大脑在试图理解自身时可能遇到的认知边界。随后在 本体论层面 讨论意识的本质，即意识如何作为一种涌现现象自我维持。另外本文还会 结合神经科学的还原技术（如功能成像和脑刺激）从方法论层面 来研究意识的神经基础，同时引入非还原的现象学视角，以解释主观体验。最后 从实证层面 通过实验数据为跨领域的假设检验提供支持。这样既涵盖了还原论的视角，也包含了非还原论的观点，能为理解意识提供了一个全面而包容的框架。

“存在感”源于认知、感知和内省过程的相互作用，是人类意识的深层表现。神经科学研究表明，自我反思作为意识的关键过程，使主体能够内省并推断自己的思想、情感和体验。此外，抽象思维和符号表征的能力使人类能够超越感官限制来思考自己的存在 ^[10] 。值得注意的是，这种存在感不仅由个体认知塑造，也受到社会文化因素的深刻影响。例如，语言、共同信仰和社会规范通过构建“叙事自我” ^[2] ，进一步定义了我们对“存在”的集体理解。然而，当我们将视角从人类扩展至其他生物时，一个根本问题随之浮现：意识是否仅限于人类，还是可能存在于动物甚至植物中？这一追问至今仍是哲学与神经科学争论的焦点。

对于意识的判定，一种常见观点认为需通过观察对象是否表现出有意识的行为来推断。但这一标准本身充满争议—— 意识并非如物理属性般界限分明 ，其模糊性类似于“沙堆悖论”中“多少粒沙子构成一堆”的无解之问。意识非常主观，可能无法完全用客观的物理过程来解释，也很难找到确凿的证据来证明意识的存在 ^[3] 。这种主观体验源于大脑生成的自我模型，是一个复杂的内部过程和表征的集合，它让我们产生了“自我”的感觉 ^[4] 。

历史上，哲学家们对意识的本质和心灵与身体的关系进行了广泛探讨。笛卡尔的二元论认为，心灵和身体是分离的实体，这一观点为理解大脑的自我反思能力提供了框架。然而，由于缺乏实证工具，这一观点无法被真正检验。现代神经科学则试图通过整合大脑功能模型来弥合这种二元论，但主观体验的边界仍然是一个难以逾越的障碍。这种从二元论到神经科学的历史演变，反映了我们在研究大脑自我参照时所面临的挑战，尤其是如何调和内省与感知描述这两个极端难题。

此外，叔本华等哲学家也认识到大脑自我参照的复杂性。当代科学家则通过强调大脑功能与人类心理的相互依赖性，质疑了二元论的观点。尽管如此，大脑研究自身的意图和最终目标仍然是一个未解之谜。

大脑的自我研究能力对我们理解意识、自我意识和人类认知具有深远的意义，但这一过程也带来了潜在的偏见和伦理考量。

自我研究的概念本质上涉及自我参照 ，这种自我参照在数学逻辑和哲学中引发了经典的悖论，如说谎者悖论和罗素悖论， 并构成了哥德尔不完备性定理的基础。 这些理论表明， 任何足够复杂的系统都无法完全描述自身，这揭示了自我参照的固有局限性。 当大脑试图“研究自身”时，它既作为研究的主体，又作为研究的客体，而 主观体验与客观测量具有不可调和性。 从中，我们可以看到认知系统中的自反性问题，这体现了从第一人称视角理解意识的根本局限性。

不过，尽管大脑自我研究的悖论尚未完全解决，但它为我们提供了深入研究意识和自我意识的动力。通过跨学科的合作，我们或许能够逐步揭开这一复杂谜题的面纱，进一步理解人类大脑的奥秘。

意识的“简单问题”是指解释大脑如何实现意识功能的问题 ，例如感知和元认知。称其为“简单问题”，是因为它已经通过现代神经科学技术（例如神经影像学）得到一定程度的解决，并且正在以越来越精细的方式改善解决方式。这些技术用于收集证据来判断实验对象是不是一个有感知的人工制品。如果我们将这种证据收集视为一种感知构建 ^[5] ，那么“这是一个有感知的人工制品”这一假设在我的大脑中就是用来解释我感官输入中的统计——这是一种规律性，而不是反映预测误差的不规律性。

但“困难问题”像要解释的是为什么这些物理过程会产生主观体验， 即“为什么会有感觉”？例如，为什么我们看到红色时会有“红色”的主观体验，而不仅仅是大脑中的神经活动？

“困难”首先体现在自我参照的局限性上，就像上文所说的那样，大脑同时扮演了研究的主客体两个角色，而这两个角色存于一身时的不可调和性使研究自身变得异常复杂。另外，主观体验还具有不可测量性：你可以通过测量身高来判断一个人是否“高”，但你无法通过类似的方式测量自己的意识。你的内部体验（如感觉、情绪）是私密的，无法通过外部观察直接验证。你的大脑就像一个被“马尔可夫毯”或“全息屏幕”包裹的系统，这些边界隔绝了内部动态与外部世界的直接互动。你无法完全突破这些边界来客观地研究自己。

总而言之，意识可以被看作一个解释我们如何感知和理解世界的有用假设。例如，我们可以假设“你是有意识的”，并通过观察你的行为来验证这一假设。然而，当我们试图将这一假设应用到自身时，就无法像测量外部对象那样测量自己的意识， 因为观察别人基于感知证据，是在解决一个可观测的、客观的假设。观察自己则基于内省证据，只能证明主观假设，是“困难问题”，两者之间不能互相证明。 就像试图用镜子看到它的背面，我们的大脑可以研究外部世界，但当我们试图研究自己时，就会遇到无法逾越的边界。

为了进一步理解意识的“简单问题”与“困难问题”，我们可以引入概念二元论。 这一理论提出，意识状态可以从现象学和物理学的角度来区分。 虽然主观体验和大脑的物理状态实际上是同一事物，但为了理解它们，我们给出了不同的概念（现象概念和物理概念）。

这种双重概念导致了“独特性”的错觉，即我们误以为意识和物质是分离的。 例如从神经科学版本理解意识时，它属于物理概念类别，关注的是大脑如何实现意识功能。而哲学版本的意识属于内省概念类别，关注的是主观体验的本质。这种区分能帮助我们理解为什么感知和内省证据之间无法直接相互支持。

现在，让我们重新从概念二元论来理解意识的“简单问题”和“困难问题”之间的关系。意识的“简单问题”关注的是大脑如何实现意识功能，而“难题”关注的是这些功能如何产生主观体验。通过概念二元论的框架，我们可以更好地理解这两种视角之间的关系，并为统一感知与内省证据的讨论提供理论基础。

统一感知与内省证据是意识研究中的一个重要挑战。感知证据是通过外部观察和测量获得的，而内省证据则是通过内部反思和自我观察获得的。这两种证据可能并不一致，因为它们源于不同的认知机制。例如，通过感知（如神经影像技术）获得的关于大脑活动的证据，与通过内省（如自我报告）获得的关于主观体验的证据之间，可能无法直接相互支持或验证。这种不一致性使得大脑在试图理解自身时面临独特的挑战。

未来的研究可以通过计算建模和实验神经科学的结合，进一步探索自我参照的挑战。 自我参照性是这一悖论的核心概念——即大脑既是研究的主体，又是研究的客体——这种特性在其他涉及系统观察或与自身互动的领域中同样引发了类似的挑战。例如，在物理学中，量子力学长期以来一直在应对诸如观察者效应——即测量过程本身会影响测量结果的现象 ^[6] ——之类的自我参照问题。这些类比表明，我们在研究自我意识时遇到的悖论可能并非神经科学独有，而是系统试图观察自身时所面临的根本认识论限制。

借鉴这些跨学科的见解，我们可以提出新的方法来研究意识中的自我参照挑战。科学家们正在利用先进的计算工具和理论框架，试图模拟和理解大脑如何在自我参照的过程中保持平衡，而不陷入不稳定的反馈循环。计算建模为研究自我参照的悖论提供了一个强大的工具。通过创建递归的、自我交互的模型，研究人员可以模拟系统“观察”自身的条件，从而研究反馈循环和自我参照动态如何影响行为。例如，基于神经网络或基于代理的系统的模型可以模拟简化版的自我意识 ^[7] ，揭示不同层次的“自我观察”如何影响认知状态，甚至模拟自我意识的动态。

预测编码和自由能原理是理解自我参照过程的另一个重要理论框架。根据自由能原理，大脑通过最小化预测误差来维持内稳态并适应环境。这一框架可以应用于自我参照过程，帮助我们理解大脑如何在感知和内省的递归层次中保持平衡，而不会陷入不稳定的反馈循环。具体来说，预测编码的公式可能为我们提供关于自我意识如何维持的见解，有效地平衡大脑的内部表征与外部一致性的需求 ^[8] 。 通过计算理解这些过程，我们或许能够揭示大脑如何避免认知过载或不稳定性，从而阐明在递归的内省层次中如何维持心理一致性。

将计算建模与实验神经科学相结合，可以为未来的研究提供肥沃的土壤。例如，基于模拟的模型可以让我们系统地改变自我参照处理的“深度”，测试更深层次的内省是否会导致不同的稳定性模式或认知状态。

