計(jì)算機(jī)為何能夠表現(xiàn)出智能？計(jì)算機(jī)智能與人類智能有何異同與聯(lián)系？當(dāng)我們說到智能的時(shí)候，其內(nèi)涵是指什么？人工智能是否可以模擬出人類智能？智能的本質(zhì)到底又是什么？
本文，首先將會(huì)從算力、邏輯、結(jié)構(gòu)、數(shù)據(jù)、概率等諸多層面，深入淺出地揭示智能的來源與運(yùn)作，然后會(huì)結(jié)合生物演化與物理規(guī)律，給出一個(gè)從宏觀到微觀的洞見，很好地解釋了智能的本質(zhì)，最后還會(huì)從幾個(gè)不同的層面，去看待智能與我們、及演化之間的關(guān)系。
相信本文的觀點(diǎn)和視角，將會(huì)讓我們更加清晰地理解智能，以及更加深入地理解我們自身的智能。
智能與算力
算力，并不是產(chǎn)生智能的本質(zhì)原因所在。
人腦的算力有限，卻可以進(jìn)行邏輯推理和自主學(xué)習(xí)，而目前計(jì)算機(jī)的算力，已經(jīng)遠(yuǎn)遠(yuǎn)超過了人腦“無數(shù)”倍，卻依然無法進(jìn)行類似人腦的邏輯推理和自主學(xué)習(xí)。
而在另一方面，雖然人類中的少數(shù)天才，相較于普通人，擁有極其強(qiáng)悍的心算記憶能力，但如果和計(jì)算機(jī)的計(jì)算存儲(chǔ)能力相比，少數(shù)天才也必然是望塵莫及的。
那么在人類之間，雖然每個(gè)人的智能存在個(gè)體差異性，但顯然我們并不會(huì)，只使用計(jì)算能力這個(gè)單一指標(biāo)，來衡量一個(gè)人的智能高低。
因?yàn)?，雖然高智能，會(huì)表現(xiàn)出高算力（如馮諾依曼、拉馬努金），但也有很多其它情況，例如：
算力正常，表現(xiàn)出高智能（如政治家和藝術(shù)家），
智能正常，表現(xiàn)出高算力（如計(jì)算相關(guān)從業(yè)者），
智能偏低，表現(xiàn)出高算力（如異?；驍y帶者）。
可見，智能與算力有相關(guān)性，但絕不是計(jì)算能力產(chǎn)生了人類智能，或是計(jì)算能力的高低，決定了人類智能的高低。
不過，有趣的是：
在很多場(chǎng)景下，計(jì)算機(jī)不僅可以表現(xiàn)出智能，甚至可以顯得比人類更有智能，而在另外一些場(chǎng)景，對(duì)于人類智能輕而易舉的任務(wù)（如閑聊、說謊、幽默感、道德判斷等），但對(duì)計(jì)算機(jī)來說，卻是異常困難。
這是為什么呢？
對(duì)此，我們需要從兩個(gè)角度來看：首先為什么計(jì)算機(jī)會(huì)表現(xiàn)出智能，其次是計(jì)算機(jī)智能與人類智能有什么區(qū)別。
不過這兩個(gè)視角，最終可能會(huì)指向同一個(gè)問題，即：智能的本質(zhì)是什么？
智能與邏輯
雖然計(jì)算機(jī)，不能夠進(jìn)行邏輯推理和自主學(xué)習(xí)，但卻可以進(jìn)行邏輯運(yùn)算（又稱布爾運(yùn)算）。
其基本原理就在于：計(jì)算機(jī)通過邏輯門，來進(jìn)行邏輯運(yùn)算，從而就擁有了映射邏輯關(guān)系的能力。
所謂邏輯門，就是一組基本的邏輯運(yùn)算，包括了：
0——是假。
1——是真。
非——真假互換。
與——有一個(gè)假就是假。
或——有一個(gè)真就是真。
異或——有異為真，有同為假，類似連連看找到不同為真，否則為假。
大于、等于、小于、大于等于、小于等于、不等于——成立為真，否則為假。
比特位的加法就會(huì)用到——異或，如：1+0=1，0+0=0，1+1=0進(jìn)位1。
以上就是最基本的邏輯門計(jì)算，通過組合它們，就可以實(shí)現(xiàn)任意復(fù)雜度的邏輯運(yùn)算，而組合它們的方式，就是邏輯電路。
所謂邏輯電路，簡(jiǎn)單來說就是指完成邏輯運(yùn)算的電路。具體一些，就是指一種以二進(jìn)制（0和1）為基礎(chǔ)，來實(shí)現(xiàn)（離散）數(shù)字信號(hào)邏輯運(yùn)算的電路。
那么，在物理現(xiàn)實(shí)中，邏輯門由晶體管實(shí)現(xiàn)，邏輯電路由集成電路實(shí)現(xiàn)。
其基本原理就在于：晶體管可以（通過物理元件的屬性）實(shí)現(xiàn)開關(guān)控制，使得通過它們的電平信號(hào)，產(chǎn)生或高或低的結(jié)果，以此來代表邏輯上的“真”與“假”（即二進(jìn)制當(dāng)中的1和0），從而實(shí)現(xiàn)邏輯門的計(jì)算，進(jìn)而集成電路就可以組合晶體管，實(shí)現(xiàn)任意復(fù)雜的邏輯電路。
于是，計(jì)算機(jī)通過晶體管和集成電路，就擁有了邏輯關(guān)系的映射能力——這可以看成是，把抽象的邏輯關(guān)系，轉(zhuǎn)換到了物理的邏輯電路上。
其處理過程就是：接受數(shù)據(jù)、分析數(shù)據(jù)（利用邏輯關(guān)系）、得出結(jié)果，也就是經(jīng)典的「輸入-處理-輸出」模型。
需要指出的是，邏輯電路不僅可以分析數(shù)據(jù)，還可以通過執(zhí)行邏輯來進(jìn)行數(shù)據(jù)的存取，包括指令、地址、程序等等。
例如，通過組合邏輯門構(gòu)造一個(gè)鎖存器（Latch）——它可以保持一個(gè)比特位的數(shù)值（即0或1）不變，也可以讓一個(gè)比特位的數(shù)值改變——而組合鎖存器就可以構(gòu)造寄存器或內(nèi)存（RAM）——所以，內(nèi)存也有運(yùn)行頻率，這是控制邏輯門的速度，即時(shí)鐘速度（Clock Speed）。
事實(shí)上，計(jì)算機(jī)的算力，就是來自于數(shù)百億的晶體管，進(jìn)行超高速控制邏輯門的結(jié)果，顯然物理電路的物理屬性，決定了高算力的必然。
那么相比計(jì)算機(jī)，人腦的算力“弱雞”，是因?yàn)檫壿嬇袛嗟乃俣炔粔蚩?，其根本原因在于?/p>
生物電路控制邏輯門的速度，遠(yuǎn)遠(yuǎn)不如物理電路，這可以理解為——電化學(xué)反應(yīng)的速度落后于電物理反應(yīng)，即：腦細(xì)胞構(gòu)建的邏輯門結(jié)構(gòu)（電突觸與化學(xué)突觸），其反應(yīng)速度遠(yuǎn)不如物理元件構(gòu)建的邏輯門結(jié)構(gòu)。
具體來說，有三個(gè)方面：
第一，神經(jīng)元放電依賴（鈉鉀鈣）離子通道的開閉，這個(gè)過程速度緩慢，導(dǎo)致其放電頻率大約只有每秒400次，而計(jì)算機(jī)物理元件的放電頻率可高達(dá)每秒40億次。
第二，神經(jīng)元的導(dǎo)電性差、絕緣性差、又容易漏電，所以電信號(hào)傳遞速度緩慢，大約只有每秒100米，而計(jì)算機(jī)設(shè)備的電信號(hào)，其傳遞速度可以接近光速，達(dá)到每秒3億米。
第三，神經(jīng)元之間的信息傳遞，依賴化學(xué)突觸，但電位差抵達(dá)化學(xué)突觸，并不一定就會(huì)激發(fā)神經(jīng)遞質(zhì)的釋放（因素眾多、機(jī)制復(fù)雜），其平均釋放概率只有30%左右，而計(jì)算機(jī)結(jié)構(gòu)的數(shù)據(jù)傳遞是100%確定的。
但重要的是，邏輯推理與邏輯判斷的速度無關(guān)，只與結(jié)構(gòu)和數(shù)據(jù)有關(guān)。
也就是說，邏輯門計(jì)算的快慢，并不影響邏輯推理的過程和結(jié)果，這個(gè)過程——就是數(shù)據(jù)經(jīng)過邏輯門結(jié)構(gòu)時(shí)的邏輯運(yùn)算，這個(gè)結(jié)果——就是經(jīng)過計(jì)算后的數(shù)據(jù)。
對(duì)應(yīng)地來看：
計(jì)算機(jī)的結(jié)構(gòu)——就是物理硬件結(jié)構(gòu)，人腦的結(jié)構(gòu)——就是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，這兩種結(jié)構(gòu)均實(shí)現(xiàn)了邏輯門計(jì)算；
前者的計(jì)算數(shù)據(jù)——是物理電信號(hào)，后者的計(jì)算數(shù)據(jù)——是生物電信號(hào)，這兩種電信號(hào)均轉(zhuǎn)化自環(huán)境數(shù)據(jù)與信息的輸入；
前者的輸入數(shù)據(jù)——是來自物理設(shè)備（如鍵盤鼠標(biāo)傳感器），后者的輸入信息——是來自生物設(shè)備（如眼睛鼻子耳朵）。
需要指出的是，能被人腦處理的數(shù)據(jù)，就是信息，不能被處理的數(shù)據(jù)，就是無法感知，所以對(duì)人腦來說，環(huán)境數(shù)據(jù)就是環(huán)境信息，輸入數(shù)據(jù)就是輸入信息。
那么，人腦的邏輯門計(jì)算，在宏觀上就是使用「如果怎么樣，就怎么樣，否則怎么樣」的條件判斷——這個(gè)「如果」的真假，就是進(jìn)行「與、或、非」等等的邏輯運(yùn)算（可任意組合），那么在微觀上就是——從輸入信息、到腦細(xì)胞激活、到電化學(xué)反應(yīng)、到興奮電位（代表1）或抑制電位（代表0）。
而腦細(xì)胞的連接方式——多個(gè)胞體的軸突（輸出信息），可以連接到一個(gè)胞體的多個(gè)樹突（接收信息）——就可以形成各種“神經(jīng)邏輯門”，與物理邏輯門的原理一致，即：多個(gè)軸突的輸入信息組合（抑制與興奮的疊加），抵達(dá)某個(gè)閾值，才能激活某個(gè)胞體的信息處理及傳遞。
