重塑人类未来的五大底层逻辑追问nextquestion

人类正处于一场范式革命之中。

范式转变往往伴随着阵痛。新观念与旧世界观相容时，人们欣然接受；而二者相悖时，人们便心生抵触。地心说就是一个经典案例。该学说由托勒密（Ptolemy）的“本轮说”进一步完善，认为太阳、月亮、行星和恒星围绕着静止不动的地球运转。这种认知既符合直觉又顺应宗教传统，曾被视为重大科学成就，主导了人类近2000年的宇宙观。因此，哥白尼的“日心说”虽然是科学进步的标志，更是备受争议的“异端邪说”。正如本杰明·布拉顿（Benjamin Bratton）所言，“日心说”之于某些人甚至造成了存在主义层面的精神创伤。如今，人工智能（AI）已再度掀起认知风暴。

本文将阐述五大范式转变。它们互相关联，共同影响着AI的发展：

自然计算——早在人类制造出第一台“人工计算机”之前，计算就已然存在于自然界。将计算视为一种自然现象，不仅能推动计算机科学和AI迭代，还将促使物理学和生物学革新。

神经计算——人类大脑正是自然计算的绝佳典范。通过重构驱动AI的计算机系统，使其更接近大脑的工作机制，将大幅提升AI的能效水平，同时解锁其潜能。

预测智能——大语言模型（LLM）的成功向我们揭示了智能的本质特征：它建立在不断演进的知识、观察和历史反馈之上，是对未来（包括自身未来行为）的统计建模。这意味着，当前AI模型的设计、训练与运行之间的界限只是暂时性的，更先进的AI将像人类一样，以持续、互动的形式不断进化、成长和学习。

通用智能——智能的实现未必需要基于生物的计算。AI模型仍将稳步升级，但它们现阶段的能力已经相当全面，能够处理日益多样化的认知任务。其技能水平可以比肩人类个体，在某些情况下甚至更胜一筹。从这种意义上说，“通用人工智能”（AGI）或许已然到来，只是我们在反复更改衡量标准。

集体智能——人类大脑、AI智能体和社会系统都可以通过扩展规模而变得更强大，但仅有规模是不够的。智能本质上是社会性的，由多个智能体的协作分工所驱动。这一认知促使我们重新思考人类（或“超越人类”）智能的本质，更指明了AI发展的新路径：通过社会化智能集群与多智能体协同架构，可以降低计算成本、增加AI多样性，并为AI安全议题提供新视角。

或许在AI时代，最大的“哥白尼式”冲击则在于，我们可能将不得不接受非人类通用智能会如此般司空见惯。但要理解人类的“智能地心说”，首先必须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。接下来，本文将就此展开论证。

▷Blaise Agüera y Arcas（上）是Google副总裁兼研究员，技术与社会的首席技术官，也是智能范式团队（Paradigms of Intelligence）的创始人。他的新书《何为智能》（What Is Intelligence?）于9月将由Antikythera和Mit Press发布。

James Manyika（下）是谷歌-字母表（Google-Alphabet）的高级副总裁，同时担任谷歌研究、实验室、技术与社会部门的总裁。他曾担任美国国家人工智能咨询委员会的副主席，以及联合国秘书长人工智能咨询机构的联合主席。

“计算机科学”算得上是一门科学吗？通常来说，它更多地被视为一门工程学科，诞生于二战时期的电子数字积分计算机（ENIAC）。ENIAC是人类历史上第一台完全可编程的通用电子计算机，也是你手中那部智能手机的远祖。

不过，计算机理论的出现则更早于计算机工程。1936年，英国数学家艾伦·图灵（Alan Turing）发表了一篇具有开创性的论文，介绍了现在被我们称之为“图灵机”的虚拟设备，它由一个可以在磁带上左右移动的读写头组成，可以根据一套规则读取、擦除和写入磁带上的符号。只要赋予合适的规则，图灵机就能按照磁带上编码的指令，即我们现在所说的计算机程序或代码进行操作，从而使得这种“通用图灵机”（UTM）能够执行任意计算。反过来讲，任何能由UTM完成的操作都属于计算。1945年，ENIAC正式完工，成为世界上第一台真正的UTM。

然而……事实或许并非如此。早在2014年，一小群在物理学和计算机科学领域都有深厚背景的非传统研究人员，比如约克大学的苏珊·斯蒂芬尼（Susan Stepney），就在《英国皇家学会学报A辑》（Proc. R. Soc. A）上提出，自然界中实际上充斥着计算系统，其中并没有明确的人类计算机用户。此外，20世纪物理学巨擘约翰·惠勒（John Wheeler）还曾经大力倡导过一种名为“万物源于比特”（it from bit）的激进假说，该假说认为宇宙的基本结构是计算性的。在惠勒看来，我们视为物理的基本现象——夸克、电子、光子——都是底层计算的产物，就像互联网数据包或图像像素一样。