此外，这种研究还可能帮助解释其他与自我参照相关的病理现象，如科塔尔综合征 ^[9] 。在这种病症中，自我参照处理似乎受到了干扰。科塔尔综合征患者常常否认自己的存在或意识，这表明自我参照处理的损伤可能会破坏主观体验的感觉。通过模拟这些病理条件下的自我参照动态，研究人员可以更好地理解自我意识的神经基础，并为治疗这些疾病提供新的思路。

通过利用模拟和计算模型，我们可以开始弥合自我研究悖论所提出的理论鸿沟，将意识扩展为哲学和计算问题。这种跨学科的视角最终可能会丰富我们对意识的理解，并扩展我们的方法论，利用这一悖论作为推动神经科学和哲学研究的动力。例如，计算模型可以帮助我们理解意识的主观体验如何从神经活动中涌现，从而为意识的“难题”提供新的见解。通过将哲学问题转化为可计算的模型，我们可以更好地理解意识的本质，并为未来的研究提供新的方向。

总体而言，未来的研究可以通过计算建模、预测编码和跨学科研究来解决自我参照的悖论。 这些方法不仅帮助我们理解正常情况下的自我意识，还可能揭示某些病理条件下的异常现象。通过整合计算建模和实验神经科学，我们可以逐步解开意识的谜题，并为未来的研究提供新的工具和视角。这种跨学科的研究方法不仅丰富了我们对意识的理解，还扩展了我们的方法论，将自我参照的悖论用作推动神经科学和哲学研究的动力。通过这种方式，我们或许能够逐步揭开意识的奥秘，进一步理解人类大脑的复杂性。

大脑自我研究的悖论不仅是一个科学难题，也是一个哲学问题。它促使我们重新思考意识的本质，以及我们如何通过感知和内省来理解自身。尽管这一悖论尚未完全解决，但它为我们提供了深入研究大脑和自我意识的动力。通过跨学科的合作，我们或许能够逐步揭开这一复杂谜题的面纱，进一步理解人类大脑的奥秘。

德国诺伊迈尔III南极科考站位于南极洲埃克斯特伦冰架的边缘。在冬天，这里的气温可达零下50摄氏度，风速可达100公里/小时，气候异常恶劣。这种与世隔绝的环境对于一些气象、大气和地球物理学的实验至关重要。在那里，科研人员需要在科考站连续工作好几个月，忍受着漫长的寒冷与孤独。

但就在几年前，该科考站也成为了一个研究“孤独”的绝佳实验场所。德国有一个实验团队就曾试图探究，社交孤立和单调的生活环境是否会影响在这里长期逗留的科研人员的大脑。研究人员对8名在德国诺伊迈尔III南极科考站工作了14个月的远征队队员进行了大脑扫描，并从化学和认知层面对大脑机能进行评估。

让人惊讶的是，研究人员发现， 与社交正常的人群相比，遭遇社交孤立的被试者的前额叶皮层的体积明显减少 （前额叶皮层位于大脑前部，主要负责决策和解决问题） ，其大脑中的神经营养因子水平也较低 （神经营养因子是一种促进大脑神经元发育和存活的蛋白质） ^[1] 。当被试离开南极，脱离社交孤立的环境后，神经营养因子水平的减少仍然可持续一个半月之久。

目前尚不明确大脑中这些物质水平的减少，多大程度上纯粹是由长期社交孤立直接引起的。但这项研究的结果与最近一些研究的结果都表明， 长期的孤独经历会显著改变人的大脑，并且是朝着坏的方向发展。

有些神经科学的研究表明，孤独并不一定是由缺乏与他人接触的机会或社交恐惧引起的。大脑中的神经环路和行为的变化让人们陷入两难：这些人一方面非常渴望与他人建立联系，另一方面又觉得他人即灾难——不值得信任、挑剔、不友好。因此，他们会与人群保持距离，有意或无意地拒绝任何潜在的社交接触。

社交孤立是衡量一个人有多少社会关系的客观指标，是可以被明确量化的。但孤独感却与之很不同，很难进行实证研究，因为它完全是个体的主观情绪体验。 虽然目前研究人员开发了类似的孤独感量表等工具来帮助评估个体的主观感受，孤独的体验很大程度上仍然依赖于被试的语言描述。

全球范围内，孤独感对人们造成的身心伤害无疑是深远的。在一项调查中，22%的美国人和23%的英国人表示他们总是（或经常）感到孤独 ^[2] 。而截至2020年10月，新冠疫情更是加剧了人们的孤独感：36%的美国人表示感到“严重孤独”。

孤独不仅仅让人情绪不佳，它还会损害人的健康，可能导致高血压、中风和心脏病。 它还可以使人们患2型糖尿病的风险增加一倍，患痴呆症的概率增加40% ^[3-5] 。而长期孤独的人的死亡率也比社交正常的人高83%。

在国外，一些社会组织和政府常会通过鼓励人们多外出活动，建立业余爱好俱乐部、社区花园和手工艺团体来帮助解决社会上的孤独问题。然而，正如神经科学研究所表明的那样： 摆脱孤独并非易事，单靠增加人们社交接触的机会远远不够。

几年前，当德国和以色列的神经科学家研究孤独时，他们预期孤独感的神经基础应该与社交恐惧症相似，都与杏仁核这一结构相关（杏仁核是大脑的恐惧中心。当人们面对害怕之物时，比如蛇，杏仁核就会被激活）。该团队成员之一，来自德国波恩大学的博士生贾娜·利伯兹（Jana Lieberz）说：“我们原以为社交恐惧症的处境会使人们杏仁核的活动增加，那么类似地，处于孤独状态的人的杏仁核应该也会被激活。”

然而，令该研究团队意外的是， 尽管有威胁的社交环境会增加社交恐惧者的杏仁核活动，但对处于孤独状态中的人却丝毫没有影响。 同样，社交恐惧者大脑中“奖赏中心”的活动减少，而处于孤独状态中的人却并无这种情况 ^[6] 。

该团队成员之一，来自德国波恩大学的博士生贾娜·利伯兹（Jana Lieberz）说：“社交恐惧的核心特征在孤独中并不明显。”孤独和社交恐惧是完全不一样的东西，这也就意味着，平时在治疗恐惧症中较为有效的暴露脱敏疗法对于缓解孤独可能并不奏效 ^[7] 。 告诉处于孤独状态下的人多出去社交，如隔靴搔痒，无法触及孤独感的本质。 最近的一项元分析也证实，仅仅让处于孤独状态的人暴露在易于与他人互动的环境中，对孤独感的缓解并没有实际意义 ^[8] 。

孤独的问题似乎在于它让人们产生某种思维偏见。在一项行为研究中，相较于对照组，处于孤独状态下的人似乎对负面的社交信息更为敏感。他们也更喜欢站在距离陌生人更远的地方，他们不太信任别人，也不喜欢与他人发生身体接触 ^[9-11] 。

“ 无论处于孤独状态下的人们接收到什么样的外部信息——面部表情、文字等，他们都倾向于对此作负面的情绪认知处理，而这进一步让他们深陷孤独的深渊。 这可能就是为什么处于孤独状态的人，其情绪往往遵循‘螺旋式下降’”，麦吉尔大学的研究员达尼洛·布兹多克（Danilo Bzdok）说道。

尽管处于孤独状态下的人们可能会觉得与他人接触是不舒服的、不愉快的，但他们似乎仍然渴望与他人建立联系。芝加哥大学神经科学家约翰·卡乔波（John Cacioppo）因对孤独感的研究而被尊称为“孤独博士”，他曾假设， 孤独感是一种进化上的适应特征，类似于饥饿，标志着我们的生活出了某种问题，身体发出了求救信号 ^[15] 。 正如饥饿会促使我们寻找食物，孤独也会促使我们寻求与他人的联系。对于生活在非洲大草原上的祖先来说，他们的生存很大程度上取决于与群体的联结，孤独感所触发的社交欲望攸关生死。

最近的一些脑成像研究也支持这一观点，即孤独感深植于我们的内心。在一项研究中 ^[16] ，剑桥大学神经科学研究助理利维娅·托莫娃（Livia Tomova）和同事们扫描了40位被试者在禁食10小时后观察美食图片时的大脑活动。同样地，他们让这群人独处10个小时——期间不能使用电话、电子邮件等可以与他人联结的媒介，甚至不能阅读小说。随后，他们让被试者看朋友们的照片。有趣的是，科学家们比较这两组实验结果发现， 在饥饿和孤独时，人们的大脑激活模式非常相似 。

这项实验强调了孤独感的一个重要事实：仅仅10个小时的社交孤立就足以引发与食物剥夺基本相同的神经信号。正如托莫娃所说的，这意味着 “我们想要与他人建立社交联系的渴望是像我们对水和食物一样的基本生理需求” 。

最近的一些研究似乎也证实了一种名为 “社 交大脑假说” （social brain hypothesis）的进化理论，该理论认为频繁的社交活动使得大脑变大。研究显示，圈养在更大的社交群体中，或与更多的同类共享生存空间的非人灵长类动物，其大脑更大，与高级认知功能相关的前额叶皮质也具有更多的灰质 ^[17-18] 。