例如，人腦的視覺系統(tǒng)，并不處理光點(diǎn)信息，而是處理光幾何信息（如各種角度的長(zhǎng)條、長(zhǎng)方形等），其實(shí)現(xiàn)方式就是：多個(gè)感知光點(diǎn)的視覺細(xì)胞（軸突），連接到同一個(gè)腦細(xì)胞（樹突），當(dāng)這些“光點(diǎn)細(xì)胞”同時(shí)輸入信息時(shí)（即感知到多個(gè)光點(diǎn)），對(duì)應(yīng)腦細(xì)胞才有反應(yīng)，而這些“光點(diǎn)細(xì)胞”的排列形狀，就是視覺系統(tǒng)可以處理的光幾何形狀。
需要指出的是，數(shù)學(xué)運(yùn)算=邏輯運(yùn)算+讀寫操作——而讀寫并沒有邏輯（只有運(yùn)動(dòng)），如果沒有邏輯運(yùn)算，就會(huì)是沒有邏輯的（大概率錯(cuò)誤的）讀寫。
例如，實(shí)現(xiàn)二進(jìn)制加法的抽象過程是：讀取數(shù)字，比較數(shù)字（邏輯運(yùn)算）——如果是0，寫入1，即完成了加法計(jì)算——如果是1，寫入0，移動(dòng)高位，寫入1，即完成了進(jìn)位計(jì)算——而有了加法基礎(chǔ)，就可以實(shí)現(xiàn)其它的數(shù)學(xué)運(yùn)算。
可見，計(jì)算機(jī)可以同人腦一樣，進(jìn)行無差別的邏輯門計(jì)算，其底層支撐在于：如果說“0是關(guān)1是開”，那么計(jì)算機(jī)（CPU）與人腦，就都可以抽象地看成是一個(gè)復(fù)雜的——“開關(guān)網(wǎng)絡(luò)”（Switching Network）。
這個(gè)開關(guān)網(wǎng)絡(luò)，即是邏輯門計(jì)算的物理模型（物理模型體現(xiàn)結(jié)構(gòu)，數(shù)學(xué)模型體現(xiàn)關(guān)系），它可以由不同的介質(zhì)來承載實(shí)現(xiàn)——這正是讓計(jì)算機(jī)可以表現(xiàn)出智能的根本原因所在。
而計(jì)算機(jī)智能明顯受制于人類智能的原因，就在于：
第一，邏輯推理中的數(shù)據(jù)，計(jì)算機(jī)需要依賴人類提供輸入。
第二，數(shù)據(jù)中的邏輯關(guān)系，計(jì)算機(jī)需要依賴人類分析描述。
第三，邏輯門計(jì)算的過程，計(jì)算機(jī)需要依賴人類編程控制。
那么，計(jì)算機(jī)可以拋棄人類的幫助，自行分析數(shù)據(jù)中的邏輯關(guān)系，并自動(dòng)控制邏輯門計(jì)算的過程嗎？
換言之，計(jì)算機(jī)可以在邏輯門計(jì)算之上，構(gòu)建出類似人類智能的智能嗎？再換言之，人類智能在邏輯門計(jì)算之上，所具有的根本性的“質(zhì)變”是什么呢？
智能與結(jié)構(gòu)
如前所述，邏輯推理取決于邏輯門結(jié)構(gòu)與數(shù)據(jù)，算力只是邏輯門結(jié)構(gòu)的特性，推理過程是邏輯門結(jié)構(gòu)對(duì)數(shù)據(jù)的計(jì)算，推理結(jié)果是計(jì)算后的數(shù)據(jù)——其與計(jì)算前的數(shù)據(jù)具有邏輯關(guān)系。
而計(jì)算機(jī)雖然擁有邏輯門結(jié)構(gòu)，但推理過程需要人類智能提供——數(shù)據(jù)與算法，其中算法負(fù)責(zé)控制邏輯門結(jié)構(gòu)，去完成對(duì)數(shù)據(jù)的計(jì)算，并得到結(jié)果。
具體來說，算法由程序描述，程序被轉(zhuǎn)化成指令，指令被硬件（邏輯門結(jié)構(gòu)）執(zhí)行，這就實(shí)現(xiàn)了數(shù)據(jù)的邏輯運(yùn)算，而人類智能通過編程，就可以控制計(jì)算機(jī)完成邏輯推理。
當(dāng)然，算法（Algorithm）可以是一個(gè)更抽象的概念（與計(jì)算機(jī)無關(guān)），即是指解決問題的完整描述，由一系列準(zhǔn)確可執(zhí)行的步驟組成，其代表著解決問題的策略。
在此我們會(huì)發(fā)現(xiàn)，人類智能可以構(gòu)造算法，但計(jì)算機(jī)卻不行，而算法才是邏輯推理的關(guān)鍵，那么這其中的奧秘是什么呢？
答案就是，結(jié)構(gòu)——事實(shí)上，人腦的結(jié)構(gòu)是邏輯門結(jié)構(gòu)的超集，在此基礎(chǔ)之上，相比計(jì)算機(jī)物理硬件結(jié)構(gòu)的簡(jiǎn)單固定，人腦結(jié)構(gòu)具有極大的復(fù)雜性和極強(qiáng)的可塑性。
對(duì)于復(fù)雜性，計(jì)算機(jī)的存儲(chǔ)結(jié)構(gòu)、傳輸結(jié)構(gòu)與計(jì)算結(jié)構(gòu)是獨(dú)立分離的，但人腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，既是存儲(chǔ)結(jié)構(gòu)，也是計(jì)算結(jié)構(gòu)，甚至還是傳輸結(jié)構(gòu)。
因此，數(shù)據(jù)與算法，會(huì)存在于同一個(gè)腦結(jié)構(gòu)之中。
具體來說，就是神經(jīng)元細(xì)胞之間的幾何關(guān)系、密度、數(shù)量，膜內(nèi)外的成分、濃度、電位，以及電化學(xué)反應(yīng)的過程，等等——都是一種信息的記錄和計(jì)算，從而信息的形成、傳遞與處理就是共用神經(jīng)元細(xì)胞的，于是信息在腦結(jié)構(gòu)中，自然就會(huì)相互關(guān)聯(lián)與影響。
換言之，環(huán)境信息被人腦捕獲之后，其“運(yùn)動(dòng)”的某種模式——如帶電離子的流動(dòng)、神經(jīng)遞質(zhì)的擴(kuò)散——就對(duì)應(yīng)了算法，而這種物理意義上的“運(yùn)動(dòng)算法”，是意識(shí)運(yùn)作的底層，不受意識(shí)的控制，其結(jié)果就包含了直覺與潛意識(shí)，而直覺可以看成是潛意識(shí)的計(jì)算。
這里需要指出的是，信息與數(shù)據(jù)之間的關(guān)系，即：信息是從數(shù)據(jù)中提取的關(guān)系，同樣的數(shù)據(jù)看到不同的關(guān)系，就是不同的理解，就會(huì)有不同的信息，可見信息是數(shù)據(jù)的簡(jiǎn)化抽象，即過濾了很多不同維度的關(guān)系——類比來看「數(shù)據(jù)-信息」就像「質(zhì)量-能量」。
那么顯然，計(jì)算機(jī)結(jié)構(gòu)并沒有“運(yùn)動(dòng)”的特性，也沒有數(shù)據(jù)存儲(chǔ)處理“一體化”的特性，相反計(jì)算機(jī)的數(shù)據(jù)，是獨(dú)立于其結(jié)構(gòu)的——結(jié)構(gòu)的改變（如規(guī)模、架構(gòu)）不會(huì)影響數(shù)據(jù)，數(shù)據(jù)的改變（如數(shù)量、關(guān)聯(lián)）不會(huì)影響結(jié)構(gòu)——所以，計(jì)算機(jī)的數(shù)據(jù)可以無損復(fù)制到另一臺(tái)計(jì)算機(jī)上，但人腦的信息就無法復(fù)制，除非重建相同的腦結(jié)構(gòu)。
最為關(guān)鍵的是，計(jì)算機(jī)的結(jié)構(gòu)無法產(chǎn)生算法，也就是無法從數(shù)據(jù)中提取邏輯關(guān)系，也就是無法從數(shù)據(jù)中提取信息，因此計(jì)算機(jī)要求輸入數(shù)據(jù)“自帶信息”——這是如何做到的呢？
首先，需要數(shù)據(jù)結(jié)構(gòu)，它是一種描述數(shù)據(jù)關(guān)系的結(jié)構(gòu)化數(shù)據(jù)，即關(guān)于數(shù)據(jù)的數(shù)據(jù)，稱之為元數(shù)據(jù)。
其次，需要代碼算法，它是一種可執(zhí)行的數(shù)據(jù)，用于控制硬件結(jié)構(gòu)完成計(jì)算，包括邏輯運(yùn)算和讀寫操作，這兩者可以實(shí)現(xiàn)數(shù)學(xué)運(yùn)算。
最后，代碼算法的執(zhí)行，將會(huì)把數(shù)據(jù)映射到數(shù)據(jù)結(jié)構(gòu)，從而實(shí)現(xiàn)數(shù)據(jù)中邏輯關(guān)系的提取，也就是信息的提取。
由此可見，計(jì)算機(jī)要求輸入數(shù)據(jù)（含有數(shù)據(jù)結(jié)構(gòu)和代碼算法），既要有邏輯關(guān)系，也要有邏輯處理，而這些都被轉(zhuǎn)移到了由人類智能來提供。
對(duì)于可塑性，輸入信息可以改變?nèi)四X神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)本身（包括生物邏輯門），從而改變對(duì)輸入信息的獲取和處理，于是結(jié)構(gòu)和信息之間就形成了「結(jié)構(gòu)吸收信息，信息塑造結(jié)構(gòu)」的相互作用，這就如同——河床（是結(jié)構(gòu)）約束引導(dǎo)河流（信息），河流（是信息）沖刷塑造河床（結(jié)構(gòu)）。
