哈佛探讨人类智能与AI计算智能是否相同

快速阅读: 探讨人类智能是否为计算智能成为前沿研究热点，哈佛大学BKC秋季演讲系列聚焦此议题，Blaise Agüera y Arcas提出大脑即计算机制的观点，引发广泛讨论。

探讨人类智能是否实质上是计算智能，已成为前沿研究者的关注焦点。

在今天的专栏中，我将审视关于人类智能是否实际上是一种计算智能的关键争论。

论点如下：一些学者坚定地认为，我们已经掌握了使人工智能达到人类智能水平的方法，这从现代大型语言模型（LLM）、生成式AI和计算转换器的发展中可见一斑。更进一步地说，有人声称人类智能与计算智能并无二致，大脑和心智不过是以生物化学形式运作的计算机制，而非传统的数字位。

这一引人深思的话题是哈佛大学伯克曼克莱因中心（BKC）秋季演讲系列开幕活动的主题，该活动于2025年9月24日举行。我有幸受邀参加哈佛大学于9月12日至14日举办的一次特别AI研讨会，探讨了预期中的AGI（通用人工智能）的到来，并借此机会了解BKC及其研究人员、附属机构和教员。

开启BKC秋季系列讲座的尊贵讲者Blaise Agüera y Arcas担任谷歌技术与社会部门的首席技术官及副总裁兼研究员。在其生动的演讲中，他强烈支持心智即计算的观点。他的新书《什么是智能？——来自AI的进化、计算与心灵的教训》（麻省理工学院出版社出版），深入探讨了这一激进立场。在这本长达624页的书中，他详细阐述了提出这些主张的基础。此次备受瞩目的开幕式由BKC执行主任Alex Pascal主持。有关BKC的更多信息，请访问

链接

；活动录像可在此

链接

观看。

关于将人类智能视为计算智能的具体论据是什么？

让我们来讨论这个问题。

这项关于AI突破的分析是我持续在《福布斯》专栏中报道最新AI发展的一部分，包括识别和解释各种重要的AI复杂性（详情见

链接

）。

关于心灵的隐喻

用来描述人类心灵如何工作的隐喻多种多样。我相信你一定听说过许多这样的比喻。考虑一些常见的例子：心灵是一座图书馆，储存知识并允许你在需要时检索内容；心灵是一支乐队，大脑的不同部分就像不同的乐器，它们需要和谐地共同工作才能表现良好。等等。

在当代，心灵被比喻为一台计算机。当我们希望获得新的视角时，我们会重启大脑。分享我们的想法就像向周围的人提供输出。如果大脑中充满了太多的想法，内部记忆就会过载。你可能会出现故障或需要调试思维。

准备迎接一个可能让你惊讶的关于大脑隐喻的替代观点吧。

正如Blaise Agüera y Arcas在他的BKC演讲中所说：“说大脑是一台计算机并不是一个比喻。它们不仅仅是像计算机，它们就是计算机。”是的，这里提出的观点是，大脑与计算机的本质没有区别。尽管大脑不使用机械齿轮或机器部件，但它确实是以计算为基础运作的。

请注意，并非所有人都同意这一大胆的假设。

无论如何，这个话题对于深化我们对人类心灵的理解具有巨大的价值，并且推动了我们努力将AI计算智能推向人工通用智能，最终实现人工超级智能或ASI的发展。

预测脑假说

接下来，让我们简要探讨一下大型语言模型（LLM）的内部运作原理。

当你选择使用ChatGPT、Claude、Gemini、Grok或任何主要的大规模语言模型时，大致会发生以下过程：你输入文本作为AI的提示。文本被编码成令牌，即单词和部分单词的数值表示。这些令牌通过一个称为人工神经网络（ANN）的大规模结构流动。ANN已经通过互联网上可能数万亿个单词的数据训练，通过数学和计算方法匹配人类写作的模式。

人工智能试图根据用户输入的提示预测应回复的词语。这一过程通过计算方法使用令牌实现，实际上就是一系列数字操作。逐步地，借助人工神经网络（ANN），每个下一个令牌的选择构建出回应。这些令牌随后被解码回文字形式。就这样，大型语言模型（LLM）生成了可能是一篇文章、叙述、诗歌或其他形式的文字作品，本质上模仿了人类书写的方式。

欲了解此过程的深入解释，请参阅此处链接。

总体而言，人工智能研究者将这种方法称为词语预测器。人工智能尝试通过计算确定下一个合适的词语，一步步地，这些词语希望组合成连贯的自然语言段落。

相信大脑是一种计算实体的人会宣称，心智的工作方式与此类似。这通常被称为预测大脑假说。假设是当有人与你交谈时，你的大脑和心智接收数据，将声音转化为内部生化令牌，然后通过头颅内的生物神经网络流动。接下来，你内在的心智神经网络试图预测合适的输出，首先通过生化令牌，再将其转化为可理解的口语单词。

关键在于，大脑和心智被认为是以与计算智能相同的方式运作。抛弃这个比喻吧。大脑不仅仅是与计算机相似；它是一种计算智能的形式。

理论之美

认为大脑具有计算性质的观点本身具有一种内在美。

你可以断言，人类的智慧和认知可以解释为信息处理器。大脑和我们的思维本质上是在生物硬件上运行的计算算法。这让我们联想到著名的丘奇-图灵论题，该论题表明所有有效的计算过程都可以被计算（详见此处链接）。

计算主义提供了一个简洁明了的框架来理解大脑和心智的功能。我之前曾提到，这种心智即计算的观点可以用来说明心智理论（ToM）并非仅限于人类心智。人工智能计算智能可以被视为ToM的模拟版本，具体分析见此处链接。