而人类没有什么不同。2022年的一项研究发现 ^[19] ，处于孤独状态的老年人群，其大脑发生了局部萎缩，包括处理情绪的丘脑和负责记忆存储的海马体。研究者认为，这些变化可能有助于解释孤独和痴呆之间的联系。

当然，我们尚不能确定孤独和大脑尺寸两者之间的因果联系：是大脑结构的改变让我们更易感孤独，还是孤独引起了大脑萎缩？布兹多克认为，目前还不可能解决这个难题，但因果联系可能是互通的。

一方面，关于灵长类动物的研究和德国诺伊迈尔III南极科考站实验的结果表明， 经验和社会环境因素能够对个体的大脑结构产生巨大的影响，这强化了孤独能够引起大脑改变的观点。 另一方面，对双胞胎的研究表明， 孤独感在一定程度上是可遗传的：几乎50%的个体孤独感差异可以用基因型的多样性来解释 ^[20] 。

但孤独并非无药可救。研究表明，认知疗法可以通过训练人们意识到自己的行为和思维模式如何阻碍他们与他人建立重要联系，从而有效地缓解孤独。

在最近的一项研究中 ^[21] ，利伯兹和同事们观察了玩信任游戏的人群的大脑活动。他们发现，孤独人群的脑岛活跃度远低于社交正常的人群。利伯兹解释说：“当我们体察自己的直觉时，脑岛会激活。”这可能能解释 为什么处于孤独状态的人难以信任他人——他们无法相信自己的直觉。 因此，针对信任的干预措施可能是解决孤独问题的另一方案。

另一个想法是鼓励同步性。研究表明， 评估人们多大程度上喜欢和信任彼此的一个关键，在于他们的行为和反应的实时匹配程度。 个体之间的这种同步性可以很简单，比如在交谈中微笑或模仿对方的肢体语言；也可以很复杂，比如担任合唱团或赛艇队的一员。在一年前发表的一项研究中 ^[22] ，利伯兹和同事们表明，处于孤独状态的人很难与他人同步，以及这种不和谐会导致他们大脑中负责观察动作的区域超速运转。引导处于孤独状态中的人如何与他人同步可能是另一种干预措施。 “鼓励同步性也许本身并不能直接治愈孤独，但它可能是治愈的开始” ，利伯兹说道。

如果上述措施都无法奏效，那么可能需要考虑化学疗法。在瑞士进行的一项实验中，当被试者服用神奇蘑菇中的精神活性化合物——裸盖菇素（psilocybin）后，他们感觉不那么被社会排斥了。而对服药者的大脑扫描结果也显示，处理痛苦的社交经历的脑区活动变少了。

虽然认知行为疗法、鼓励信任和引导同步性，甚至摄入神奇蘑菇等干预措施都有可能治疗长期的孤独，但短暂的孤独感永远是人类体验中珍贵的一部分，并且它并不是坏事。

孤独与压力相似：它们令人不快，但不一定是负面的。它可以为身体提供能量，帮助我们更好地应对挑战。而只有当我们长期处于孤独状态时，它才会是问题。

城市街道上，一辆自动驾驶汽车正在行驶中。突然，一个孩子追着皮球冲向马路。

车载系统的多个传感器立即捕捉到这一情况——摄像头、激光雷达和毫米波雷达同时工作，专用的神经网络处理器和GPU开始高速运算， 整个系统在峰值状态下消耗数百瓦的电能 ，通过并行计算在约100毫秒内完成从感知到决策的过程。

而同样的情况，人类司机只需一瞬间就能踩下刹车，处理这种复杂场景， 大脑仅消耗约20瓦的能量 ——相当于一个小灯泡。更令人惊叹的是，大脑通过分布式并行计算，同时还能处理呼吸、心跳等数不清的其他任务。大脑可以在极低能耗下进行并行计算，能够从有限经验中快速学习，并且可以自适应地处理各种未知情况。

正是这种巨大的效率差距，推动着科学家们开创了一个全新的研究领域—— NeuroAI （神经启发的人工智能）。这个新兴领域正试图打破传统AI的局限， 通过模仿大脑的工作方式来创造更智能、更高效的AI系统。 比如，借鉴大脑处理视觉信息的方式，来改进计算机视觉；参考神经元之间的连接模式，来优化深度学习网络；甚至学习大脑的注意力机制，来降低AI系统的能耗。

本文将带您深入了解NeuroAI，回顾其定义、发展历程、研究现状和未来趋势。结合近期美国国立卫生研究院（NIH）举办的NeuroAI学术研讨会上分享的最新研究进展，探索 NeuroAI 如何模拟大脑的学习机制、信息处理方式和能量利用效率，以及如何解决当前AI面临的瓶颈问题。

NeuroAI体现了人工智能与神经科学的双向融合：一方面，它将人工神经网络作为研究大脑的新工具，通过构建可验证的计算模型来检验我们对神经系统的理解；另一方面，它借鉴大脑的工作原理来改进人工智能系统，将生物智能的优势转化为技术创新。

多年以来， AI研究的基本目标，始终是构建能够完成一切人类擅长任务的人造系统。 为此，研究者持续将目光投向神经科学的研究从中获得灵感。神经科学激发人工智能的进步，而人工智能为神经科学模型提供测试平台——这形成了一个正反馈循环，加速了这两个领域的发展。

AI与神经科学之间的关系，实际上是互利共生而非寄生关系。 AI为神经科学带来的收益与神经科学为AI带来的益处旗鼓相当。例如，人工神经网络是许多对视觉皮层的最先进神经科学模型的核心。这些模型在解决复杂感知任务上的成功，促成了大脑可能如何执行类似计算的新假设。人工“深度”强化学习，一种结合深度神经网络与试错学习的神经启发算法，同样是一个令人信服的人工智能和神经科学相互提升的案例。它不仅推动了AI的突破性成就（包括在围棋游戏中实现超人类表现的AlphaGO），而且还激发了人们对大脑奖励系统产生更深入的理解。

计算机科学与神经科学的交织可以追溯到现代计算机的诞生之初。1945年，计算机之父约翰·冯·诺伊曼在其具有里程碑意义的EDVAC架构论文中，专门用一章讨论了该系统与大脑的相似性，且文中唯一的引用就是一项大脑研究成果（Warren McCulloch & Walter Pitts，1943）。这篇论文被广泛认为是第一篇关于神经网络的文章，为之后数十年的神经科学与计算机科学相互启发奠定了基础。

神经网络的概念在1958年迎来重大突破。Frank Rosenblatt发表了题为“感知机，一种大脑中信息存储和组织的概率模型“的论文，首次提出“ 神经网络应该通过数据学习而非固定编程 ”的革命性观点 。这一成果在《纽约时报》以“电子‘大脑’的自我学习”为题得到报道，掀起了早期人工智能研究的热潮。尽管1969年Marvin Minsky和Seymour Papert指出了单层感知器的局限性，引发了第一次“神经网络寒冬”，但“ 突触是神经网络中的可塑元素或自由参数 ”这一核心理念始终延续至今。

在人工智能的近期发展中，还有众多来自受神经科学启示而来的案例。NeuroAI最具代表性的应用是图像识别领域大获成功的“卷积神经网络”，其灵感源自David Hubel和Torsten Wiesel四十年前对大脑视觉皮层的建模研究。另一个典型案例是“Dropout技术”，即在训练过程中随机关闭人工网络中的单个神经元以防止过拟合。它通过模拟大脑神经元随机错误放电，帮助人工神经网络获得更强的鲁棒性和泛化能力。

过去十年，AI在多个领域取得了显著进步，可以撰写文章、考取律师资格、证明数学定理、复杂编程以及语音识别。然而，在真实物理世界中的导航、跨时间尺度的做规划和推理感知等诸多方面，AI的表现充其量只算得上平庸。

正如理查德·费曼所言：“ 大自然的想象力远超人类。 ”大脑作为目前唯一能够完美执行这些复杂任务的计算模型，经过5亿年的进化打磨，使得动物能够轻松完成诸如捕猎等当前AI仍然难以胜任的复杂任务。

这正是NeuroAI希望借鉴的方向，通过研究大脑的工作机制来突破当前AI系统的瓶颈。在具体实现上，主要表现在以下几个方面：

（1）基因组瓶颈

不同于AI需要海量数据从0开始训练，生物智能通过“ 基因组瓶颈 ”（genomic bottleneck）有效继承进化解决方案，使得动物能够基于本能执行复杂任务——“ 生物智能源自于基因组瓶颈 ”。基因组在这个过程中扮演着关键角色：它提供了构建神经系统的基本蓝图，指定了神经元之间的连接模式和强度，为生物体的终身学习奠定了基础。

值得注意的是，基因组并不直接编码具体行为或表征，也不直接编码优化原则。它 主要编码连接规则和模式 ，这些规则和模式需要通过后天学习才能产生实际行为和表征。 进化的对象是这些连接规则 ，这启示我们在设计AI系统时应该更多地关注网络的连接拓扑和整体架构。