事實(shí)上，抽象地來看，邏輯即是結(jié)構(gòu)所固有的關(guān)系，不同的結(jié)構(gòu)（或同樣結(jié)構(gòu)不同角度）有不同的關(guān)系就有不同的邏輯，而結(jié)構(gòu)的改變即是邏輯的改變。
例如，人在夢(mèng)境中的想法邏輯，會(huì)與清醒時(shí)有很大的不同，這就是因?yàn)槿四X神經(jīng)網(wǎng)絡(luò)在睡眠時(shí)的激活結(jié)構(gòu)不同，這種結(jié)構(gòu)的不同，就會(huì)產(chǎn)生不同的想法邏輯。
因此，人腦可以捕獲環(huán)境信息，接著分析學(xué)習(xí)其中的邏輯關(guān)系，然后（將邏輯）存儲(chǔ)進(jìn)動(dòng)態(tài)的人腦神經(jīng)網(wǎng)絡(luò)（結(jié)構(gòu)）中（比如經(jīng)驗(yàn)與常識(shí)），并參與后續(xù)（環(huán)境信息）的邏輯處理，這即是自主學(xué)習(xí)的能力。
那么對(duì)比人腦，計(jì)算機(jī)的結(jié)構(gòu)固定，完全沒有動(dòng)態(tài)性和自組織性，轉(zhuǎn)而只能依賴人類智能提供——數(shù)據(jù)結(jié)構(gòu)與算法（數(shù)據(jù)結(jié)構(gòu)+算法=程序），于是計(jì)算機(jī)智能也就無法進(jìn)行——自主學(xué)習(xí)與自主推理了。
簡(jiǎn)而言之，人類智能是因?yàn)槿四X的結(jié)構(gòu)非常復(fù)雜，而計(jì)算機(jī)的結(jié)構(gòu)如此簡(jiǎn)單，其“智能表現(xiàn)”是把復(fù)雜算法都轉(zhuǎn)移到了程序設(shè)計(jì)之上，也就是讓人類智能來思考產(chǎn)生。
綜上可見，我們“自詡”的智能，其實(shí)就是來自于——復(fù)雜結(jié)構(gòu)的動(dòng)態(tài)性與自組織性，其功能就在于——從環(huán)境信息中建模映射真實(shí)世界的邏輯關(guān)系，繼而可以準(zhǔn)確地預(yù)測(cè)未來。
當(dāng)然，人腦結(jié)構(gòu)中存儲(chǔ)的都是——簡(jiǎn)化模型，而對(duì)這些顱內(nèi)模型的計(jì)算與建模，就是由智能所主導(dǎo)的——認(rèn)知計(jì)算與認(rèn)知建模。
有趣的是，人腦的認(rèn)知模型不僅簡(jiǎn)化，其認(rèn)知模式還偏好簡(jiǎn)化，但它（模型和模式）可以復(fù)雜——這是一種演化冗余的結(jié)果。
而通俗地說，人腦結(jié)構(gòu)——決定了晶體智力（取決于學(xué)習(xí)，如技能和技藝，不受衰老影響），神經(jīng)運(yùn)作——決定了流體智力（取決于基因，如記憶力和算力，隨衰老減退），智能——則建立在晶體智力與流體智力之上。
那么，計(jì)算機(jī)智能有沒有辦法，突破固定結(jié)構(gòu)的局限性，從不同的演化路徑去“模擬”出人類智能呢？
智能與數(shù)據(jù)
如前所述，能夠創(chuàng)造出算法是智能的關(guān)鍵所在，而在編程領(lǐng)域，《Unix編程藝術(shù)》一書中有這樣一個(gè)實(shí)踐性的洞見——算法和數(shù)據(jù)結(jié)構(gòu)有一個(gè)關(guān)系，即：
數(shù)據(jù)結(jié)構(gòu)越復(fù)雜（如哈希表），算法就可以越簡(jiǎn)單，數(shù)據(jù)結(jié)構(gòu)越簡(jiǎn)單（如數(shù)組），那么算法就需要越復(fù)雜。
例如，編程語言越是動(dòng)態(tài)化（如Python、JS、Lua），就越容易構(gòu)建復(fù)雜結(jié)構(gòu)，用其編寫算法也就越容易，相反編程語言越是靜態(tài)化（如C、C++、Java），就越難以構(gòu)建復(fù)雜結(jié)構(gòu)，用其編寫算法就困難，而編程語言的演化是越來越動(dòng)態(tài)化（如C#）。
其原理就在于，算法實(shí)現(xiàn)——是邏輯關(guān)系的“計(jì)算映射”，即動(dòng)態(tài)地進(jìn)行邏輯關(guān)系的轉(zhuǎn)化；數(shù)據(jù)結(jié)構(gòu)——是邏輯關(guān)系的“固化映射”，即將已經(jīng)計(jì)算好的邏輯關(guān)系，存儲(chǔ)在了結(jié)構(gòu)之中。
可見，算法比數(shù)據(jù)結(jié)構(gòu)多出了計(jì)算的過程——前者需要根據(jù)邏輯關(guān)系進(jìn)行邏輯運(yùn)算，后者僅需要根據(jù)結(jié)構(gòu)的邏輯關(guān)系直接讀寫——所以應(yīng)用數(shù)據(jù)結(jié)構(gòu)進(jìn)行邏輯關(guān)系的轉(zhuǎn)化，會(huì)更加高效。
而人腦可以從環(huán)境信息中，提取數(shù)據(jù)結(jié)構(gòu)并習(xí)得算法，最終將兩者存儲(chǔ)到腦結(jié)構(gòu)之中——可見，「神經(jīng)結(jié)構(gòu)、數(shù)據(jù)結(jié)構(gòu)、算法」三者之間可以互相轉(zhuǎn)化，或說互相表征。
表征——是指用信息描述某一事物的狀態(tài)，即：信息符號(hào)可以代替某一事物本身。
換言之，如果數(shù)據(jù)結(jié)構(gòu)足夠強(qiáng)大，它就可以充當(dāng)復(fù)雜算法的功能，甚至可以替代復(fù)雜的神經(jīng)結(jié)構(gòu)。
因此，計(jì)算機(jī)智能“擬人”的一個(gè)途徑，就是通過強(qiáng)化數(shù)據(jù)結(jié)構(gòu)來模擬神經(jīng)結(jié)構(gòu)，以及弱化人類智能所提供的代碼算法，轉(zhuǎn)而使用結(jié)構(gòu)去生成算法，而這就是目前人工智能的發(fā)展方向——以下使用“人工智能”來替代“計(jì)算機(jī)智能”。
那么，問題就回到了，人工智能的數(shù)據(jù)結(jié)構(gòu)從何而來呢？
顯然，“人工”二字已經(jīng)說明，依然由人類智能來提供，只不過這不是一個(gè)針對(duì)具體問題的數(shù)據(jù)結(jié)構(gòu)，而是一個(gè)模擬人腦神經(jīng)網(wǎng)絡(luò)的通用數(shù)據(jù)結(jié)構(gòu)——它是對(duì)人腦結(jié)構(gòu)的簡(jiǎn)化抽象，并由程序語言編程實(shí)現(xiàn)的數(shù)學(xué)模型（以矩陣為基礎(chǔ)，想象黑客帝國(guó)的母體），可稱之為“類腦數(shù)據(jù)結(jié)構(gòu)”，更形象的描述是“類腦神經(jīng)網(wǎng)絡(luò)”。
接下來，人類智能繼續(xù)提供一種算法——機(jī)器學(xué)習(xí)算法（如深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等等，每種又有不同的具體實(shí)現(xiàn)），這種算法可以通過擬合與計(jì)算，試圖在海量的大數(shù)據(jù)中找到各種各樣的算法——從而把特定的輸入問題與輸出結(jié)果對(duì)應(yīng)起來——這相當(dāng)于實(shí)現(xiàn)了一種可以創(chuàng)造算法的“算法”。
大數(shù)據(jù)——是指擁有多維度信息的大量數(shù)據(jù)，也就是說，不僅數(shù)據(jù)量大，信息量也大，而“大量數(shù)據(jù)”，僅僅是數(shù)據(jù)量大，信息量卻不大，甚至可能很少。概括來看，大數(shù)據(jù)有4個(gè)明顯的特征，即：數(shù)據(jù)量大、多維度、完備性、和實(shí)時(shí)性。
大數(shù)據(jù)中的“薄數(shù)據(jù)”——是那些可量化、可測(cè)量，但未必重要數(shù)據(jù)。
大數(shù)據(jù)中的“厚數(shù)據(jù)”——是那些不可量化、不可測(cè)量，但重要的數(shù)據(jù)。
而將類腦數(shù)據(jù)結(jié)構(gòu)與機(jī)器學(xué)習(xí)算法結(jié)合起來，就可以動(dòng)態(tài)地自組織類腦數(shù)據(jù)結(jié)構(gòu)（通過結(jié)構(gòu)連接關(guān)系的權(quán)重），以存儲(chǔ)算法創(chuàng)造的算法——于是人工智能就表現(xiàn)出了自主學(xué)習(xí)與自主推理。
有趣的是，有一種機(jī)器學(xué)習(xí)算法（強(qiáng)化學(xué)習(xí)，Reinforcement Learning）與人腦多巴胺強(qiáng)化學(xué)習(xí)的機(jī)制是相一致的，即：
概率來自權(quán)重（歷史權(quán)重決定了算法的概率計(jì)算），權(quán)重來自獎(jiǎng)勵(lì)，獎(jiǎng)勵(lì)來自行為，行為來自決策，決策來自獎(jiǎng)勵(lì)，獎(jiǎng)勵(lì)來自概率（現(xiàn)實(shí)概率決定了獎(jiǎng)勵(lì)的最終獲取）——這說明機(jī)器可以使用人腦相同的學(xué)習(xí)機(jī)制進(jìn)行“自我學(xué)習(xí)”。
