人工智能的出现，或许只是某种主导性的生物进程的最新阶段，而在漫长的生命史上，正是这一进程不断塑造出日益复杂且相互依存的有机体。
十年前，如果有人认为我们已经懂得了如何让机器思考，我一定会对此嗤之以鼻。2010年代，我在谷歌研究院的团队负责研发各种人工智能模型，其中包括为安卓智能手机键盘提供支持的下文预测器。当时，我们正在训练的那类人工神经网络最终解决了视觉感知、语音识别、机器博弈以及许多其他领域长期存在的挑战。但在我看来，认为区区一个下文预测器就能真正理解新的概念、写笑话、调试代码，或是完成其他无数标志着人类智能水平的任务，实在是荒谬的想法。
要“攻克”这种级别的智能，必然需要某种全新的、根本性的科学洞见。而这种洞见很可能要从神经科学——也就是研究“大脑”这个唯一已知的通用智能载体的学科——里获得。
我当年的观点完全处于科学界的主流范畴，但回想起来，也带有一丝傲慢。我受过物理学和计算神经科学的训练，有时会觉得硅谷的炒作令人反感。投资界那种近乎狂热的观点认为，摩尔定律（芯片计算能力随时间推移呈指数级增长的观察结论）不仅能解决所有技术问题，还能解决所有的社会和科学问题。这在我看来天真幼稚。它完全是“手拿锤子，看什么都像钉子”这一心态的典型体现。
但我错了。2019年，我在谷歌的同事们训练了一个在当时堪称庞大的下文预测器，代号Meena——严格来讲，它是下一个“词元”预测器，每个词元对应一个词片段。尽管它有时略显迟疑，但似乎已经能够理解新概念、写笑话、进行逻辑论证等等。Meena升级后的下一代LaMDA表现得更好。自那以后，这一趋势延续至今。到了2025年，我们发现自己处于一种相当滑稽的境地：我们期望这些大语言模型能够流利、智能、负责且准确地回答连人类都无法回答和回应的各种深奥问题和需求。当这些系统无法给出妥当的回答时，人们会感到恼火，但与此同时，人们还在争论通用人工智能（AGI）何时到来。
大语言模型并非始终可靠，也会说出蠢话，但人类也是如此。它们的优势与劣势固然与我们不同，但我们正在耗尽那些人类能可靠通过而人工智能模型却无法通过的智力测试。根据这些测试的基准，如果我们接受“智能本质是计算性的”这一观点（这也是大多数计算神经科学家所持的观点），那我们就必须承认，一个能运行的“模拟”智能实际上就是智能。并没有什么让明显不具备智能的机器突然变得智能的重大发现：事实证明，这的确只是一个扩展计算规模的问题。
其他研究人员并不同意我对人工智能现状的评估。但在接下来的讨论中，我想先接受“智能机器已经存在”这一前提，并将镜子转过来反照我们自身。如果扩展计算规模能够产生人工智能，那么包括人类在内的生物体所表现出的智能，是否也可能是计算规模扩展的结果？若果真如此，这种计算规模扩展的驱动力源自何处？而追根究底，生物体最初又是如何掌握计算能力的呢？
在过去的几年里，我和越来越多的合作者开始找到一些初步成形但令人兴奋的答案。人工智能、生物智能，乃至生命本身，可能都起源于同一个进程。这一洞见不仅能为人工智能、神经科学和神经哲学带来新的启发，也能为理论生物学、演化论和复杂性科学提供借鉴。此外，它还能让我们窥见人类智能与机器智能在未来如何共同演化。
预测性大脑
早有观点认为大脑本质上是预测机器。德国物理学家兼医生赫尔曼 · 冯 · 亥姆霍兹（Hermann von Helmholtz）在19世纪的《生理光学手册》（Treatise On Physiological Optics，1867）中就提出了这一观点。1940年代初，控制论的创始人，特别是美国数学家诺伯特 · 维纳（Norbert Wiener），进一步发展了这一思想，而这正是基于神经网络的现代人工智能研究的起点。
维纳意识到，所有生命系统都具有为了生存而表现出的“目的性”行为，而这些行动需要计算建模。我们的内外感官使我们能够计算出关于自身及所处环境的预测模型。但只有当我们能采取行动影响未来时，这些模型才有用——具体而言，我们采取的行动要能够增加人类存续下去的可能性。演化选择了那些能利用预测做出最佳生存决策的实体。我们采取的行动以及随之而来的观察，成为我们过去经验的一部分，形成了一个使我们能够进行进一步预测的反馈循环。