这一发现对AI系统的设计具有重要启示。我们可以模仿生物解决方案的连接模式，比如利用视觉皮层和听觉皮层相似的连接方式来设计跨模态的AI系统。通过“基因组瓶颈”压缩权重矩阵，我们可以 提取神经网络中最关键的连接特征充当“信息瓶颈” ，以实现更高效的学习方式，减少对训练数据的依赖。

（2）人脑的节能思路

人工神经网络在能耗方面与生物大脑存在巨大差距。目前，ChatGPT等模型进行实时对话所需的能量，至少是人类大脑消耗能量的100倍。而将GPU阵列的能量消耗与全脑的能量消耗进行比较，本就显著低估了大脑的能量优势，实际上维持对话只占用大脑能量消耗的一小部分。

大脑的极高能耗率，可能得益于两个关键因素—— 神经元“稀疏”的运行方式 以及 大脑对噪声的高容忍度 。

首先，神经元消耗的大部分能量用于产生动作电位，能量消耗大致与神经脉冲的出现频率成正比。 在大脑皮层中，神经元以稀疏方式运行，平均每秒仅产生约0.1个脉冲。 相比之下，当前的人工网络则是在高能耗、高脉冲率状态下运行。虽然目前人工网络的能效已有所提升，但我们距离掌握大脑那种基于稀疏脉冲的节能计算模式还很遥远。

其次，大脑可以容忍噪声的存在。 在突触传递过程中，即使高达90%的脉冲未能触发神经递质的释放，大脑仍能正常工作。 这与现代计算机形成鲜明对比。计算机的数字计算依赖于精确的0和1，即使单个比特的错误也可能导致灾难性的失败，因此需要消耗大量能量来确保信号的准确性。如果能开发出在噪声环境中运行的类脑算法，可能会带来显著的能源节约。

（3）生物系统平衡多个目标

生物系统与人工智能在目标管理方面也存在显著差异。目前的人工智能系统往往只追求单一目标，而生物体需要在当下和长期尺度上平衡多个目标，包括繁衍、生存、捕食、求偶等多个方面（即所谓的4F）。我们对动物如何在多个目标之间取得平衡的机制仍知之甚少，这主要是因为我们尚未完全理解大脑的计算机制。随着我们努力开发能处理多目标的AI系统， 神经科学的研究成果可为AI提供指导，而AI模型又可以作为验证大脑多目标管理理论的测试平台 。这正体现了神经科学与人工智能研究的良性互动，加速两个领域的发展。

神经科学与人工智能的交叉融合正在不断深入，研究人员从生物智能系统中汲取灵感，探索着从微观分子到宏观系统的多个层面。以下梳理了2024年11月NIH主办的专题研讨会上分享的一系列NeuroAI创新成果，有益于加深我们对智能本质的理解。

1、星形胶质细胞的生物计算

活体神经网络具有快速环境适应性和从有限数据中学习的能力。其中，星形胶质细胞作为模拟信息的载体，在神经网络的信息缓慢整合处理中发挥着关键作用。这一发现为理解生物神经网络的独特性能提供了新视角，对神经科学和人工智能领域都具有重要启示。

2、闭合神经科学与虚拟神经科学之间的循环

神经技术的重大进展，使得研究人员能够在自然条件下对神经元活动进行前所未有的覆盖率和生物物理细节精度地记录。通过开发数字孪生和基础模型，研究人员可以进行虚拟实验和假设生成，模拟神经活动，并以超越传统实验方法限制的方式探索大脑功能。这种向虚拟神经科学的转变，对于加速神经科学进步至关重要，也为开发灵活、安全和人性化的AI系统提供洞见。

3、具有树突的高级神经AI系统

树突作为神经元的接收端，在生物智能中扮演着关键角色。将树突特征整合到AI系统中不仅能提高能源效率，还能增强系统的抗噪声能力，解决灾难性遗忘等问题。然而，树突的核心功能特征及其在AI中的应用方式仍不明确，这限制了类脑AI系统的发展。解决这一问题需要通过跨学科研究，深入探索不同物种神经元树突的解剖学和生物物理特性。通过计算模型的辅助和新数学工具的开发，研究者可以更好地理解树突功能，从而推动树突AI系统的发展，并加深对生物设计原则及其进化意义的认识。

4、NeuroAI的未来，从昆虫和数学中汲取灵感

当前AI系统虽然强大，但需要依靠庞大的网络、海量的数据集和巨大的能耗来支撑。与自然智能相比，它们缺少了关键的生物机制，如神经调节、神经抑制、生理节律和树突计算等。如何将这些机制应用于AI以提升其效能，成为一个重要课题。近期完成的果蝇连接组研究提供了新的研究方向——从简单但高效的生物大脑中汲取灵感。然而，这一过程面临着重大的数学挑战，特别是在处理神经网络这类高维非线性动态系统时。

5、从神经流形中学习：从生物效率到工程智能

近期实验神经科学和机器学习领域的研究突破，揭示了生物系统和AI在多个尺度上处理信息的显著相似性。这为未来十年神经科学与AI的深度融合提供了机遇。该研究提出， 神经网络表征和计算的几何原理，可能彻底改变我们设计AI系统的方式，同时加深我们对生物智能的理解。 要实现这一目标，需要突破以下关键领域：1）开发新技术捕捉行为过程中神经流形在动态和不同时间尺度上变化；2）构建连接单神经元与群体计算的理论框架，以揭示高效信息处理的原则；3）解释神经流形及其变换的鲁棒性的跨模态表征理论及其支持性机制；4）借鉴生物神经系统的高效机制，开发分析大规模神经数据的计算工具。通过统计物理、机器学习和几何学的跨学科研究，我们有望开发出更接近生物智能特性的AI系统，使其具备更好的效率、鲁棒性和适应能力。

6、向昆虫级智能机器人迈进

随着控制理论和AI的现代进步，现代机器人能够执行从爬梯子到折叠衣物等几乎所有人能执行的任务。展望未来， 如何设计能自主决策并执行多样任务的系统？如何仅使用机载计算机来完成这项工作，而不依赖云服务？ 果蝇为我们提供了一个理想的研究模板。我们已经掌握了果蝇大脑和腹神经索的完整神经连接组，这些微小的生物能够根据内外部状态自主切换多种行为。然而，要将这一模式应用于机器人系统，需要获取更高分辨率的连接组学数据，并扩展到更多个体样本；研究螳螂等具有更复杂行为的昆虫连接组，理解神经结构与智能的关系；深入研究树突和轴突结构，超越简单的点对点连接模型；研发可模拟百万级神经元且易于获取的类神经形态硬件。

7、混合信号神经形态系统用于下一代脑机接口

传统AI算法和技术，虽然在大规模数字数据集分析方面有效，但应用于闭环系统中实时处理感官数据时却存在限制，尤其是在人脑-类脑AI的双向接口以及需与神经系统实时交互的神经技术领域。这些限制主要体现在系统要求和能耗两个方面。 在系统层面，需要低延迟的本地处理以确保数据隐私安全；在能耗方面，由于可穿戴和植入式设备需持续运行，功耗必须严格控制在亚毫瓦级别。 为解决这些挑战，研究方向正转向自下而上的物理方法，如模拟神经形态电路和混合信号处理系统。这类神经形态系统通过被动亚阈值模拟电路和数据驱动的编码方法，可在微瓦特级功耗下实现癫痫检测等复杂生物医学信号分类任务。

随着NeuroAI领域的不断发展，我们正站在一个独特的历史节点上：神经科学与人工智能的深度融合不仅帮助我们更好地理解人类智能的本质，也为下一代AI系统的设计提供了全新思路。从基因组瓶颈到树突计算，从能量效率到多目标平衡，生物智能系统展示的种种特性正在改变我们对智能的认知。未来，随着脑科学研究的深入和AI技术的进步， NeuroAI或将带来一场计算范式的革命，帮助我们构建更接近生物智能的人工系统 。这不仅关乎技术创新，更关乎我们对智能本质的深层思考——在这个过程中，我们不仅在创造新的技术，也在重新认识我们自己。

一天，你家的花园里突然出现了一个虫洞，从中你得到了一本书，书中的文字复杂难懂，仿若外星语言，这时候你会怎么破译它？是打算先分析这些文字是否像我们的字母表那样有固定的符号集合，还是观察这些符号之间的组合规律？亦或者，你想到了借用大模型的帮助，希望它能帮你理解这本书的内容？那么，大模型究竟能不能学会“外星语言”？

在开始尝试学习外星语言之前，你知道 大模型已经成功破译了诸如鲸鱼等动物的语言 。不止如此，大模型也能够很快学会层出不穷的编程语言。那么具有哪种特质的外星语言能让大数据模型更容易破解呢？近日，《自然-通讯》的一项研究指出， 语言结构的组合性不仅让大模型的学习变得更加高效，也使人类在学习语言时变得更加轻松。

所谓组合性， 是指语言中的两个词组合起来，就能表示一个更复杂的新概念。 想象两种语言，语言A中描述黑马时，只需要将代表黑的词和代表马的词组合，就成了对应黑马的词汇；而语言B中，描述马，黑色以及黑马是三个截然不同的词。在这两种语言中，如果语言A比语言B出现了更多的组合词汇，就可以说语言A相比语言B具有更高的组合性。