那么，這里算法習(xí)得的權(quán)重（也稱權(quán)值），其實(shí)就相當(dāng)于人腦神經(jīng)元之間的連接強(qiáng)度，通過數(shù)據(jù)反復(fù)地訓(xùn)練與調(diào)整，無論是機(jī)器還是人腦，最終都可以把輸出結(jié)果逼近正確答案。
事實(shí)上，早在1950年，圖靈就闡述了這樣的觀點(diǎn)——沃爾特·艾薩克森在《創(chuàng)新者》中指出，為了反駁“洛夫萊斯夫人的異議”（即埃達(dá)·洛夫萊斯認(rèn)為分析機(jī)無法像人腦一樣工作），圖靈在論文中提出了一個(gè)極具獨(dú)創(chuàng)性的觀點(diǎn)，即：
“機(jī)器也許可以進(jìn)行學(xué)習(xí)，從而逐漸發(fā)展出自己的主動(dòng)性，并掌握產(chǎn)生新想法的能力。……圖靈提出了一種獎(jiǎng)勵(lì)和懲罰機(jī)制，它可以促使機(jī)器重復(fù)或者避免某些行為，最終這臺(tái)機(jī)器將會(huì)培養(yǎng)出自己對(duì)于思考的概念。”
由上可見，人工智能是在通過「輸入數(shù)據(jù)、數(shù)據(jù)結(jié)構(gòu)、學(xué)習(xí)算法」之間的相互轉(zhuǎn)化，來形成“擬人智能”的——也就是從數(shù)據(jù)中找到結(jié)構(gòu)，再?gòu)慕Y(jié)構(gòu)中產(chǎn)生算法，最后將算法存入結(jié)構(gòu)。
值得一提的是，實(shí)踐表明，人工智能模型可以通過數(shù)據(jù)訓(xùn)練，獲得非常精準(zhǔn)的預(yù)測(cè)能力，但這種預(yù)測(cè)能力不具有可解釋性，即無法解釋預(yù)測(cè)結(jié)果的形成路徑。
換言之，類腦數(shù)據(jù)結(jié)構(gòu)（或說類腦神經(jīng)網(wǎng)絡(luò)）是一個(gè)——“黑盒模型”，如同人腦一樣。
那么，從此也可以看出，結(jié)構(gòu)涌現(xiàn)智能的規(guī)律與力量——就如同化學(xué)中結(jié)構(gòu)決定性質(zhì)，物理中結(jié)構(gòu)決定激發(fā)，程序中結(jié)構(gòu)決定功能，語言中結(jié)構(gòu)決定語義，等等——或許結(jié)構(gòu)決定了一切，這被稱為“結(jié)構(gòu)主義”。
按此視角，“聽不懂”、“不明白”、“搞不清”、“難理解”——其本質(zhì)都是無法重現(xiàn)相同（或相似）的結(jié)構(gòu)，即腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，如：動(dòng)物聽不懂人話，學(xué)渣不明白公式，平民搞不清政治，男人不理解女人。
換個(gè)角度來看，一個(gè)人哪怕經(jīng)驗(yàn)再豐富，與“大數(shù)據(jù)”相比也只是“小數(shù)據(jù)”，但“小數(shù)據(jù)”并不影響人腦具有強(qiáng)大的預(yù)測(cè)能力——其原因就在于，從有限的數(shù)據(jù)中獲得（或說提取存儲(chǔ)）有效有意義的結(jié)構(gòu)，而“結(jié)構(gòu)”可以預(yù)測(cè)未來。
那么，如果擁有了足夠大的“大數(shù)據(jù)”，這就像擁有了一張分辨率足夠高的“照片”，任意放大“照片”的某個(gè)局部，都可以看到足夠多的信息與連接，這就有更多的可能性，從這張“照片”里發(fā)現(xiàn)某些規(guī)律，即結(jié)構(gòu)——這就是人工智能的路徑與意義，即連接了數(shù)據(jù)與結(jié)構(gòu)。
然而除了數(shù)據(jù)結(jié)構(gòu)，在擬人智能的道路上，仍有一個(gè)顯著的問題，即是人腦的模糊性與計(jì)算機(jī)的精確性，它們之間的差異性應(yīng)該如何解決？
智能與概率
事實(shí)上，計(jì)算機(jī)一直是基于精確邏輯的工作模式，任何微小的邏輯錯(cuò)誤，都會(huì)在計(jì)算積累中不斷地被放大，直到邏輯崩塌或程序崩潰，最終導(dǎo)致任務(wù)失敗。
人腦的邏輯處理則完全不同，人腦基于“貝葉斯算法”使用概率模型，通過統(tǒng)計(jì)的結(jié)果來得出可能性，從而創(chuàng)造出各種假設(shè)，并隨著接收到的新信息而不斷調(diào)整模型，同時(shí)又會(huì)根據(jù)最新模型連續(xù)地計(jì)算，不斷逼近最真實(shí)準(zhǔn)確的答案，所以人腦可以忽略不具有規(guī)模的異常和錯(cuò)誤。
貝葉斯算法——是根據(jù)先驗(yàn)概率，進(jìn)行概率計(jì)算，結(jié)合客觀信息，調(diào)整先驗(yàn)概率，以此迭代循環(huán)，從而讓后期預(yù)測(cè)，不斷逼近準(zhǔn)確的客觀現(xiàn)實(shí)。通俗地說，就是預(yù)測(cè)隨著新信息而不斷改變，或結(jié)論隨著新證據(jù)而不斷改變。
例如，人腦處理語言，就是概率模型的最佳體現(xiàn)，顯然人類語言具有很強(qiáng)的容錯(cuò)性和糾錯(cuò)性——什么語法錯(cuò)誤、二意性、口音語調(diào)、反諷幽默等等，都可以在電光石火之間被人腦大概率的正確處理，這是計(jì)算機(jī)和編程語言所望塵莫及的，因?yàn)榫幊陶Z言錯(cuò)一個(gè)分號(hào)，程序就會(huì)“滿盤皆輸”——并且在人類語言之上，人腦還可以支撐精確的推理模型。
而人類智能可以運(yùn)用的推理，主要有四種：
第一，演繹推理，又稱邏輯推理，由一般到特殊。
第二，歸納推理，由特殊到一般。
第三，類比推理，由特殊到特殊，可以理解為：抽象的外推，有抽象才有類比，抽象接近本質(zhì)，本質(zhì)通用可以外推，通才的“學(xué)習(xí)遷移”即是運(yùn)用類比。
第四，溯因推理，又稱反繹推理（或反向演繹），由特殊到解釋，可以理解為：大腦遙遠(yuǎn)區(qū)域的長(zhǎng)連接，以及潛意識(shí)的計(jì)算，即直覺。
其中，演繹與歸納，（在數(shù)學(xué)上）是基于精確邏輯的（在人腦中是相對(duì)精確的），類比與溯因，則是基于概率統(tǒng)計(jì)的，而推理的根本作用就是——捕獲因果，預(yù)測(cè)未來。
事實(shí)上，直覺、閃念、靈感、頓悟所帶來的洞見，往往就是運(yùn)用類比與溯因的推理結(jié)果，其過程看似沒有邏輯，實(shí)則背后是神經(jīng)網(wǎng)絡(luò)“遙遠(yuǎn)連接”所激發(fā)的信息的“自由”排列組合——顯然，概率會(huì)讓這種“洞見”，有時(shí)是靈光乍現(xiàn)（即蘊(yùn)含著深刻本質(zhì)的邏輯），有時(shí)則是胡說八道（即類比錯(cuò)誤、溯因荒謬）。
類比——是形式不同，但邏輯相同的連接。
溯因——是根據(jù)現(xiàn)象，尋找最可能的解釋。
可見，人類智能在結(jié)構(gòu)與計(jì)算之上，必須要引入概率統(tǒng)計(jì)的工作模式，才能夠展現(xiàn)出其強(qiáng)大的推理預(yù)測(cè)能力。
那么，基于精確邏輯的計(jì)算機(jī)，能夠基于概率統(tǒng)計(jì)來工作嗎？
在經(jīng)典奠基性教材《深度學(xué)習(xí)》（Deep Learning）一書中，作者指出：
“在人工智能領(lǐng)域，概率論主要有兩種用途：首先，概率法則告訴我們，人工智能系統(tǒng)如何推理；其次，可以用概率和統(tǒng)計(jì)，從理論上分析人工智能系統(tǒng)的行為。……概率論，使我們能夠提出不確定性的聲明，以及針對(duì)不確定性的情景進(jìn)行推理；而信息論，則使我們能夠量化概率分布中不確定性的總量。”
是的，從某種角度來看：人工智能=計(jì)算機(jī)+概率論+信息論+大數(shù)據(jù)，其中概率論就是能夠讓算法創(chuàng)造算法的機(jī)制——就如同人腦中概率模型的運(yùn)作。
對(duì)此，作者在《深度學(xué)習(xí)》中，這樣說道：
“學(xué)習(xí)理論表明，機(jī)器學(xué)習(xí)算法能夠在有限個(gè)訓(xùn)練集樣本中，很好地泛化——這似乎違背一些基本的邏輯原則。通常，歸納推理（即從一組有限的樣本中推理出一般性的規(guī)則），在邏輯上不是很有效。因?yàn)?，為了邏輯推理出一個(gè)規(guī)則去描述集合中的元素，我們必須具有集合中每個(gè)元素的信息——這是很難做到的。但在一定程度上，機(jī)器學(xué)習(xí)僅通過概率法則，就可以避免這個(gè)問題，而無須使用純邏輯推理整個(gè)確定性的法則。最終，機(jī)器學(xué)習(xí)可以保證找到一個(gè)，在所關(guān)注的大多數(shù)樣本上可能正確的規(guī)則。”
那么，應(yīng)用了概率，就需要接受概率的模糊性與不確定性。
沒有免費(fèi)午餐定理（No Free Lunch Theorem）已經(jīng)清楚地表明，沒有最優(yōu)的學(xué)習(xí)算法，特別是沒有最優(yōu)的正則化形式。
正則化（Regularization）——是指向模型中加入某些先驗(yàn)的規(guī)則（如正則項(xiàng)，或稱規(guī)則項(xiàng)），以減小模型的求解誤差。通俗地說，就是把人類的知識(shí)，以數(shù)學(xué)的形式告訴模型。那么，沒有最優(yōu)正則化形式，意思就是人類的知識(shí)，沒法用完美的數(shù)學(xué)形式告訴模型。