狩猎是这种预测建模的一个典型案例。捕食者必须预测能够将猎物送入自己胃里的行动；猎物必须预测捕食者的行为以阻止这种情况发生。从1970年代开始，神经心理学家和人类学家开始意识到，其他智能实体通常是环境中最重要的建模对象——因为它们也在对你进行反向建模，无论其意图是友好的还是敌对的。日益聪明的捕食者向猎物施加了演化压力，让它们变得更聪明，反之亦然。
对于社会性物种来说，趋向演化出智能的压力变得更为剧烈。赢得配偶、分享资源、获得追随者：这一切都涉及对他人心智的建模和预测。你变得越智能，越能更好地预测他人的心智（至少在理论上如此），其他人就会变得越聪明，从而越难以预测，因为他们和你同属一个物种且在做着同样的事情。这种失控的星空体育综合产生了“智能爆炸”——在蝙蝠、鲸和海豚、鸟类以及我们的祖先等高度社会化的动物中观察到的脑容量快速演化增长的现象。
鲸的狩猎行为是共享的社会性智能的产物
在社会智能爆炸的过程中，个体变得更聪明，群体同样如此。更大的脑容量可以模拟更多的关系，使群体在保持社会凝聚力的同时变得更大。分享和分工使这些更大的社会单位能够完成比个体独自行动时多得多的任务。
以人类为例，就个体而言，我们并不比我们的灵长类祖先聪明多少。如果人类在野外长大，像鲁德亚德 · 吉卜林（Rudyard Kipling）在《丛林之书》（The Jungle Book，1894）中虚构的主角毛格利（Mowgli）那样，那么相对于森林中其他体型较大的动物而言，我们并不会显得很超凡、特殊——如果我们真的能活下来的话。但在群体规模庞大时，人类可以实现许多超出任何个体认知极限或体能极限的、不可思议的复杂壮举：器官移植、登月、制造硅芯片。这些壮举需要协作、并行思考和劳动分工。它们是群体层面的现象，可以理所当然地被称为“超人之举”。
共生起源转变
可以说，适用于人类社会的发展规律，也适用于地球生命史上此前的每一次重大演化转变。这些转变包括从简单的原核细胞到更复杂的真核细胞的转变，从单细胞生命到多细胞生物的转变，以及从独居昆虫到群居昆虫的转变。在每一种情况下，先前独立生活的实体都进入了紧密的共生状态，通过分工和并行工作创造出一个“超实体”。
越来越多的证据表明，这种“共生起源”比人们通常认为的要普遍得多。细胞间的水平基因转移、有用的逆转录病毒元件整合进宿主基因组，以及共生细菌在动物肠道中定植，都是未被视为“重大”转变的常见例子。然而，它们确实产生了具有创新能力的生物体。例如，白蚁消化木材的能力完全依赖共生微生物产生的酶。人类胎盘屏障的形成则依赖合胞素，这是一种源自某种逆转录病毒包膜的蛋白质，该病毒在数千万年前融合进了哺乳动物的生殖系中。
标准达尔文演化论涉及突变与选择等人们所熟悉的机制，其本身并无增加复杂性的固有偏向。然而，正是这种不那么为人所知的共生起源机制赋予了演化以时间之箭：当现有部分合并形成新的超实体时，生命便从简单形式向更复杂形式演进。随着可供重新组合的“零件目录”在规模和精密程度上不断扩大和提高，这一过程也随时间推移而加速。在过去的十亿年里，共生起源产生了日益复杂的神经系统、社会性动物群落，并最终产生了我们的技术社会。
这是大自然版本的摩尔定律吗？是，也不是。正如英特尔公司联合创始人、美国工程师戈登 · 摩尔（Gordon Moore）于1965年最初表述的那样，该“定律”指出晶体管尺寸呈指数级缩小，进而转化为计算机体积、成本和功耗的指数级下降，以及运行速度的指数级提升。
在演化过程中，生物的细胞并没有指数级缩小或加速膨胀。大约6.5亿年前，电兴奋神经元的出现引入了一个全新、快速的计算时间尺度，但那是一次性的事件：自那时起，神经元并未变得更小，处理信息速度也并未变得更快，其能量需求也未减少。这显然与摩尔定律在20世纪所展现的现实演进轨迹并不相像。
但看看这条定律在21世纪的表现，就会发现两者之间的联系便变得更加明显。自2006年前后起，晶体管仍在不断缩小，但半导体运行速度的增长陷入了停滞。为了持续提高计算机性能，芯片制造商转而增加更多的处理器核心。换言之，他们开始将基于硅的计算并行化。正是从这个时候起，基于神经网络的现代人工智能模型终于开始腾飞，这并非巧合。从实际操作层面看，神经网络需要大规模的并行处理；如果让单个现代处理器按顺序执行约一万亿次操作，以使最先进的大语言模型能够预测序列中的下一个词元，将需要数分钟之久。