对于成年人来说，学习组合性较强的语言需要更强的逻辑能力，它允许学习者推导出一组生成规则，而不是死记硬背每个单词。我们对此都有经验——学习英语的时候，了解词根再去背单词要比直接生啃单词书容易的多。 组合性强的语言能让学习者能够在接触到有限的集合后可以使用这些规则产生无限的言语表达 。 实际上，有关研究表明，现代语言通常都具有较强的组合性结构，这是在语言进化的过程中为了提高学习和使用的效率而逐渐形成的。

在编程语言中，同样存在这样的组合性，低级的汇编语言中，你每操作一个变量，都需要对应的语句；而到了诸如python这样的高级语言，则能够将多个操作整合成一个函数，然后一次调用就完成一个矩阵成千上万个数的运算。大数据模型在理解和运用编程语言，尤其是组合性强的“高级语言”中展现出一定优势，然而，在之前的研究中，大数据模型却似乎并没有从组织性强的语言中受益的倾向。

为此，Galke等人希望通过一项研究回答一个问题： 当在更结构化的语言输入上进行训练时，深度神经网络模型是否表现出与人类成年人相同的学习和泛化优势？ 研究者将GPT-3.5及RNN分别作为预训练模型以及待训练的语言模型，使用具有不同组合性的人工模拟语言作为训练文本，以考察人类被试和大模型学习这些实验室生成的虚拟语言时的学习能力。结果发现，学习文本中，结构性越强，无论对于人类，预训练还是未经训练的人工神经网络，学习后的泛化能力都是有所提升（图3）。

首先，研究人员解释了为什么大数据模型没有倾向于组合性强的语言。简单来说，深度神经网络通常具有巨大的模型容量，这也就意味着它们能轻易的记住所有单独的语言表述形式，而不需要通过识别组合模式来增强记忆。 但是这并不意味着组合性强的语言对大数据模型没有意义 ，在具有更高组合度的语言中，单个意义单元在不同的语境中被重用，因此在训练数据中出现的频率更高，这样， 由于在整个训练过程中的重复呈现，这些重复出现的意义单元及其语境化模式会得到更好的学习。

让我们回到外星人的例子中。假如外星人的书中有一份对照表，告诉你“追”的意思是“向右”，“问”的意思是“向上”，那么如果要表达“向右上”，你会怎么表达呢？在组合度高的语言中，我们都能找到规律，得出“追问”就能表达“向右上”的意思，而在组合度低的语言中，我们可能就找不到类似的规律。 这种将已学到的知识或技能应用于新的、未见过的情境或数据的能力称为“泛化”。 在高组合度语言和低组合度语言的对比中，无论是人类还是大模型，面对高组织度语言时的泛化得分都远高于面对低组织度语言时的情况（图4）。

除此之外，在使用更结构化的语言，也就是具有明确的语法规则和句法层次的语言作为训练文本时， GPT-3.5 变得与人类被试者具有更相似的预测模式， 图5B为 GPT-3.5 与同一语言、同一场景下所有人类对新语言下一个词汇预测的相似。类似地，图 5A 显示了随着训练文本结构化的提升，人类在学习泛化过程中与其他人类学习者的相似性也会提升。

而语言结构性的高低最终也会影响泛化轨迹。 高结构性语言中，规则明确且透明，每个语义单位与其对应的形式具有一致性和规律性。 在学习这个语言时，无论是人类还是神经网络都几乎没有歧义，所有可能的泛化路径最终都会汇聚成一致的答案。 低度结构化的语言则缺乏清晰的规则和组合性，在这种情况下，泛化时的可能性较多 ，不同的选项都看似合理，这会造成语言的多样性，例如方言的形成。

因此， 高度结构化的语言会允许更好的泛化，并加强不同神经网络之间以及神经网络与人类之间认知语言时的一致性。 这证明了大语言模型对于研究人类认知机制有用的观点，同时也为人类与机器在语言学习上的相似性补充了证据。

在语言的学习上，大数据模型已经被证实拥有和人类相似的学习能力，而考虑到大数据模型拥有更好的“记忆力”，也许未来真的有一天面对外星人时，大数据模型确实能帮助我们学会外星语言。然而， 真正的挑战在于，如果外星语言没有足够高的系统性，我们对语言的理解和使用可能会存在很高的错误率和不确定性。

科幻电影《降临》中的外星语言，以其高度非线性和复杂的符号结构，似乎能为人类带来超越现有认知能力的思维模式。这种语言的独特之处在于它超越了传统的线性结构，允许学习者同时获得句子的所有信息，并进而对未来事件进行预知。 从结构性语言学习的角度来看，外星语言或许具有比地球语言更高的系统性，能够为学习者提供更丰富的信息，进而赋予其预测未来的能力。

从这个角度看， 更高结构性的语言输入能够使大语言模型更好地进行泛化，从而提高其对新情境的理解能力。 因此，假设外星语言具备更加精确和有序的结构，基于大数据训练的模型可能会像人类一样，逐渐掌握并理解其语法规则，最终能够“学会”外星语言，甚至像《降临》中的女主角一样，改变认知方式，理解未来。

从科幻回到现实，如今基于大模型的智能体之间的相互通信甚至涌现出了新的语言。然而这些语言往往缺乏结构性，且无法被其他智能体轻易理解[1]。 这可能是因为缺乏“生存压力”的智能体在涌现语言时，往往产生的只是无序的、难以学习的沟通方式 [2]。人类语言的演化历史也反映了这一点。 在缺乏实际生存需求的情况下，语言往往难以保持高效和系统化 [3]。

更进一步的畅想未来，如果有一天人类想打破不同国家，不同民族之间的语言障碍，那我们也同样面临学习一门新语言的挑战。到了那时候，如果我们想设计一门新语言，就要充分考虑其结构的系统性。 只有具备清晰、结构化的语法规则，语言才能够被全球范围内的不同群体快速掌握，并被不同的智能体理解。 或许，你花园里被虫洞送来的书本，正是未来的人类跨越时间，向你发来的“世界语”词典呢？

当你闭上双眼，内心的光影仍在游走，它们是你记忆、情感与渴望的碎片，编织成一幅无形的画卷。意识，在思绪的边缘若隐若现。我们企图掌握它，却如握水中月；我们祈求理解，却总是于朦胧中窥见新的谜题。

我们邀请了意识领域的领军人物，萨赛克斯大学认知和计算神经科学教授 阿尼尔·赛斯 （Anil Seth），以及杭州电子科技大学副教授张静，就“意识”问题展开追问。在这场对话中，或许我们会寻得一抹微光，为困扰人类千年的意识之谜点亮一线清澈的可能。

张静： 首先，我想问一个经典的问题： 什么是意识？ 我知道，给出一个明确的答案几乎是不可能的，但由于我们在谈论意识时，可能并不总是指同一件事。有些人可能关注的是认知能力，而另一些人则可能更关注自我意识。那么， 您在书中讨论意识时，强调的是哪一方面？

Anil Seth： 我倾向于回到一个非常经典的定义，一个“老派”的答案，这个答案来源于哲学家托马斯·内格尔（Thomas Nagel）在1970年代的论文《做一只蝙蝠是什么感觉？》中提出的定义。

在那篇论文中，内格尔对意识的定义在我看来非常直观。他说，对于一个有意识的生物来说，成为那个生物是有特定的感觉的（if there is “something it is like” to be that thing ）。换句话说，作为一个有意识的生物，确实有某种“感受”存在。

人们通常理解他这句话的意思——我也是这么理解的——就是，对于一个有意识的生物来说，成为那个生物是有感觉的。比如，成为我、成为你，都有某种独特的感觉。而如果成为桌子、椅子或者电脑，那就不一样了。

这些物体只是物品，它们有一定的功能，但作为物体的“感觉”是不存在的。换一种更非正式的说法， 意识就是在深度全身麻醉等情况下消失的东西。 在那些情况下，主观上什么都没有，一切都消失了。

张静： 没有任何意识吗？

Anil Seth： 是的，没有任何意识。当然，在轻度镇静的情况下，你可能还会有一些意识留存，但意识的真正本质是任何形式的体验。虽然这听起来有些循环，但我认为这样的定义足够了，部分原因在于它避免了将意识的定义与其他事物结合起来。

比如，智力、高阶认知、语言或自我意识，这些都是意识在我们身上表现出来的方式，但从普遍意义上讲，它们可能不是意识的必要组成部分。

张静： 对您来说，现象意识 （PC，即时的主观体验，如看到蓝天的体验） 是认知意识的基础吗？

Anil Seth： 没错，是的。该领域有时会区分现象意识和通达意识（AC，访问意识，理性控制的意识）。现象意识通常与“红色的红”这样的感官体验相关联。你睁开眼睛，就会有这种感受。这种意识体验是一种主观的感官体验。

而通达意识则指的是我们谈论自己意识到的事物的能力。换句话说，通达意识是意识体验如何影响诸如注意力、记忆、决策等认知过程。

我同意那些认为研究通达意识比研究现象意识更容易的观点，因为我们可以直接接触到通达意识。 但它更容易研究并不意味着现象意识不存在。我认为，我们可以提出一个强有力的论据来证明现象意识的存在。