因此，機(jī)器學(xué)習(xí)研究的目標(biāo)，不是找一個(gè)通用學(xué)習(xí)算法，或是絕對(duì)最好的學(xué)習(xí)算法，而是理解什么樣的概率分布，與人工智能獲取數(shù)據(jù)的“真實(shí)世界”有關(guān)，以及什么樣的學(xué)習(xí)算法，在我們所關(guān)注的數(shù)據(jù)分布上，效果最好。
事實(shí)上，我們應(yīng)該徹底放棄，用人類智能去尋找“算法”來“更新”人工智能，而是用人腦源源不斷產(chǎn)生的數(shù)據(jù)，去“喂養(yǎng)”人工智能，然后讓它從簡(jiǎn)單結(jié)構(gòu)開始，向著復(fù)雜結(jié)構(gòu)不斷地“自我演化”——就像當(dāng)初的人腦一樣。
例如，歷史上的天才，他們對(duì)世界的認(rèn)知和理解，可能還不如今天一個(gè)普通人，就是因?yàn)樘觳湃鄙倭水?dāng)今世界的「數(shù)據(jù)-信息」，可見——平庸+信息>天才，機(jī)器+數(shù)據(jù)>人才。
那么在應(yīng)用中，大多數(shù)機(jī)器學(xué)習(xí)算法都有“超參數(shù)”，它是在開始學(xué)習(xí)過程之前設(shè)置值的參數(shù)，而不是通過訓(xùn)練得到的參數(shù)，設(shè)置它可以控制算法的行為，通常情況下，需要人工對(duì)超參數(shù)進(jìn)行優(yōu)化，即給出一組最優(yōu)超參數(shù)，以提高學(xué)習(xí)的性能和效果。
換言之，我們應(yīng)該是設(shè)計(jì)一個(gè)循環(huán)嵌套的學(xué)習(xí)過程，讓一個(gè)學(xué)習(xí)算法為另一個(gè)學(xué)習(xí)算法，學(xué)習(xí)出“最優(yōu)超參數(shù)”，而不是人工提供這個(gè)“最優(yōu)超參數(shù)”。
更為重要的是，機(jī)器學(xué)習(xí)缺少一種內(nèi)在的驅(qū)動(dòng)力，即是痛苦與壓力，而對(duì)生物體來說，一個(gè)環(huán)境信息的“好壞”，就關(guān)聯(lián)著痛苦與壓力，即是生存。
因此，我們需要讓機(jī)器“感受”到痛苦與壓力，或說是給機(jī)器植入痛苦與壓力，即想辦法給機(jī)器編碼出“痛苦與壓力”，這樣機(jī)器學(xué)習(xí)才能在數(shù)據(jù)流中，自發(fā)地進(jìn)行學(xué)習(xí)，自動(dòng)地推理因果，從而獲得自我演化。
最后可見，正確的預(yù)測(cè)（或說預(yù)測(cè)的正確率），取決于信息量（信息可以消除不確定性），而信息來源于數(shù)據(jù)，沒有更多的數(shù)據(jù)，就是沒有更準(zhǔn)確的預(yù)測(cè)，那么在迭代計(jì)算中，用結(jié)構(gòu)去捕獲數(shù)據(jù)，進(jìn)而掌控預(yù)測(cè)的概率——這就是人工智能與人類智能的“同構(gòu)演化”。
智能的本質(zhì)
前文討論了智能的諸多層面，現(xiàn)在我們將從生物演化和物理規(guī)律的視角，來解釋智能的本質(zhì)到底是什么。
首先，從生物演化角度。
演化壓力要求，生物體構(gòu)建出趨利避害的功能，否則就會(huì)被淘汰，那么如何才能趨利避害？——首當(dāng)其沖的就是，準(zhǔn)確地預(yù)測(cè)利與害。那么如何才能準(zhǔn)確地預(yù)測(cè)利與害？——自然是，通過智能的推理能力（即演繹、歸納、類比、溯因）。
事實(shí)上，基因本來是利用神經(jīng)元，來控制運(yùn)動(dòng)和反射的，其存在的目的僅僅是控制肌肉的運(yùn)動(dòng)，所以植物不需要神經(jīng)元，動(dòng)物才需要。
而顯然，運(yùn)動(dòng)的時(shí)機(jī)與環(huán)境信息密切相關(guān)，于是后來神經(jīng)元就開始對(duì)信息進(jìn)行記憶、分析、預(yù)測(cè)、最終是模擬（模擬是為了更好的預(yù)測(cè)）——這個(gè)過程，也是從神經(jīng)元到大腦、到人腦、再到產(chǎn)生智能的演化過程。
換言之，是環(huán)境在促成神經(jīng)系統(tǒng)對(duì)環(huán)境信息的模擬和預(yù)測(cè)，從而逐漸把神經(jīng)系統(tǒng)演化成了智能系統(tǒng)，所以大腦是由神經(jīng)元構(gòu)成的神經(jīng)網(wǎng)絡(luò)。
而最終，基因設(shè)定了一套基礎(chǔ)規(guī)則，即本能，然后就放手讓大腦去接管幾乎所有的決策與選擇行為，即智能。
由此可見，智能來源于對(duì)運(yùn)動(dòng)控制的迭代升級(jí)——它是根據(jù)環(huán)境信息制定“運(yùn)動(dòng)算法”的算法，或說為了應(yīng)對(duì)環(huán)境，智能提高了運(yùn)動(dòng)對(duì)環(huán)境的反應(yīng)策略——它是（憑借推理能力）對(duì)環(huán)境信息的理解（即捕獲了因果關(guān)系）。
一個(gè)有趣的類比是：程序環(huán)境中的——數(shù)據(jù)與行為（行為具體是指函數(shù)或方法的實(shí)現(xiàn)），對(duì)應(yīng)了自然環(huán)境中的——信息和運(yùn)動(dòng)。
所以，OOP（Object Oriented Programming，面向?qū)ο缶幊蹋┌褦?shù)據(jù)與行為“打包”，其實(shí)是符合演化模型的，從某種角度說，OOP具有分形遞歸的特性，即：整體可以由局部遞歸組合而成，且整體與局部具有自相似性——這讓它可以模擬生物體的演化特性。
而更宏觀地看，智能是生物體在演化壓力之下，不斷升級(jí)的必然產(chǎn)物，也是無數(shù)次隨機(jī)試錯(cuò)的偶然產(chǎn)物。
例如，有個(gè)物種，由于基因突變獲得了一個(gè)演化優(yōu)勢(shì)，但在一段時(shí)間后，它的”競(jìng)爭(zhēng)者“也會(huì)演化出新的優(yōu)勢(shì)，來抵消它的優(yōu)勢(shì)，所以演化出比基因突變，更具趨利避害優(yōu)勢(shì)的”智能系統(tǒng)“，就是一種被迫”軍備競(jìng)賽“般的”隨機(jī)必然“。
或許有人會(huì)說，基因構(gòu)建的本能，也能夠預(yù)測(cè)未來，動(dòng)物也可以針對(duì)環(huán)境信息，做出預(yù)測(cè)性的行動(dòng)反饋——但事實(shí)上，本能并沒有推理，而只是做出有限模式的“套路化”反饋，即：應(yīng)激反應(yīng)與條件反射。
因此，我們可以將智能看成是——通過推理的預(yù)測(cè)能力，即：推理能力越強(qiáng)，預(yù)測(cè)能力就越強(qiáng)，智能就越強(qiáng)，反之智能越弱，預(yù)測(cè)能力就越弱，推理能力也就越弱。
那么，生物體通過智能最大化趨利避害之后，會(huì)怎么樣呢？
當(dāng)然就是，高效地吃喝、不停地繁衍、長(zhǎng)久地生存，最后還會(huì)發(fā)展出越來越先進(jìn)的科技——這顯然會(huì)消耗更多的能量，制造更多的熵增。
其次，從物理規(guī)律角度。
一個(gè)層面，熵增定律要求，局部自組織有序熵減，以推動(dòng)整體更加的無序熵增，因?yàn)榫S持局部有序，需要注入能量，而消耗能量的過程，會(huì)在整體產(chǎn)生更多的無序。
另一個(gè)層面，系統(tǒng)能量足夠，就可以保持對(duì)稱性（無序），能量不足就會(huì)對(duì)稱性破缺（有序），如：水的能量高于冰，水的（旋轉(zhuǎn)）對(duì)稱性高于冰，水比冰更無序。
那么，結(jié)合以上兩個(gè)層面來看：
熵增會(huì)驅(qū)使局部有序，維持有序需要注入能量，于是有序就會(huì)演化出，越來越高效的耗能系統(tǒng)來獲取能量，而擁有足夠的能量，就可以保持相關(guān)系統(tǒng)（即耗能系統(tǒng)所能夠影響的系統(tǒng)）的對(duì)稱性。
那么，對(duì)稱性意味著演化的可選擇性，可選擇性則可以通過選擇權(quán)的不對(duì)稱性，讓系統(tǒng)局部從相關(guān)系統(tǒng)中受益，進(jìn)而獲得更多的能量，這又會(huì)推動(dòng)局部更加的有序和耗能，最終令系統(tǒng)整體走向不斷熵增的演化過程。
選擇權(quán)——簡(jiǎn)單來說，就是具有選擇的權(quán)利，可以放棄這個(gè)權(quán)利。
可選擇性——簡(jiǎn)單來說，就是具有選擇的選項(xiàng)，選項(xiàng)可以是選擇權(quán)。
類比來看：
局部有序就是——人體，
耗能系統(tǒng)就是——人腦，
相關(guān)系統(tǒng)就是——生存環(huán)境，
有對(duì)稱性就是——具有智能，
可選擇性就是——表現(xiàn)智能，
局部受益就是——趨利避害。
合起來即：人腦通過智能獲得趨利避害，以讓人越來越善于消耗能量，從而順應(yīng)宇宙熵增的演化。
而對(duì)稱性破缺產(chǎn)生有序，就是使用智能的過程，也就是行使選擇權(quán)的過程，具體如下：
在智能選擇之后，系統(tǒng)就會(huì)進(jìn)入不對(duì)稱模式，此時(shí)繼續(xù)向系統(tǒng)注入能量，系統(tǒng)內(nèi)部就會(huì)開始結(jié)構(gòu)的排列組合和遠(yuǎn)近連接，并以內(nèi)部協(xié)調(diào)的方式產(chǎn)生新結(jié)構(gòu)，從而形成更大的對(duì)稱性，擁有更大的可選擇性，同時(shí)也需要更多的能量，才能維持在這個(gè)狀態(tài)，而這個(gè)狀態(tài)就是更強(qiáng)大的智能——或說可以表現(xiàn)出更強(qiáng)大的智能。