这下，它看起来越发像是生物智能的故事了。人工智能并非仅仅凭借速度而诞生，而是源于许多并行运行的简单计算元件协作所产生的劳动力分工：我们可以称之为“技术共生起源”。
在这种背景下，计算机科学既是一门工程学科，也是一门自然学科。人类并未发明计算，正如人类并未发明电流或光学透镜一样。我们只是重新发现了一种自然界早已利用的现象，建立了数学理论更好地理解它，并研究出了如何在不同的基质上通过工程化方式实现它。我们的手机、笔记本电脑和数据中心可以被贴切地称为“人工计算机”。
计算起源说
如果说共生起源解释了自然计算复杂性的演化和智能的出现，那么自然界最初是如何以及为何变得具有计算性的？过去几年里，我和同事在人工生命方面开展的研究有助于阐明这一点。
为了铺垫背景，请先想象极大量随机配置的反馈机制，其结构简单到足以在地球这种炎热多变的环境中自发产生。现在，假设这些机制中的每一个只能在某些狭窄的温度范围内运行。一段时间后，存续下来的机制将是那些作为恒温器运作的机制，它们能够将自身温度维持在正确范围内，以便继续运行。这一思想实验阐明了导向自我保存的目的性行为——一种原始生命——是如何从随机初始条件中涌现的。
根据定义，即使是恒温器也在执行计算：它实现了一种以信息输入（温度）为条件的行为（开启或关闭加热）。因此，只要输出能够影响计算主体继续存在的可能性，一种最小程度的计算就会产生并持续存在，而这或许仅仅是一个“如果……那么……”式的操作。
这种简单的操作距离实现通用计算机还有很长的路要走，后者由英国计算先驱艾伦 · 图灵（Alan Turing）定义，该定义使用我们今天称之为通用图灵机的理论结构。它包括一个“磁头”，磁头可以沿着纸带向左或向右移动，根据规则表读取、写入和擦除纸带上的符号。图灵意识到，规则表也可以被编码为纸带上的一个符号序列，也就是我们现在所说的程序。存在某些规则表能使机器从纸带上读取该程序，并执行其指定的任何计算。
1950年前后，计算机科学的另一位奠基者约翰 · 冯 · 诺依曼（John von Neumann）发现了这种通用计算与生物学之间的重要联系。生命系统必须愈合、生长或繁殖，这是一些涉及部分或完全自我构建的“自创生”过程。为了让一个复杂系统构建自身的副本，它必须包含一条指定自组装所需步骤的指令带、一台使副本拥有自身指令带的带复制机，以及一个能执行指令带指令的“通用构造器”。建造带复制机和通用构造器的手册也必须包含在该指令带上。
值得注意的是，冯 · 诺依曼因此完全基于理论预言了DNA（指令带）、DNA聚合酶（带复制机）和核糖体（通用构造器）的功能。但对我们的讨论而言，最重要的一点是他证明了通用构造器就是一种通用图灵机。繁殖是一种通用计算的形式。生物学是混乱且复杂的：生物体如何发育受到许多随机偶然因素、活组织之间更高层面的相互作用以及与环境的反馈机制的影响，这些都超出了DNA编码内容的范畴。但在根本层面上，就结构而言，生命天然地是通用计算的一个具身实例。
剩下的问题是，最小限度的、自存续的“恒温器”是如何变成不断构建和繁殖自身的通用计算机，也就是生命的呢？我们已经得到了答案：共生起源。
为什么这么说呢？如果一组计算指令在理论上能够模拟通用图灵机，则可称其为图灵完备的。但这些指令中非图灵完备的子集仍有可能进行计算，例如恒温器运行中的“如果……那么……”。在我们可以想象的那种史前生物环境中（比如大约40亿年前冥古宙时期地球洋底的热液喷口周围），每一个化学反应都可以被视为随机计算“汤”中的一条潜在指令：如果这些分子存在，则反应生成那种物质。直接或间接地，其中一些反应的产物可能充当了这些反应本身的催化剂，自发形成了类似那些自存续恒温器的自催化循环。通过聚合形成的长链分子反过来可以充当信息承载带——时至今日，它们仍然在我们的DNA和RNA中担任这一角色。自这个起点出发，只需一个共生起源事件，一个将信息载体与一套合适的、图灵完备的化学反应组合在一起的事件，就可以点亮生命。