另一个重要优势是，这似乎减少了人工神经网络（ANN）与构成我们生物组织的生化神经网络之间的摩擦。目前，ANN与真实神经网络的行为相去甚远。ANN充其量是对高度简化的真实事物的粗略表示。尽管存在巨大的差距，但我们可能走在正确的道路上，试图将大脑的神经元作为基于计算机的信息处理单元来模拟。在ANN的术语中，数学和计算方面涉及神经元的激发、突触权重以及我们在脑电路映射中观察到的加权输入输出转换。

这只是方便的说法，还是我们已经找到了正确的方向？

如果当前的AI架构和设计确实与人类智能的产生方式相似，那么问题就出现了：为什么现在的AI尚未达到人类智能的水平？我们还没有实现通用人工智能（AGI）。按理说，我们现在应该已经拥有了AGI。

啊哈，有人说，原因在于规模。

观点是，我们需要扩大现有的AI规模。我们必须建立庞大的数据中心，配备大量的高端服务器和计算能力。这种策略背后的逻辑是这样的：迄今为止，通过分配更多的计算机处理能力、更快的GPU等，大型语言模型和生成式AI正在变得越来越好。因此，我们应该继续这样做。

AI业内人士非常熟悉这样一种经典论点，即通过增加计算能力，AI领域在过去似乎取得了进展。

在六年前，即2019年3月13日，著名的人工智能先驱理查德·萨顿在他的短文中，对增加计算能力将是推进AI最明智路径的信念给予了充分支持。

从70年的AI研究中得出的最大教训是，利用计算的一般方法最终是最有效的，且优势显著。其根本原因是摩尔定律，即单位计算成本持续呈指数级下降。

大多数AI研究都假设代理可用的计算资源是恒定的（在这种情况下，利用人类知识几乎是提高性能的唯一途径），但在略长于典型研究项目的时间内，必然会有更多的计算资源可用。

为了在短期内寻求改进，研究人员试图利用他们对领域的了解，但从长远来看，唯一重要的是利用计算。

我们必须吸取这个苦涩的教训：构建我们自认为的思考方式并不能长期奏效。

关于撞墙的担忧

稍等一下，一些AI内部人士警告说，规模可能不会成为你所认为的关键差异化因素。或许我们走错了方向。也许我们正在愚蠢地追求一条看似诱人的道路。数十亿美元的计算资源将被用于扩展一种设计和架构，而这种设计和架构可能会撞上一道无法逾越的墙。遗憾的是，当我们意识到这一点时，可能已经把所有的鸡蛋放在了一个失败的篮子里。

与其盲目跟随当代LLM的诱惑，我们应当多样化探索有价值的替代方案。不幸的是，所有的时间和资金几乎都流向了现有的AI方法。几乎没有激励和仅有边际的资金支持那些跳出框框的思考。我在链接中提到了各种不同的声音，这些声音提出了AI架构和设计的新方向。

有趣的是，Richard Sutton似乎也在唱同样的调子，他指出我们正在走上一条无法通往AGI的大道。在2025年9月26日播出的一档播客中，他表示我们需要一种超越LLMs和计算变压器的新AI架构。他提到，LLMs未能涵盖基本真理，预测下一个标记并不是实现AGI的正确目标。

他的预期得到了越来越多AI领域人士的认同，即需要一个新的范式。正如我们今天所知，LLMs终将过时。这对那些全身心投入到生成式AI和计算变压器的研究、声誉和财富的人来说，无疑是一个沉重的打击。

可解释性和透明度

假设大脑基于计算智能。如果情况如此，那么有一个令人兴奋的前景摆在我们面前。理解大脑和心智如何运作的可能性似乎触手可及。

让我详细说明。

我们面临着两个巨大的未知数，它们尚未屈服于我们解谜的努力。

首先，就大脑而言，大约860亿个神经元和100万亿个突触如何产生人类思维仍然是一个巨大的谜团。大量极其密集的神经科学研究继续测量脑活动，试图展示其与我们赋予思想和成为有意识生物的能力之间的联系。我特别兴奋的是，最近一些新的脑电路图AI基础模型可能为我们揭开这一未解之谜提供了一条捷径（我将在即将发布的文章中讨论这一点）。

其次，就LLMs和生成式AI而言，这些大型ANN如何产生看似人类思维或至少给人类思维的印象也是一个巨大的谜团。当然，你可以费力地追踪人工神经网络内部的令牌和数字流动，但我们对ANN内部元素如何逻辑地产生这些令人印象深刻的结果仍处于黑暗时代。

我的专栏忠实读者都知道，我是能够破解代码并揭开AI模型内部工作原理面纱的热情倡导者。我们必须破译AI，弄清楚如何解读其内部发生的事情，并使AI变得透明和可解释。我们的未来和AI的未来取决于此。

AI可解释性的最先进状态

AI的可解释性和透明度仍然是一个新兴的研究领域。

我已经深入分析了推动AI可解释性的方法，例如：

– 使用IRT方法和Thurstonian效用模型进行AI可解释性分析，详情见此链接。

– 在开发初期就构建可解释性，即XAI（可解释AI），详见此链接。

通过计算中介ANNs的概念映射特征并利用单义性，详见我的探索链接。

在激活空间中识别由人物向量表示的线性方向，详见我的评估链接。

以及其他相关文章。

这种创新思维的关键在于，我们从解码AI中学到的知识可能应用于解码人类大脑。反之亦然，即从解码人类大脑中学到的知识可能有助于揭示当代AI的内部机制。

特别是如果你接受人脑根植于计算智能的前提。