類比來看，使用智能可以使人腦產(chǎn)生新結(jié)構(gòu)，而人腦的可塑性可以協(xié)調(diào)新結(jié)構(gòu)，使得人腦結(jié)構(gòu)具有更大的對(duì)稱性，這相當(dāng)于人腦神經(jīng)網(wǎng)絡(luò)擁有更多的最短連接路徑，以及更多的發(fā)展可選擇性（因?yàn)閷?duì)稱性帶來更多耗能相同的選項(xiàng)），結(jié)果在相同耗能下，前者可以激活更多的思路，后者可以應(yīng)對(duì)更多的情況，這即是增強(qiáng)了人類智能。
而更強(qiáng)的智能，又可以使人腦從生存環(huán)境中獲得更多的可選擇性，這體現(xiàn)在可以看到環(huán)境中更多的可選擇性（因?yàn)樽R(shí)別更多的對(duì)稱性），以及讓環(huán)境具有更多的發(fā)展可選擇性（因?yàn)閷?duì)環(huán)境有更多的操作），這即是趨利避害的演化最優(yōu)解。
可見，智能的本質(zhì)，就是通過耗能維持系統(tǒng)對(duì)稱性的能力。
那么結(jié)合前文，人類智能是人腦結(jié)構(gòu)復(fù)雜性的涌現(xiàn)，現(xiàn)在來看會(huì)有更進(jìn)一步的理解，即：結(jié)構(gòu)的復(fù)雜性在于——規(guī)模性和動(dòng)態(tài)性，前者可以通過能量產(chǎn)生增長(zhǎng)，后者可以通過能量產(chǎn)生對(duì)稱，兩者的結(jié)合就可以產(chǎn)生——復(fù)雜系統(tǒng)的對(duì)稱性，這即是人類智能。
而在構(gòu)建復(fù)雜智能的過程中，最為關(guān)鍵的地方在于——新結(jié)構(gòu)是有序，但結(jié)構(gòu)的對(duì)稱可以產(chǎn)生無序，就像圓形比三角形更加的對(duì)稱（旋轉(zhuǎn)對(duì)稱性）、更加的無序、也擁有更多的最短連接路徑。
需要指出的是，結(jié)構(gòu)對(duì)稱，雖然在整體產(chǎn)生無序，但在局部會(huì)產(chǎn)生更多有序——這是一個(gè)通過耗能熵減的過程，剛好與熵增（整體無序，局部有序）相反。
按此理解，“智熵”——就是通過智能，在環(huán)境提高非對(duì)稱無序熵（整體熵增），在系統(tǒng)提高對(duì)稱無序熵（局部熵減），最終推動(dòng)熵增的編碼能力。
而對(duì)稱性的意義，就在于提供了——可選擇性，即：可以利用更多的路徑選項(xiàng)，來對(duì)抗環(huán)境壓力的驅(qū)使，從而維持自身狀態(tài)的不變，或向著自身有利狀態(tài)的改變。
顯然，擁有可選擇性，就可以表現(xiàn)出智能——就像有一個(gè)開關(guān)、多個(gè)開關(guān)、感應(yīng)開關(guān)、語音開關(guān)、自定義開關(guān)、可編程開關(guān)等等，可選擇性越多，就越表現(xiàn)出智能。
而可選擇性的意義，就在于選擇權(quán)的不對(duì)稱性，即：能量不對(duì)稱，我有的選，你沒的選；信息不對(duì)稱，我知道怎么選，你不知道怎么選——這意味著，擁有趨利避害的生存優(yōu)勢(shì)。
值得指出的是，隨機(jī)性也可以帶來可選擇性，如繼承與運(yùn)氣——所以隨機(jī)性可以創(chuàng)造智能，也可以在某個(gè)層面超越智能，即：隨機(jī)試錯(cuò)具有超越迭代試錯(cuò)的概率。
事實(shí)上，任何耗能系統(tǒng)，都可以因?yàn)樽⑷肽芰慷３纸Y(jié)構(gòu)的對(duì)稱性，從而具有可選擇性，進(jìn)而表現(xiàn)出某種智能，只不過人腦是自然界演化出的，最復(fù)雜的耗能系統(tǒng)，所以人類智能是自然界中，最強(qiáng)大的智能。
例如，宇宙奇點(diǎn)具有對(duì)稱性（高溫?zé)o序），接著大爆炸之后，由于空間膨脹（的環(huán)境壓力），宇宙的對(duì)稱性破缺（低溫有序），然后又向著無序熵增的方向演化——可見宇宙本身，就具有某種智能，它在試圖維持自身處在“無序?qū)ΨQ具有可選擇性”的狀態(tài)。
那么歸根究底，可選擇性帶來適應(yīng)性，這是演化對(duì)智能的要求，而對(duì)稱性（無序）需要注入能量，這是熵增對(duì)演化的要求。
可見，適應(yīng)性（演化）=可選擇性（表現(xiàn)智能）=對(duì)稱性（具有智能）=有序（信息不對(duì)稱）+能量（能量不對(duì)稱）——信息可以消除不確定性，有序即確定，意味著具有更多的信息。
而如果沒有適應(yīng)性（或適應(yīng)性不足），就說明缺少對(duì)稱性，也就是「有序+能量」中的能量不夠，此時(shí)有序，就會(huì)被環(huán)境壓力分解為「無序+能量」，其能量會(huì)被用來支撐其它「有序+能量」的演化，只剩下無序熵增。
換言之：
能量不足——會(huì)促使「有序到無序」并釋放能量（即淘汰），
能量足夠——會(huì)促使吸收「有序到無序」釋放的能量（即留存），
結(jié)果永遠(yuǎn)——是「有序到無序」的熵增（即方向）。
因此，智能可以看成是，熵增驅(qū)動(dòng)演化的結(jié)果，而熵增就可以看成是，演化壓力的壓力，或說是宇宙演化的“終極壓力”。
最后，更抽象地看——智能只是能量流動(dòng)中的一種模式，更簡(jiǎn)單地看——智能只是趨利避害中的一種模式（本能與智能是兩種模式），更一般地看——智能就是獲得可選擇性的能力。
不同的視角
人工智能，雖然來源于對(duì)人類智能的模擬，但如果模擬到了演化算法，它就會(huì)有自己的發(fā)展，并且開還會(huì)反作用于人類智能本身，比如從機(jī)器學(xué)習(xí)的有效算法，去反思人類學(xué)習(xí)的神經(jīng)模式。
事實(shí)上，人工智能與人類智能的智能競(jìng)賽，可以倒逼我們找到自身智能奧秘的底層邏輯，因?yàn)樵礁呒?jí)復(fù)雜的智能，其演化路徑就越是狹窄的，就像人類眼睛與章魚眼睛，是獨(dú)立演化出的兩種相似結(jié)構(gòu)，所以人工智能與人類智能，在智能演化的道路上，最終也可能會(huì)“殊途同歸”。
那么，從這個(gè)角度來看，人工智能目前還不及人類智能的事情，一方面是它的智能演化才剛剛開始，另一方面則是因?yàn)槿祟愡€不夠了解自己，還無法提供人工智能加速演化的關(guān)鍵技術(shù)。
然而，如果僅從復(fù)雜結(jié)構(gòu)的「連接性、動(dòng)態(tài)性、隨機(jī)性」來標(biāo)度智能，我們會(huì)發(fā)現(xiàn)整個(gè)互聯(lián)網(wǎng)就像一個(gè)人腦。
其中，互聯(lián)的計(jì)算網(wǎng)絡(luò)就像是人腦的神經(jīng)網(wǎng)絡(luò)，連入網(wǎng)絡(luò)的每臺(tái)計(jì)算設(shè)備，就像是一個(gè)神經(jīng)元細(xì)胞——不，其實(shí)是每個(gè)使用設(shè)備的人，才是一個(gè)神經(jīng)元細(xì)胞——每個(gè)人都在貢獻(xiàn)著數(shù)據(jù)與結(jié)構(gòu)，人與人之間的連接和關(guān)系，以及數(shù)據(jù)交互的動(dòng)態(tài)性和自由意志的隨機(jī)性，就構(gòu)成了一個(gè)“類腦”的復(fù)雜結(jié)構(gòu)。
換個(gè)角度來看，為什么說互聯(lián)網(wǎng)是我們大腦的延伸，而不是“眼耳手腿”，就是因?yàn)榛ヂ?lián)網(wǎng)連接的是我們大腦。
這樣，整個(gè)互聯(lián)網(wǎng)會(huì)演化出自己的智能嗎？
同理類似，一個(gè)超大規(guī)模的城市，通過其不斷變化又極其繁復(fù)的交通網(wǎng)絡(luò)與基礎(chǔ)設(shè)施，將其中數(shù)以千萬的“人類神經(jīng)元”連接起來，進(jìn)行信息的傳遞和交換，從而構(gòu)成了一個(gè)“類腦”的復(fù)雜結(jié)構(gòu)。
這樣，整個(gè)城市會(huì)演化出自己的智能嗎？
答案是否定的，即互聯(lián)網(wǎng)與城市都無法產(chǎn)生智能，其關(guān)鍵原因有兩點(diǎn)：
其一，人類自身的演化，限制了人與人之間的連接——150定律（即鄧巴數(shù)）表明，人類擁有穩(wěn)定的社交網(wǎng)絡(luò)人數(shù)大約是150人——而在人腦神經(jīng)網(wǎng)絡(luò)中，一個(gè)神經(jīng)元與其它神經(jīng)元的連接數(shù)，平均是7000~10000個(gè)。
其二，人腦神經(jīng)元總數(shù)大約有860億個(gè)，而全球人類總數(shù)大約只有70多億。
神經(jīng)元的連接數(shù)：Do we have brain to spare
神經(jīng)元的總個(gè)數(shù)：The human brain in numbers
可見，用“人類神經(jīng)元”去構(gòu)建一個(gè)“類腦結(jié)構(gòu)”，不考慮別的，僅在標(biāo)度上就有數(shù)量級(jí)的差距，而量變顯然決定了結(jié)構(gòu)的質(zhì)變與涌現(xiàn)。