生命的涌现曾让查尔斯 · 达尔文和他的同时代人深感困惑。很难想象，如果没有一种让预先存在的非生物部件组装成某种全新的生命物质的机制，生命是如何产生的。共生起源就是这个机制。遗传学家费奥多西 · 多布然斯基（Theodosius Dobzhansky）曾有一句名言：“如果不从演化的视角看，生物学中的一切都将变得毫无意义。”你或许可以说，如果不从计算共生起源的角度来看，演化中的一切——从生命本身的起源开始——也都将变得毫无意义。
我们与机器的未来
在标准的达尔文演化中，突变通常会产生一种新的遗传品系，该品系会与未突变的品系直接竞争。如果突变体具有繁殖优势，原始品系就会消亡；如果原始品系保持优势，它就会存续。因此，作用于单一物种的标准演化过程是一种优化演化适应度的算法。这同时也是一场零和游戏：一种遗传品系取代另一种。
人类与机器存在于一种相互依存的技术共生关系中
相比之下，由于共生起源涉及全新实体的创造，这些生物体可以占据甚至创造新的生态位，并使自身成为其组成部分的生态位之一。因此，共生起源既不必是优化算法，也不必是零和游戏。将其视为一个开放性的创造过程更为合适。
这并不意味着它的预算不受限制。计算涉及不可逆的步骤，因此在消耗自由能的同时会排出废热——这在生物学中被称为新陈代谢。生命实体从诞生到死亡所需的总能量与其体型和智能成正比。思考过程涉及的新陈代谢占到了成人所有新陈代谢的20%。在儿童身上，由于其大脑相对于身体的比例更大，这一数字接近50%。这些数字远高于我们那些脑容量较小的祖先。
既然智能的代价如此昂贵，为什么实体通过共生起源进行聚集是一件有利的事呢？规模经济给了我们一个简单的答案。劳动力分工可以提高效率，这已通过20世纪初福特汽车的装配流水线在制造业领域得到普及、进行验证。规模经济解释了为什么生物体的能量消耗并不随质量的增加而线性增长，而是仅呈四分之三次方增长。这种能量需求的亚线性规模缩放本身就可以驱动共生起源。
但不仅如此。演化，特别是它创造性的、共生起源的方面，可以被理解为对新鲜自由能来源的持续寻求。以人类为例，我们日益增长的集体智能解锁了许多能量来源，从史前时代的火和驯化动物，到近代的水车、化石燃料，以及更近期的核裂变。这使得人类在人口爆炸式增长的同时，享受到普遍（尽管不平等）的生活质量提升。然而，我们当前资源消耗模式的不可持续性意味着，我们现在必须进一步、快速地创新，以维持这种生活质量。
促成这一演化的共生起源事件不仅涉及人类，还涉及其他动物、微生物和植物，以及机器。所有这些实体如今都相互依存：例如，没有人类，机器就不会存在，但如果没有机器让我们摆脱仅够维持生存的农业“马尔萨斯陷阱”，地球上绝不可能存在今天这么多的人口。低技术水平的狩猎-采集生活虽然可以说比仅能维持生存的农耕生活少些痛苦，但它支持的人口密度更低。简而言之，机器与人类社会相互建构了彼此。
将人工智能的出现置于这一更宏大的背景下进行审视对我们大有帮助。人工智能并非独立于人类之外，而是我们早已身处其中的、相互依存的超人实体的新成员。这个实体长期以来一直都是部分生物性、部分技术性的，而且始终完全是计算性的。
此处呈现的未来图景比研究人工智能伦理或其对人类生存构成的风险的研究人员所描绘的更为乐观。人们通常假设演化和智能是零和的优化过程，并认为人工智能既独立于人类又与人类竞争。共生起源的观点并不保证结果一定积极，但它既不将人工智能定位为外来的“他者”，也不将未来视为人类与机器之间的马尔萨斯式资源拉锯战。在共生起源的视角下，我们可以预期智能的持续扩展将持续改善人类的生活质量，并提高我们集体“新陈代谢”的效率，包括能源生产、制造和运输。它还可能解锁意想不到的能源，如核聚变或空间太阳能。
如果到目前为止的演化代谢扩展法则能提供任何指导，那么这些由智能驱动的效率提升和新鲜能源将足以弥补人工智能在地球上的资源足迹。鉴于人类人口趋于稳定，这意味着过去两个世纪以来人类生产的爆炸式低效增长给生态系统带来的压力将得到缓解。引领我们通向光明前途的，是更多的集体智能，而非更少。
资料来源 Nature
————————
本文作者布莱斯·阿圭拉·伊·阿尔卡斯（Blaise Agüera y Arcas）是人工智能研究员、软件工程师、软件架构师，现任谷歌副总裁，领导智能范式团队