这是一个持续的有趣的争论，尽管我们不一定是对的，但我不认为我们错了。我认为最好不要假设我们是错的，至少从原则上讲，现象体验没有通达意识的可能性是存在的。

张静： 关于“意识的新科学”，您提到这意味着要采纳一种将大脑视为预测机器的特定观点，同时认真考虑意识的现象学。这种新颖的方法更深刻地适应我们内心生活的丰富性。

我非常喜欢这个想法，并且从你对内感受预测编码理论的研究中学到了很多。将大脑视为预测机器的观点，在贝叶斯大脑和预测编码理论的视角下，再次受到关注。近年来，围绕这一主题的论文便已数以万计。

许多人对与外感知相关的预测处理更为熟悉，比如视觉或听觉。而你将这个框架应用于内感受，并展示了内感受在塑造我们的意识体验中的作用，尤其是在情感和自我意识方面。那么， 内感受预测编码如何助力我们更深入地解释和理解情感与自我意识呢？

Anil Seth： 你说得非常对，关于贝叶斯大脑和预测编码的这些想法，过去10到15年中确实变得非常有影响力，我认为这也是有充分理由的。这些想法非常有力，虽然它们本身并不新颖。它们的基本的理念是，大脑试图弄清楚身体或外部世界发生了什么。

它面临的是一个推断问题——如何处理那些没有标签、模糊且充满噪声的感觉信号，并基于这些信号推测正在发生的事情。大脑无法确定一切，它不能直接通过感觉读取世界或身体的状态； 它必须将这些感觉信号与先验的期望或信念结合，从而得出最好的猜测。 这正是贝叶斯推断的核心所在——将不确定的数据与先验信念结合，形成我们称之为后验的最佳猜测。

问题在于，这个推理过程很难通过传统的分析方法来实现。大脑必须以某种方式近似这个推理过程。幸运的是，贝叶斯推断有一种强有力的近似方法，那就是预测编码。根据这一理论，大脑总是基于所谓的生成模型进行预测，这个生成模型本质上是对感觉信号原因的内部模型。这些预测会根据实际的感觉输入，以层级的方式不断更新。大脑的预测从内向外流动，而预测误差则从外到内流动。 大脑通过不断最小化这些预测误差，最终使得预测接近真实的状态。

预测编码是一个非常巧妙的神经机制，它展示了大脑如何实现感知。这种方法通常被应用于外部感知，譬如视觉、听觉、触觉等——这些经典的五种感官帮助我们感知外部世界。然而，内感受——也就是感知身体内部的生理状态，是一个完全不同的感知领域。我们通常不太关注内感受，但它却至关重要。因为从大脑的角度，或者说从进化的角度来看，维持生命体征是大脑最根本的任务。大脑并不能直接访问身体内部，它被困在颅骨中。那么，大脑如何处理身体内部的信息呢？

大约10到12年前，我开始研究一个想法：如果视觉和听觉感知可以通过预测的方式来运作（而且证据表明它们确实是这样做的），那么或许我们的内感受过程也以类似的方式运作。大脑会根据来自身体内部的信号，像心脏跳动、血液流动等，进行预测并更新这些预测。虽然这方面的证据很难直接获取，因为测量和操控体内信号本身非常困难，但已有相当多的间接证据表明，这样的机制确实在发生。

目前， 我认为这种预测编码在内感受中的解释力更多的是概念性的，虽然还没有足够的实证数据，但它的解释性非常有价值。 当我们考虑身体内部的预测性感知时，我们就可以开始思考情感、情绪等心理现象。很久以前，威廉·詹姆斯就提出，情感是对身体生理状态变化的感知。后来，像沙赫特（Schachter）和辛格（Singer）等学者认为，这些感知可能会受到认知和背景的调节。

我当时的想法是，我们可以通过提出一个共同的预测编码机制来简化这个过程。这个机制不仅能感知身体内部作为对象的感觉，还能感知外部世界，并支撑二者的一体化。因此，核心思想变成了： 感知内容的类型，取决于大脑所做的预测类型。 当我们思考关于身体内部感觉信号的预测时，我们可以认为这些预测更多地与控制和调节相关。因为当你能够预测某件事的发生时，你就能够有效地控制它。如果你有一个关于它们如何随时间变化的预测模型，你就可以保持对身体内部状态的调节。

这让我产生了一个新的思路： 大脑以这种预测的方式运作的原因，不仅仅是它在处理视觉或听觉时的有效性，更因为预测编码最初是作为一种调节和控制身体的手段演化出来的，而其他一切感知过程都是在此基础上建立起来的。

这种观点代表了一种思维方式的转变。传统上，在心理学、神经科学和意识科学中，我们通常首先考虑的是视觉和其他外部感官，而次要才是身体内部的感知。但我认为，这只是我们的一种偏见。从许多角度来看，身体内部的感知比我们看见外部世界的能力更为重要。如果我们想提出一个令人满意的大脑与意识的理论，或许我们应该从身体内部的感知开始。

张静： 是的，因为对我来说，感觉心跳很困难，更不用说其他的内感受了。但是，我读了很多相关的论文，你提供了足够的证据，让我们相信内感受至少和外感知一样重要，它们对我们的预测机器产生影响。

Anil Seth： 是的，但我认为你提出的观点非常有趣。你说很难感受到自己的心跳，这对大多数人来说确实是这样。实际上，我们现在仍在努力寻找更好的方法来测量内感受信号。例如，心跳计数可能并不是一个很好的方法，我认为它非常不可靠，正如研究所示。

但为什么（内感受）要有所不同呢？我意思是，当我们考虑视觉时，人们并不擅长检测实际进入眼睛的光线。我们只是有非常生动的感知体验，内感受也是如此。检测进入眼睛的光线，等同于检测实际的内感受输入，但这并不是我们期望的体验。我们有生动的情感内容和清晰的情绪，虽然我们可能无法用语言准确地描述它们。

所以，我们不能非常生动地体验内感受信号，这并不奇怪，因为 我们体验的实际上并不是任何类型的感觉信号本身，而是大脑推断出的知觉内容。

张静： 我明白了！无论我们的视觉看起来多么生动，我们可能并不擅长察觉光线本身。无论是外感知觉还是内感受，我们所体验到的并不是感觉本身，而是相应推断出的感知内容。那么接下来，我想问问你的哲学立场。

你在书中提到，你的哲学立场偏向物理主义，认为宇宙由物质构成。基于这个立场，我们应该都同意如果没有大脑，就不会有意识。但是，我们的大脑是客观存在的，而意识体验是主观存在的，所以我们又回到了意识的难问题。 你如何描述意识与大脑的关系，或者你在书中是如何解决意识的难问题的？ 这是我们每次讨论意识时的起点。

Anil Seth： 是的，我们总是回到所谓的“意识的难问题”。一方面，大脑是一个物理系统，非常复杂；另一方面，我们有主观的意识体验，比如“红色的红”等等。大卫·查尔莫斯（David Chalmers）提出，意识难题就是如何从一个方面（主观意识体验）过渡到另一个方面（客观存在的意识）。这引发了许多形而上学的立场。

物理主义认为意识是物质的一种属性，你说得对——这是我的立场。尽管如此，我更愿意称自己为实用物理主义者，因为我并不确定物理主义是否完全正确。我认为， 关于这些形而上学立场，我们不可能给出一个最终确定的答案。 显然，其中一些立场比其他的更有说服力。比如，二元论对我来说意义不大，尽管将精神和物质视作两个独立存在的领域这个观点看起来很直观。

我偏爱物理主义的原因在于，与泛灵论等其他有趣的观点不同， 物理主义在实践中让我们取得了最大的进展。 无论它是否最终被证明是正确的，物理主义的立场促进了实验研究，帮助我们更好地理解神经元或生化过程如何产生体验，并且它开始改变我们提出问题的方式。

其中一个问题就是意识的难题：物理系统如何产生意识？这可能不是我们该问的正确问题，我们已经看到这种转变在某些方面发生。例如， 当我们讨论自由意志时，问“意识是否以某种方式介入并改变物理事件的进程”，是一个错误的问题。 如果我们真正想理解自愿行为和自由意志的本质，这种提问方式就是错的。

对我来说，物理主义是非常有用的，因为它借用了过去几个世纪世界上发展出来的所有工具、方法和科学智慧。它并不意味着物理主义是绝对正确的，但它为解决意识难题提供了一个有力的框架。

在书中， 我讨论的是“实际问题”（real problem）而不是“难问题”。 实际问题是一种更务实的策略，旨在看我们能走多远。它并不是试图直接解决意识的难问题，找到一个“大突破”，也不期望能解答一个看似不可能的问题。而是采取一种更谦虚的态度，接受“意识存在”这一设定，意识具有许多不同的属性，比如自我、世界、代理、情感、他人思想的体验等等。我们在某些情况下可能会失去意识，那么我们能否从大脑作为预测机器的角度，开始解释这些不同的属性呢？