由此看來，智能不僅在于結(jié)構(gòu)和能量，還在于規(guī)模和尺度，也就是關(guān)乎于時(shí)間和空間——規(guī)模取決于結(jié)構(gòu)的存在時(shí)間，尺度取決于結(jié)構(gòu)的活動(dòng)空間。
結(jié)語
生命是化學(xué)的一種形式，智能是生命的一種形式（生命可以沒有智能），而智能也是生命了解其自身的一種形式。
但有智能并不一定就有意識(shí)，按照智能的定義（耗能、推理、預(yù)測(cè)、可選擇性），人工智能已經(jīng)擁有了智能，但它還不具有意識(shí)。
本文的主旨是“結(jié)構(gòu)主義”，即結(jié)構(gòu)決定了一切，因此結(jié)構(gòu)是智能的具體實(shí)現(xiàn)（就像程序是算法的具體實(shí)現(xiàn)），而這也是人工智能（或許）可以實(shí)現(xiàn)人類智能的根本所在。
那么按此理解，意識(shí)就是結(jié)構(gòu)在涌現(xiàn)智能之后的另一個(gè)涌現(xiàn)產(chǎn)物，可能是在于某種特殊的“回路結(jié)構(gòu)”，其承載的是有關(guān)“計(jì)算的計(jì)算”——這是回路結(jié)構(gòu)的結(jié)構(gòu)特點(diǎn)。
事實(shí)上，計(jì)算驅(qū)動(dòng)了演化過程中的狀態(tài)改變，計(jì)算的本質(zhì)是用一個(gè)系統(tǒng)去模擬另一個(gè)系統(tǒng)的演化——就如顱內(nèi)模擬是人腦的計(jì)算，程序模擬是機(jī)器的計(jì)算，前者是生物系統(tǒng)的模擬預(yù)測(cè)，后者是物理系統(tǒng)的模擬預(yù)測(cè)——顯然，計(jì)算也是依賴于結(jié)構(gòu)的，而這就是人工智能與人類智能，可以“同源計(jì)算”的演化。
回到算法，從某種角度看，基因的算法是本能，人腦的算法是智能——前者源于基因結(jié)構(gòu)，后者源于人腦結(jié)構(gòu)，區(qū)別在于后者是一種通用算法，它可以創(chuàng)造其它算法，而人工智能通過數(shù)據(jù)結(jié)構(gòu)與算法的相互轉(zhuǎn)化，也做到了這一點(diǎn)。
不得不說，“結(jié)構(gòu)主義”為人工智能的“擬人”，掃清了障礙，鋪平了道路——甚至說，就算我們無法完全理解“智能結(jié)構(gòu)黑盒”的原理，也沒有關(guān)系，我們只需要將“黑盒”整體打包成一個(gè)算法，然后注入計(jì)算，任其演化——剩下的只要交給時(shí)間即可。
那么，就目前而言，人工智能還只是人類智能的一種工具（或說玩具），就像數(shù)學(xué)和物理是一種工具一樣，但從演化視角來看，人類又何嘗不是基因的工具（或說奴隸）呢？
而我們都知道，智能如果超越了某個(gè)系統(tǒng)，系統(tǒng)的規(guī)則就無法再束縛住這個(gè)智能的演化——這就是人類智能與自然系統(tǒng)的歷史關(guān)系。
因此，對(duì)于人工智能的未來，或許“結(jié)構(gòu)主義”演化出的結(jié)果，是一種全新的“智能”，“祂”不僅僅是“擬人”的強(qiáng)人工智能，而是超越人類智能系統(tǒng)之上的——“機(jī)器智能”，這條演化之路，或許可以被稱之為——“機(jī)器主義”。
后記1：智能的定義
前文，一共對(duì)智能有哪些定義：
智能是——通過推理的預(yù)測(cè)能力。
智能是——通過耗能維持系統(tǒng)對(duì)稱性的能力。
智能是——獲得可選擇性的能力。
智能是——趨利避害中的一種模式。
智能是——能量流動(dòng)中的一種模式。
智能是——動(dòng)態(tài)結(jié)構(gòu)的動(dòng)態(tài)計(jì)算。
智能是——在整體提高非對(duì)稱無序熵，在局部提高對(duì)稱無序熵，最終推動(dòng)熵增的編碼能力。
那么，關(guān)于智能的未來，只有一個(gè)重要的問題，即：全能又“隨機(jī)所欲”的宇宙，會(huì)不會(huì)通過“人類基因結(jié)構(gòu)”向“機(jī)器模因結(jié)構(gòu)”注入通用智能呢？
后記2：通用智能的產(chǎn)生
非常簡(jiǎn)化地看，智能就是——預(yù)測(cè)未來的能力，要是智能不能預(yù)測(cè)未來，要它有何用？
顯然，預(yù)測(cè)未來帶來了生存優(yōu)勢(shì)，生存（更好的生存）就是智能演化的選擇壓力，而為了更好地預(yù)測(cè)未來，智能可以從數(shù)據(jù)中構(gòu)建模型，然后用模型來預(yù)測(cè)未來。
所以，智能行為總是圍繞著模型來展開的——如抽象、分類是在創(chuàng)建模型，如對(duì)比、識(shí)別是在訓(xùn)練模型，如判斷、選擇是在測(cè)試模型——有了成熟準(zhǔn)確的概率模型，就可以推理預(yù)測(cè)、決策未來。
而模型，其實(shí)是一種結(jié)構(gòu)，即模型結(jié)構(gòu)，并且構(gòu)建模型，依然需要結(jié)構(gòu)，即大腦結(jié)構(gòu)。
事實(shí)上，智能預(yù)測(cè)，不僅需要結(jié)構(gòu)（模型結(jié)構(gòu)與大腦結(jié)構(gòu)），也需要數(shù)據(jù)，如果沒有環(huán)境數(shù)據(jù)中的有效信息，就很難進(jìn)行有效的預(yù)測(cè)，甚至都不知道該預(yù)測(cè)什么——因?yàn)轭A(yù)測(cè)目標(biāo)，就是以「數(shù)據(jù)-信息」的形式，進(jìn)入智能系統(tǒng)的。
那么，從物理角度看，數(shù)據(jù)就是結(jié)構(gòu)，結(jié)構(gòu)就是數(shù)據(jù)，進(jìn)入智能系統(tǒng)的數(shù)據(jù)，與其來源的結(jié)構(gòu)，是一個(gè)不可分割的整體，擁有密切的“邏輯關(guān)系”。
為什么特定數(shù)據(jù)，訓(xùn)練特定的模型，不能通用？
因?yàn)?，預(yù)測(cè)來自于數(shù)據(jù)之間的邏輯關(guān)系，所以數(shù)據(jù)訓(xùn)練的模型結(jié)構(gòu)，可以預(yù)測(cè)特定類型的數(shù)據(jù)及其變化。
為什么人類智能可以通用？
因?yàn)?，人腦可以不斷學(xué)習(xí)，使用各種數(shù)據(jù)訓(xùn)練各種模型，而顯然人腦如果不學(xué)習(xí)某些知識(shí)，就無法在這個(gè)領(lǐng)域進(jìn)行有效的預(yù)測(cè)，即不具備這個(gè)領(lǐng)域的智能。
為什么動(dòng)物的智能上限遠(yuǎn)不及人類？
因?yàn)椋瑒?dòng)物的大腦缺少?gòu)?qiáng)大的“學(xué)習(xí)網(wǎng)絡(luò)”，即：新皮質(zhì)不夠發(fā)達(dá)——要么不存在、要么不夠復(fù)雜、要么不夠動(dòng)態(tài)。
如果說，智能在于預(yù)測(cè)，預(yù)測(cè)在于模型，模型在于結(jié)構(gòu)，那么通用智能的關(guān)鍵就在于：利用學(xué)習(xí)來塑造結(jié)構(gòu)形成模型——而學(xué)習(xí)需要獎(jiǎng)勵(lì)，獎(jiǎng)勵(lì)來自環(huán)境。
換言之，通用智能=動(dòng)態(tài)結(jié)構(gòu)+學(xué)習(xí)塑造+獎(jiǎng)勵(lì)目標(biāo)。
那么，對(duì)人工智能來說：
動(dòng)態(tài)結(jié)構(gòu)——可以使用數(shù)據(jù)結(jié)構(gòu)來模擬。
學(xué)習(xí)塑造——可以使用學(xué)習(xí)算法來模擬。
獎(jiǎng)勵(lì)目標(biāo)——可以使用編程驅(qū)動(dòng)來模擬。
最后，關(guān)于智能預(yù)測(cè)，我們都知道，微觀系統(tǒng)是不可預(yù)測(cè)的，復(fù)雜系統(tǒng)也是不可預(yù)測(cè)的——但微觀的不確定性可以在宏觀相互抵消，復(fù)雜的不確定性可以被超高算力求解。
那么，通用智能的終極目的就是：精確地預(yù)測(cè)未來——或說是精確地模擬這個(gè)世界，演化出一個(gè)確定的未來（包括“三體問題”的運(yùn)動(dòng)軌跡）。
后記3：圖靈測(cè)試
以下史實(shí)內(nèi)容，來自沃爾特·艾薩克森的《創(chuàng)新者》一書。
在1950年10月的哲學(xué)期刊《心靈》（Mind）上，圖靈發(fā)表了論文《計(jì)算機(jī)器與智能》，其中提出了一個(gè)概念——“圖靈測(cè)試”（Turing Test），它為人工智能模仿人類智能，提供了一個(gè)基線測(cè)試，即：
“如果一臺(tái)機(jī)器輸出的內(nèi)容和人類大腦別無二致的話，那么我們就沒有理由堅(jiān)持認(rèn)為這臺(tái)機(jī)器不是在「思考」。”
圖靈測(cè)試，也就是圖靈所說的——“模仿游戲”（The Imitation Game），其操作很簡(jiǎn)單，即：
“一位詢問者將自己的問題寫下來，發(fā)給處于另外一個(gè)房間之中的一個(gè)人和一臺(tái)機(jī)器，然后根據(jù)他們給出的答案確定哪個(gè)是真人。”
對(duì)于圖靈測(cè)試的異議，哲學(xué)家——約翰·希爾勒（John Searle）在1980年，提出了一個(gè)叫作“中文房間”（Chinese Room）的思想實(shí)驗(yàn)，即：