或许在AI时代，最大的“哥白尼式”冲击则在于，我们可能将不得不接受非人类通用智能会如此般司空见惯。

在量子力学的某些解释中，这种计算发生在多重宇宙之中，展开而言，即大量相互纠缠的平行宇宙中同时进行着大量的计算。无论对基础物理学作何解释，量子计算这一实实在在的技术都利用了这种并行性，使某些计算能够在几分钟内完成，而用当今最强大的超级计算机则需要数倍于宇宙寿命的运算时间。无论以何种标准衡量，这都是计算领域的一场范式变革。

“计算是物质的现实基础”这一说法难以被证实抑或证伪，但早在惠勒提出“万物源于比特”的假说之前，就出现过“自然界中存在计算”的明确案例。约翰·冯·诺依曼（John von Neumann）是一位杰出的数学物理学家，也是计算机科学的另一位奠基人，早在1951年就发现了计算与生物学之间的深刻联系。

冯·诺依曼意识到，对于一个复杂的生物体来说，要实现自我复制，它必须包含构建自身的指令，以及读取和执行这些指令“磁带”的机器。“磁带”本身也必须能够复制，并包含构建读取它的机器的指令。巧合的是，这种“通用构造器”的技术要求与通用图灵机（UTM）的技术要求完全一致。令人惊讶的是，冯·诺依曼先于1953年在DNA的图灵式磁带样结构和功能被发现之前就已经产生了这一洞见。

于是乎，冯·诺依曼证明了，生命究其本质是“计算性”的。这听起来可能让人感到匪夷所思，因为我们理所当然会认为计算机并没有生命，而生物也绝不能算作计算机。但这是事实：DNA就是生命的代码——尽管这种代码难以逆向工程，又并非按线性顺序执行。“计算”对于生物而言是必要的，这不仅是为了繁殖，还是为了发育、生长和修复。而基于此的对基础生物系统进行编辑或编程，也正变得越来越有可能。

▷ 左图：艾伦·图灵。右图：图灵模型的计算机模拟生成的模式。每个模式都基于相同的基本方程，只是参数略有调整。图灵在他生命的尽头写下了他的第一篇也是最后一篇关于生物学和化学的论文，关于某种化学反应如何产生自然界中看到的许多模式。这篇名为《形态发生的化学基础》（The Chemical Basis of Morphogenesis）的论文完全是理论性的。但在随后的几十年里，也就是图灵于1954年悲惨地自杀很久之后，科学家们发现他的推测变成了现实。所谓的图灵模式首先在培养皿中的化学物质中发现，然后在动物的条纹、螺旋和涡旋中大量出现。有些人认为图灵模式实际上可以扩展到生态系统，甚至星系。

图源：Shigeru Kondo 和 Takashi Miura for Science

图灵同样在理论生物学领域做出了开创性的贡献，他描述了组织的生长和分化具体如何通过那些能够感知和释放他称之为“形态发生素”（morphogen）的化学信号的细胞来实现——这是一种强大的模拟计算形式。和冯·诺依曼一样，尽管图灵从未真正踏足过生物学实验室，却同样说中了要害。

图灵和冯·诺依曼共同揭示了生物学的计算基础，而这则为人工生命或“ALife”奠定了根基，这一领域至今仍鲜为人知且处于范式前阶段——就像AI在不久前的情况一样。

然而，完全有理由相信，ALife很快就会像AI那样蓬勃发展。AI的真正进步，需要我们集结足够的“人工”计算能力来模拟（或至少模仿）数十亿个神经元的活动，以接近大脑的复杂性。而从零开始的ALife则需要走得更远，重现地球上数十亿年的进化历程。这仍然是一项艰巨的任务，不过，我们并非毫无进展。

▷Windows系统下的Brainfuck IDE示例. 图源：softwarerecs.stackexchange.com

谷歌“智能范式”团队近期开展的实验表明，在一个能够支持计算的模拟玩具宇宙中，我们可以从纯粹的随机状态出发，让最简单的“生命形式”自发出现。其中一个实验是从一堆随机字符串“汤”开始，每个字符串长64字节。256种可能的字节值中有8种对应于20世纪90年代一种名为“Brainfuck”的极简编程语言的指令。这些字节串可以被视为图灵机的纸带，而8条计算机指令则规定了图灵机的基本操作。实验过程是反复从“汤”中随机抽取两条纸带，将它们拼接在一起，“运行”拼接后的纸带，再将纸带分开，放回“汤”中。起初，似乎没什么特别的变化；我们看到的只是随机的纸带，偶尔会有一个字节被随机修改。但在进行了几百万次这样的交互之后，功能性的纸带出现了，并开始自我复制：这就是最简单的“人工生命”。

从某种程度上讲，人工生命的出现宛如水结冰或沸腾时发生的相变。然而，常规物质的相态特征取决于其统计意义上的均匀性，例如，冰是有序的原子晶格，而气体的原子位置则呈现随机分布，液体则介于两者之间。相比之下，生命物质则要复杂得多，其在每个尺度上都展现出多样且有目的的结构。这是因为计算需要不同的功能部件协同工作，这一点在任何机器、生物体或程序中都显而易见。