如果我们能做到这一点，我希望意识的难题会逐渐淡化——它不会被直接解决，而是逐渐消失，甚至可能完全消失。 类似于100或200年前，西方曾经有一个“生命的难题”。 当时的物理学家和化学家认为，如果不诉诸于超自然的东西，便无法理解物质是如何拥有生命的。 寻找“生命火花”可能是一种错误的做法，但解释生命系统的属性才是正确的方向。

虽然我们仍在这条路上，但现在没有人再认为生命是无法解释的概念谜题。生命的难题已经消失，它没有被“解决”，只是逐渐消解了。意识与生命不同，但从历史上看，二者的研究发展轨迹可能会相似。即使它们不同，我仍然认为我们通过这种方式探索所学到的东西是最多的。

张静： 当我们谈论意识时，正如您之前提到的，自我扮演着一个关键的角色。但是，自我到底是一个独立的、单一的实体，还是不断变化的体验的集合，已经成为实体论与幻觉论争论的核心问题。

实体论和幻觉论有着根本的区别。实体论认为，自我是一个独立的存在，基于我们大多数人直觉上感知到的个性和记忆的一致性，好像“我”这个主体始终存在。相反，幻觉论则认为，持续的自我是一种幻觉，因为我们的体验总是在流动变化。那么， 您的研究揭示了自我本质的什么特点？

Anil Seth： 嗯，我认为我更倾向于支持第二种观点——您所说的幻觉观点。但我得说，这并不是一个新观点，您知道吧？这个想法在很多文化中都有出现，尤其是在西方，实体论曾一度占据主导地位。但是在许多东方哲学和佛教传统中，这种实体论并没有被真正接受。虽然二元论等哲学观点可能看起来直观，但这种实体论的想法也一样直观，似乎意识本身不是物理性的，它就像某种不变的本质或实体一样。

但是，我认为，即使没有现代神经科学的支持，经过一些自省和冥想，我们也可以揭示，事实并非如此。 自我，尽管在我们的生活体验中看似连续、稳定，但它并不是一个单一的实体或本质。它是无常的，是一个不断变化、演化的过程。 佛教早就强调了这一点，印度教也在许多方面做了类似的阐述。

我个人并不太喜欢“幻觉”这个词，因为当你说某样东西是幻觉时，似乎暗示它是被错误感知的。我认为，自我体验的产生方式恰恰是它应有的方式。这些体验有其存在的功能，它们帮助我们引导身体，维持生存，这正是我们预期它们应具备的作用。

在书中，我尝试拆解自我的概念，展示当我们谈论自我体验时，其实并不是在谈论一个单一的东西。自我并不是一个单一的、固定的存在，而是由许多不同的感知共同构成的。这些感知包括身体的感知、情感的体验，甚至是情绪，这些可能构成了自我的核心。所有这些感知和体验交织在一起，共同构成了我们作为人的整体体验。

这些感知包括身体作为一个物体的体验。我知道，某个特定的物体是我身体的一部分，但你不是我的一部分，电脑也不是我身体的一部分。还有意志、能动性和自由意志的体验，这些看似对我们的认知至关重要。每当我和人们讨论这些问题时，他们似乎会抵触认为自由意志只是某种构造的观点，尽管我们可以争论情感体验也是一种构造，甚至“红色”本身也是构造。

但一旦谈到自由意志，人们就会有很强的认知抵抗，似乎我们总是坚持认为自由意志在某种程度上超越了解释，而这种解释并不适用于自我的其他方面。

在自由意志之外，我们还可以谈到自我的叙事性和社会性方面，比如个人身份感等等。所有这些元素看似融合在一起，构成了“我”或“你”的单一体验，但这并不能真实反映它们在现实中的状态。我们可以从精神病学或神经学的案例中看到，许多时候，自我的不同方面可能会被分离开来。在实验室中，我们也可以开始区分自我体验的不同层面。

总的来说，我认为， 与其把自我看作幻觉，不如把它当作一种有用的构造来看待。 自我的地位和颜色差不多。我们看到的颜色并不是独立存在的，它只是不同波长的电磁辐射，大脑通过以不同方式组合这些波长，再加上背景等因素，创造了我们的颜色感知。虽然颜色感知本身并不具备独立于心智之外的存在，但它却是大脑体验中的一种非常有用的功能。

自我也是如此。它同样有其用途和规律性，但它并不像桌子那样具有独立于心智的存在。桌子在那里，你可以撞到它；而自我并没有这种物理上的独立存在。

张静： 我可以把您的观点总结为一种建构主义的立场吗？自我是从大脑自上而下的预测与自下而上的感觉输入之间的互动中产生的？

Anil Seth： 是的，我认为这样总结是很公平的。

张静： 接下来，我想谈谈实验。您书中提到了一些引人注目的实验，比如橡胶手错觉和全身错觉，这些实验帮助我们加深了对自我的理解，尤其是自我体验。随着虚拟现实技术的发展，越来越多的实验得以开展。您在书中介绍了几项实验，甚至提到自己作为参与者的体验。 能否分享一些特别的实验，给我们更详细的讲解一下？

Anil Seth： 当然可以。虚拟现实技术确实是其中一个非常迷人的工具，但它的使用也充满了挑战。技术在不断变化，而标准化这些技术的使用也非常困难。让我特别感兴趣并且觉得非常前沿的一个实验叫做“替代现实”（Substitutional reality）。

这个实验是我当时的博士后，来自日本的研究员Keisuke Suzuki设计的，他现在在北海道大学工作。在这个实验中，Keisuke尝试通过虚拟现实的方法创造一种情境，让参与者甚至没有意识到他们的体验是虚拟的。

如果你想一想虚拟现实，它确实能够创造出非常沉浸式、震撼的体验，但通常，在某种程度上，你总是知道这不是真实的。你可能会觉得，“哇，这真酷”，但你内心深处还是清楚这并不是真实的。

我对“现实感”这一概念非常感兴趣，因为它其实是可变的。我记得自己多次飞往中国时，常常会遭遇时差反应——当你有严重的时差时，周围的一切似乎都变得有些不真实。同样的，当你做梦时，如果你是清醒梦者，你知道自己正在做梦，尽管梦境本身可能非常生动。

一些精神疾病的症状也包括了这种现实感的错乱。例如，患有分离性身份障碍的人可能会失去他们对现实的感觉，而在某些精神病病例中，人们可能会体验到比现实更加强烈的“现实感”。这种现象让我对“现实感”产生了极大的兴趣。

我认为，感知不仅仅是我们感知汽车、咖啡杯、颜色和形状那么简单。我们对“事物是否真实”的感知，似乎也是大脑构建出来的。因此，我很想从更深层次的感知角度去理解这种体验。

为了做到这一点，我们需要有方法去操控它。因此，创造一个能够操控现实感的虚拟现实实验，是一个非常令人兴奋的想法。

我们做这个实验的方式，正是Keisuke的创意。实验的设定是这样的：我们设计了一个房间，里面装有一个360度摄像头。最初，摄像头的画面会实时传输到参与者的头盔中，让他们看到真实的房间。然后，在某个时刻，我们会切换信号，传输给参与者的是一段事先录制好的视频，而不再是他们当前所处的房间。

接下来，我们就可以开始通过各种方式操控这个视频，看看会发生什么——看看我们能推到什么程度，参与者才会意识到自己不再身处于真实世界。这一实验非常有趣，它并不是真正意义上的虚拟现实，但我们称之为“替代现实”*。

张静： 我期待看到“替代现实”的设定能够揭示我们感知体验中更深层的结构。这一定会非常有趣。《意识机器》的最后一部分讨论了动物意识和机器思维。关于动物意识，很多宠物主人应该会毫不犹豫地认为动物是有意识的。然而，仅凭直觉去推测动物是否有意识显然是不科学的。那么，动物大脑的神经科学能告诉我们什么？动物与人类之间的相似性究竟是什么？ 除了确认它们是否有意识之外，研究动物意识的意义又是什么呢？

Anil Seth： 这是一个非常棘手的问题。我先回答最后一部分。确实，有一些非常明显的原因表明，研究动物意识是非常重要的。

首先是伦理问题。如果非人类动物也有意识体验，那么它们就应该拥有某种道德地位。我们可以讨论这种道德地位如何影响我们对待动物的方式，比如是否需要考虑它们是否能感受到疼痛或痛苦等问题。这个话题有很多不同的切入角度，但很显然，伦理上这是一个非常重要的问题。

作为人类，我们在对待与我们共享这个星球的其他生物时，往往并不尽如人意。如今，许多动物正在遭受着大量不必要的、工业化强加的痛苦。比如，工厂化养殖等方式，给动物带来的苦难非常巨大，而这一点对我们人类来说，也是非常令人痛心的——更不用提那些受苦的动物本身了。所以，我认为存在着明确的伦理原因，需要认真考虑动物是否拥有意识。

其次是智力上的原因。了解非人类意识的本质，可以为生物学提供一个比较的维度。这一维度一直以来对生物学研究非常有帮助。如果我们能更清楚地了解其他动物的意识特点，也能更好地理解我们自己意识的独特性。更重要的是，这种理解有助于让我们意识到人类并非是自然界的中心，我们只是更大图景中的一部分。