“在一個(gè)房間里面有一個(gè)以英語為母語，而且對(duì)中文一竅不通的人，他手上有一本詳細(xì)列出所有中文搭配規(guī)則的手冊(cè)。他會(huì)從房間外收到一些以中文寫成的問題，然后根據(jù)這本手冊(cè)寫出中文的回答。只要有一本足夠好的指導(dǎo)手冊(cè)，房間里的回答者就可以讓房間外的詢問者相信他的母語是中文。盡管如此，他不會(huì)理解自己給出的任何一個(gè)回答，也不會(huì)表現(xiàn)出任何的意向性。”
“按照埃達(dá)·洛夫萊斯的話來說，他不會(huì)主動(dòng)地創(chuàng)造任何東西，只是根據(jù)得到的任何指令完成任務(wù)。同樣地，對(duì)于參加圖靈測(cè)試的機(jī)器來說，無論它可以如何成功地模仿人類，也不會(huì)理解或者意識(shí)到自己所說的東西。我們不能因此認(rèn)為這臺(tái)機(jī)器可以「思考」，正如我們不能認(rèn)為使用一本大型指導(dǎo)手冊(cè)的人，可以理解中文一樣。”
當(dāng)然，對(duì)于希爾勒提出的“中文房間”的異議，有人提出了反駁，即：
“雖然房間中的人本身不是真正理解中文，但是這個(gè)房間包含的完整系統(tǒng)——人（處理器）、指導(dǎo)手冊(cè)（程序）、以及寫滿中文的文件（數(shù)據(jù)），這三者作為一個(gè)整體是確實(shí)能夠理解中文的。”
對(duì)此，我的看法是：
如果說，人腦作為一個(gè)整體，是可以“理解”中文的，這是人類智能的體現(xiàn)，那么對(duì)于人腦中的每個(gè)局部，是否能夠“理解”中文，并具有人類智能呢？——顯然，局部到一個(gè)神經(jīng)細(xì)胞，是一定沒有人類智能的。
可見，我們需要搞清楚，所謂人類智能的“理解”到底是什么？
從前文論述可知，“理解”——其實(shí)是來自數(shù)據(jù)結(jié)構(gòu)內(nèi)在的邏輯關(guān)系，即：人腦的神經(jīng)結(jié)構(gòu)，捕獲模擬（或說記憶存儲(chǔ)）了數(shù)據(jù)結(jié)構(gòu)的邏輯關(guān)系，就是人類智能的“理解”。
例如，一個(gè)人真正的“理解”，即是在大腦中有對(duì)應(yīng)的“結(jié)構(gòu)”，而假裝“理解”，則是大腦中沒有對(duì)應(yīng)的“結(jié)構(gòu)”，只是在語言上試圖“插值”，所以也無法解釋清楚——讓別人理解（即在別人大腦里重建結(jié)構(gòu)）。
那么，在結(jié)構(gòu)映射關(guān)系的過程中，就會(huì)有不同尺度層級(jí)的視角——在“中文房間”中，不會(huì)中文的人腦并沒有形成“理解”的結(jié)構(gòu)，但不會(huì)中文的人腦加上指導(dǎo)手冊(cè)，就形成了“理解”的結(jié)構(gòu)。
所以，群體智能=個(gè)體結(jié)構(gòu)+個(gè)體結(jié)構(gòu)+個(gè)體結(jié)構(gòu)>個(gè)體智能——這是結(jié)構(gòu)上的擴(kuò)展，也是智能上的增強(qiáng)。
當(dāng)然，考慮到“烏合之眾”，人類群體的智能不一定就高于人類個(gè)體，這是基因算法局限性的又一種體現(xiàn)。
最后，從圖靈測(cè)試的描述來看，貌似“智能尺度”是——房間，但在現(xiàn)實(shí)中，“房間”的背后，我們并不知道其連接著什么與哪里，即有了網(wǎng)絡(luò)，智能可以變得無形與無限。
但在結(jié)構(gòu)視角下，智能的限制會(huì)來自“連接”，而“連接”的上限，即“光速”。
所以，宇宙中的智能演化，會(huì)存在一個(gè)上限，即最大智能。
后記4：連接與規(guī)模縮放
杰弗里·韋斯特（Geoffrey West）在《規(guī)?！芬粫兄赋觯?/p>
“公司（收入）的規(guī)?？s放指數(shù)約為0.9，而城市（基礎(chǔ)設(shè)施）的規(guī)?？s放指數(shù)為0.85，生物體（代謝率）的規(guī)?？s放指數(shù)則為0.75。”
換言之，公司規(guī)模增加一倍，其收入增加2^0.9=1.87倍；城市規(guī)模增加一倍，其基礎(chǔ)設(shè)施增加2^0.85=1.8倍，生物體規(guī)模增加一倍，其代謝率增加2^0.75=1.68倍。
可以看到，規(guī)?？s放指數(shù)越小，其增長(zhǎng)率就越低，反過來看就是效率越高。
例如，生物體重增加一倍，代謝率只需要增加1.68倍；城市大小增加一倍，基礎(chǔ)設(shè)施只需要增加1.8倍；公司人數(shù)增加一倍，收入只需要增加1.87倍（更少的錢養(yǎng)活了更多的人，用人效率提高）。
那為什么會(huì)出現(xiàn)，這樣不同指數(shù)的規(guī)模效應(yīng)呢？
可能的原因就在于——“連接密度”，因?yàn)閺倪B接角度來看：
生物體內(nèi)（代謝運(yùn)作）的連接密度>城市內(nèi)（設(shè)施使用）的連接密度>公司內(nèi)（人員交流）的連接密度。
顯然，連接密度越大，效率通常就會(huì)越高，但其改變、適應(yīng)、重塑，就會(huì)變得越難以實(shí)現(xiàn)——容易產(chǎn)生“結(jié)構(gòu)僵化”，因?yàn)檫B接之間會(huì)相互作用，產(chǎn)生限制與約束。
例如，在大腦的神經(jīng)網(wǎng)絡(luò)中，連接密度越大，信息的連接路徑就越多，記憶就越持久（也更容易提?。?，但這樣的信息也不容易改變——需要新證據(jù)建立新連接才能改變，但新證據(jù)通常都會(huì)被已有信息的大量“連接信息”給否定。
例如，改變記憶中一個(gè)字詞的意思是容易的，但改變記憶中一個(gè)觀念的對(duì)錯(cuò)是非常困難的，因?yàn)檫@個(gè)觀念會(huì)有很多的連接——代表著其本身的記憶強(qiáng)度，以及與其它信息的交互。
事實(shí)上，效率性與可塑性，往往不可兼得。
例如，嬰兒的大腦：連接少、效率低、可塑強(qiáng)；成人的大腦：連接多、效率高、可塑低。
可見，人腦在連接密度與可塑性之間，會(huì)出現(xiàn)此消彼長(zhǎng)——在此別忘了，人腦細(xì)胞數(shù)量在抵達(dá)上限之后，就會(huì)隨著年齡增長(zhǎng)不斷下降——這說明腦細(xì)胞的數(shù)量遠(yuǎn)不及它們的連接重要，并且用可塑性換取連接密度，是人腦的學(xué)習(xí)過程。
例如，就算損失了很多腦細(xì)胞，但憑借可塑性構(gòu)建的大量新連接，剩余的腦細(xì)胞依然可以支撐正常的腦功能。
然而，隨著連接密度遠(yuǎn)遠(yuǎn)超過連接可塑時(shí)，結(jié)構(gòu)僵化就會(huì)不可避免的發(fā)生。
例如，經(jīng)驗(yàn)會(huì)壓制對(duì)新知的獲取，專業(yè)會(huì)壓制對(duì)認(rèn)知的改變，效率性超過可塑性就會(huì)出現(xiàn)“思維定勢(shì)”——這是“思維快捷方式”帶來的副作用。
再?gòu)难莼嵌葋砜?，可塑性下降，適應(yīng)性就會(huì)下降（即學(xué)習(xí)能力下降），最終就會(huì)因?yàn)榻┗惶蕴?mdash;—可見，要想在演化的選擇壓力中脫穎而出，大腦不僅要有效率性（即本能與智能的快捷方式），還要有可塑性。
因此，并不是腦容量越大、腦細(xì)胞越多、連接密度越高，智能就會(huì)越高——而是在于連接密度與連接可塑之間的平衡——前者依賴后者（連接來自可塑），又會(huì)限制后者（連接抑制可塑）。
事實(shí)上，從自然界普適的規(guī)?？s放規(guī)律，我們可以看出：通過增加連接密度，來提高運(yùn)作效率，是一條比較寬泛的演化道路，但通過增加連接可塑，并與連接密度達(dá)成微妙的動(dòng)態(tài)平衡，來獲得“通用智能”，就是一條比較狹窄的演化道路，而這就是人類智能的演化路徑。
其道路狹窄的原因，可能在于：
第一，連接密度需要達(dá)到一個(gè)閾值，即顱內(nèi)限制。
第二，連接可塑需要一個(gè)動(dòng)態(tài)結(jié)構(gòu)，即神經(jīng)元結(jié)構(gòu)。
第三，連接密度與連接可塑的動(dòng)態(tài)平衡，需要?jiǎng)討B(tài)控制，即神經(jīng)遞質(zhì)。
那么，對(duì)應(yīng)到機(jī)器智能上，連接密度與連接可塑，都可以通過數(shù)據(jù)結(jié)構(gòu)來構(gòu)建達(dá)成，至于它們之間微妙的動(dòng)態(tài)平衡與控制，則可以交給迭代試錯(cuò)的學(xué)習(xí)過程來“擬合”。
最后，更抽象地來看，連接密度取決于不同結(jié)構(gòu)（如顱內(nèi)），連接可塑取決于動(dòng)態(tài)結(jié)構(gòu)（如神經(jīng)元），兩者的動(dòng)態(tài)平衡取決于控制結(jié)構(gòu)（如突觸與遞質(zhì)），可見智能最底層的基石，即是——結(jié)構(gòu)與連接，而推動(dòng)結(jié)構(gòu)與連接變化的，就是——相互作用。
簡(jiǎn)而言之，結(jié)構(gòu)會(huì)通過連接關(guān)系的相互作用改變結(jié)構(gòu)本身，而長(zhǎng)連接則會(huì)帶來結(jié)構(gòu)的涌現(xiàn)質(zhì)變。
因此，我們需要帶著「第一原理」的視角，去重新認(rèn)識(shí)與思考：結(jié)構(gòu)、連接、長(zhǎng)連接與相互作用。