哲学和科学发展的趋势也往往沿着这样的轨迹走： 我们逐渐意识到人类并不是一切的中心，而是自然界中的一部分。 由此来看，了解非人类意识的本质有很多非常合理的理由。

但是，你说得对——这是非常困难的。我们不能单纯依赖直觉。虽然我们有时会依赖直觉——它并非完全没有价值——但我们不能仅凭直觉或没有其他证据就草率接受这些想法。

问题的关键在于方法论上：对于大多数，甚至可能是所有非人类动物来说， 获得关于它们意识体验的直接报告几乎是不可能的。 意识是主观的，所以我们收集到的证据总是间接的。这就回到了我们早前讨论的现象意识和通达意识的问题。

尤其是如今，语言等复杂特征的存在使得这一问题更为复杂。如果动物没有语言，获取它们的意识体验证据就变得更加困难。不过，我们仍然可以从动物的行为中推测出很多信息。许多巧妙的实验设计不依赖语言，但仍然能够让动物间接报告它们可能在体验什么。

另一种方法是观察大脑，看看非人类动物的大脑在某些关键方面是否与人类大脑相似。这个过程是迭代的，因为意识可能存在于与人类大脑完全不同的脑结构中。我们不能仅凭外表的相似性来做判断，我们需要了解是否存在正确的机制，尽管这些机制可能以不同的方式实现。

当然，要回答这个问题，我们需要搞清楚这些机制是什么，而我们还没有完全理解它们。不过，我们仍然可以寻找线索。比如，在人类大脑中，递归连接——即反馈和前馈连接——似乎非常重要。那么，非人类动物的大脑是否也具有类似的结构？它们的大脑中是否也有类似于丘脑-皮质系统的结构？

我们不能百分之百确定这些问题的答案，但我们也不应该设定过高的标准，因为我们对大多数事物都无法做到百分之百的确定。尽管如此，我们可以基于现有的研究和数据，合理地推测非人类动物意识的可能性。

过去10到20年，我注意到一个非常有趣的趋势：人们对于意识的研究不再仅仅局限于人类。大多数人，包括我自己，都会同意所有哺乳动物都具备意识的能力，尽管它们可能没有像人类那样的自我意识。但问题是，鱼类呢？昆虫呢？在这些问题上，情况变得非常复杂。

目前，我们还无法确定关于意识的普遍机制，这使得我们无法清楚地判断鱼类或昆虫是否有意识。当然，鱼类和昆虫种类繁多，其中一些可能非常简单，因此判断是否具备意识就更为困难。

最后，我想补充一点——抱歉回答有点长——我们的直觉可能会在这里误导我们。 人类常常会陷入一种“人类例外主义”的思维模式 ，我们将意识与其他我们认为是人类特有的特征联系在一起，比如语言或智力。如果我们这么做，往往会做出错误的否定——即忽视那些可能具备意识的动物，只因为它们没有我们认为“人类化”的特征。

这也是我为什么倾向于从现象意识的角度来思考的原因，因为 现象意识试图剥离那些可能依赖于人类特征的意识方面，关注的是意识的普遍特征，而不是局限于某些具体的、仅在人类中出现的特征。

张静： 研究动物意识可以帮助我们避免将人类意识等同于普遍的意识。正如您在书中所提到的：“这是对我们人类体验世界和自我方式并非唯一方式的认知。”

最后，我还有一个非常重要的问题。随着人工智能的快速发展，很多人开始担心自己会被AI取代。在您看来， 相较于机器意识，人类意识有哪些独特的优势？ 人工意识有可能被创造出来吗？ 如果有，您会用什么标准来评估它？

Anil Seth： 嗯，这个问题……我想说，这是一个非常及时的问题。我们最近在人工智能领域的进展确实让人有些迷茫。现在，人工智能的发展日新月异，尤其是在语言模型方面，已经达到了可以与人类进行流畅对话的程度。

这些AI系统可能会犯错，也可能会编造一些信息，但它们毫无疑问能够进行非常流畅的对话。仅仅基于这些语言互动，我们很容易就产生一个错觉，觉得这些AI可能已经具备了意识。我认为这是一个误区，这个误解与我们通常对非人类动物意识的错误认知是相反的。 我们往往不认为缺乏语言能力的动物具有意识，却因为AI能够进行语言交流，就轻易假设它们拥有了意识。

作为人类， 我们有一个天然的倾向——将语言、智力和意识混为一谈。 事实上，它们是完全不同的概念。 没有理由认为，仅仅因为AI变得更智能或者拥有语言能力，它就会突然具备意识。我认为这种错觉来自于我们对这些概念之间关联的错误联想。虽然在我们人类身上， 这些能力往往是共同存在的，但它们并不是不可分割的。 如果我们假设机器有意识而它们其实没有，那会带来一系列问题。

我认为，一方面，我们高估了AI具备意识的可能性。虽然这些AI系统似乎具备了类人的智力和语言能力，但它们实际上可能并没有那么智能。然而，问题的深层次在于，机器是否在原则上有可能拥有意识？这个问题我一直在思考，特别是在写完这本书之后，它一直占据了我不少的思考空间。

我认为这是一个非常强的假设——认为计算机即使在原则上也可以具备意识。很多人之所以做出这个假设，是因为心灵哲学中有一个非常强的观点——计算功能主义。它的核心观点是，意识不过是一种计算的形式，只要你把计算做对了，就等于你拥有了意识。

这种观点之所以如此流行，部分原因在于我们习惯了将大脑与计算机做类比，并且我们总是用信息处理的术语来谈论认知。但归根结底，这只是一个类比。也许我们可以说，大脑做的一些事情可以用计算来描述，可能是对的，但大脑做的很多事情根本无法用计算来解释。

越是深入研究大脑，你会发现它与我们现在所理解的计算机越来越不同。 大脑的运作不仅仅是计算，实际上它与计算机的工作方式有很大的不同。大脑的工作方式很难和计算机的硬件与软件明确区分开，而这种区分正是计算机有用的原因——因为硬件和软件有着明确的界限。

我个人倾向于支持这样的观点——意识是与我们作为生命系统的本质密切相关的。正是生命的存在解释了为什么当大脑做出所有这些预测时，它会感觉像是在做这些事情。 我不认为这是因为大脑的信息处理方式某种特殊，而是因为这些过程根植于新陈代谢、生理学以及维持生命的基本过程。

我可能错了，这绝对是一个少数派的观点。但我认为大多数人相信某种形式的AI可能会拥有意识。我也同意这一点，只是这种意识可能不会是我们现在所拥有的AI所具备的那种。或许它需要更接近生物大脑的东西。

无论如何，你问的是人类和机器在这种意义上的区别，我认为我最担忧的事情是， 当我们将类人意识投射到机器上时，我们可能低估了我们自己。 我们不仅仅是语言模型中的统计机制，意识的本质远不止于此。我们不应该贬低自己，我们需要认识到人类意识远比机器“看似回应我们”的行为要丰富和深刻得多。

最后，我要说的是，当然，这些AI系统在很多方面比我们更强大。它们拥有几乎无限的信息获取能力，记忆不会出错，等等。但它们在很多其他方面也比我们逊色。我的一位导师，哲学家丹尼尔·丹尼特（Daniel Dennett），他今年早些时候不幸去世了，总是强调 我们应该将人工智能视为工具，而不是同事，并始终记住两者之间的区别。 我认为他是对的。

我认为，我们与AI的关系应该是互补的。我们应该学习如何将我们的思维与AI互补，而不是试图用AI取代我们自己的思维。

张静： 那么，我们不需要担心AI变得有多强大，或者它是否会打败我们，甚至……

Anil Seth： 我认为我们确实需要担心这个问题，但我们不应该把所有的担忧混为一谈。对吧？有一个非常突出——也可能被过度讨论——的担忧，就是关于AI带来世界末日、接管一切，或者构成某种生存威胁。我不是说完全不需要担心这个问题，但我认为我们确实应该稍微担心一下，因为它可能导致灾难性的后果。

这可能是一个低概率事件，我认为这个概率很不确定，但它并不是零。所以，我们应该对此有所担心。

但同时，还有许多关于AI的担忧，虽然它们不是生存威胁，但更为切实，且更容易发生。你知道，AI正在以某种方式扰乱世界，侵犯我们的隐私，让我们更容易受到操控，让我们变得更加依赖这些系统，这可能导致社会变得更加脆弱。

还有很多明显的危险，比如深度伪造和数字伪装，这些才是眼下真正的威胁。 虽然这些不会导致世界末日，但它们确实正在发生。所以，我们需要小心不要把这些不同类型的未来担忧混淆在一起。

张静： 意识一直是人类最熟悉、最无可置疑的现实，每个人每天都能体验到。但它似乎也是我们星球上最奇怪的事物。当我们试图理解、澄清或捕捉意识时，常常感觉就像是在走一条怪异的埃舍尔阶梯。

虽然我们似乎离解开意识之谜越来越近，但每当我们进展一点，似乎又回到了最初的困惑。尽管如此，我认为正是意识的这种奇怪之处，使它变得极为迷人，因为它不断激发人类的惊叹和热情，促使我们渴望搞清楚到底是怎么回事。我相信，您的观点会帮助我们揭示意识的奥秘。非常感谢！