人有智能，機(jī)器也可以有。本文試圖從多個(gè)方面詳細(xì)對(duì)比人的智能與機(jī)器智能，探討它們的相似之處和不同之處，從而幫助我們從人的角度去理解機(jī)器智能，也讓人可以更好地發(fā)展和利用機(jī)器智能。

人類智能和機(jī)器智能的不同特點(diǎn)

人的智能是一個(gè)復(fù)雜系統(tǒng)。概括討論時(shí)至少可以分為四種能力。

第一，感官能力：視覺、聽覺、嗅覺、味覺和觸覺。這些感官不僅幫助我們接收來(lái)自外界的物理刺激，還通過(guò)復(fù)雜的大腦處理系統(tǒng)將這些刺激轉(zhuǎn)化為可理解的信息。比如視覺不僅幫助我們識(shí)別物體的形狀、顏色和大小，還能感知空間關(guān)系和運(yùn)動(dòng)軌跡，進(jìn)行物體的空間定位。人類的感知系統(tǒng)不僅能準(zhǔn)確識(shí)別單一的感官信息，還能將多感官信息綜合起來(lái)，形成更加全面的感知體驗(yàn)。

第二，高度的推理和抽象思維能力。我們不僅能夠從已有的信息中推理出結(jié)論，還能夠進(jìn)行抽象思考，創(chuàng)造新的知識(shí)。例如，數(shù)學(xué)中的證明、科學(xué)理論的構(gòu)建，都是高度抽象的思維表現(xiàn)。邏輯推理能力讓我們能夠處理復(fù)雜的因果關(guān)系，形成假設(shè)并驗(yàn)證其正確性。歸納推理則幫助我們從有限的觀測(cè)數(shù)據(jù)中總結(jié)出普遍規(guī)律。

第三，情感理解能力使我們不僅能夠識(shí)別和體驗(yàn)自己的情感，還能理解他人的情感，并通過(guò)同理心作出適當(dāng)?shù)幕貞?yīng)。同理心的作用不僅限于個(gè)人之間的互動(dòng)，還影響著我們?cè)诟鼜V泛社會(huì)層面的行為。例如，在合作和集體行動(dòng)中，人類通過(guò)理解他人的需求和情感，能夠在復(fù)雜的社會(huì)環(huán)境中協(xié)作并共同解決問(wèn)題。

第四，創(chuàng)造力和靈活性是人類智力的另一個(gè)顯著特征。人類不僅能夠解決已有問(wèn)題，還能創(chuàng)造新的思想、藝術(shù)品和技術(shù)。我們能夠應(yīng)對(duì)新環(huán)境中的復(fù)雜問(wèn)題，利用先前經(jīng)驗(yàn)和直覺進(jìn)行靈活調(diào)整。創(chuàng)新不局限于單純的邏輯推理，它往往是通過(guò)打破常規(guī)、跨界融合和對(duì)不確定性的探索來(lái)實(shí)現(xiàn)的。人類的創(chuàng)造力使我們能夠從零開始，提出新問(wèn)題并找到新的解決方案。

雖然都是智能，相對(duì)于人類智能來(lái)講，機(jī)器智能表現(xiàn)出一系列完全不同的特點(diǎn)。機(jī)器智能的核心優(yōu)勢(shì)之一在于其強(qiáng)大的運(yùn)算能力和存儲(chǔ)能力。計(jì)算機(jī)通過(guò)晶體管開關(guān)來(lái)快速處理信息，能夠在短時(shí)間內(nèi)完成大量的數(shù)據(jù)處理任務(wù)?，F(xiàn)代超級(jí)計(jì)算機(jī)每秒能夠進(jìn)行數(shù)萬(wàn)億次的計(jì)算，處理的數(shù)據(jù)量也達(dá)到了驚人的水平。這種高速計(jì)算和存儲(chǔ)能力使得機(jī)器在許多領(lǐng)域，特別是大數(shù)據(jù)分析和科學(xué)模擬方面，大大地超過(guò)了人類的處理能力。

機(jī)器智能依賴對(duì)大數(shù)據(jù)的學(xué)習(xí)，而人類則可以通過(guò)少量的樣本或經(jīng)驗(yàn)做出有效的推斷。人有很強(qiáng)的直覺和創(chuàng)造性，能夠根據(jù)情境的變化迅速調(diào)整策略，解決新的問(wèn)題，并在沒(méi)有明確指導(dǎo)的情況下作出決策；但機(jī)器更依賴于既定規(guī)則和數(shù)據(jù)驅(qū)動(dòng)的模式識(shí)別，因此在面對(duì)未知或沒(méi)有明確數(shù)據(jù)的情況時(shí)，機(jī)器的學(xué)習(xí)效率和準(zhǔn)確性往往大打折扣。

機(jī)器智能雖然在信息處理能力上遠(yuǎn)超人類大腦，但也伴隨著巨大的能源需求。人工智能系統(tǒng)，尤其是在進(jìn)行深度學(xué)習(xí)時(shí)，需要消耗大量的能源。數(shù)據(jù)中心通常需要巨大的電力供應(yīng)，才能維持系統(tǒng)的正常運(yùn)行。一個(gè)GPU的功率是500瓦，訓(xùn)練一個(gè)大模型得要上萬(wàn)個(gè)GPU并行運(yùn)算。相比之下，人類大腦的能量消耗極低，只有大約20瓦到30瓦的功率，相當(dāng)于一個(gè)不大的燈泡。

語(yǔ)言在人類智能中的核心作用

語(yǔ)言不僅是人類溝通的工具，也是思維的載體。它是表達(dá)思想、傳遞信息的核心媒介。語(yǔ)言的獨(dú)特性在于它不僅能夠傳遞具體的信息，還能夠幫助人類進(jìn)行抽象思維和創(chuàng)造性思考。語(yǔ)言的形式多種多樣，從口語(yǔ)到書面語(yǔ)言，再到更為復(fù)雜的符號(hào)語(yǔ)言，以不同的形式高效地承載豐富的信息。

口語(yǔ)和文字是人類最基本的語(yǔ)言形式?？谡Z(yǔ)使得信息能夠快速而直接地交流，而文字則提供了記錄和保存信息的方式。文字的發(fā)明大大推動(dòng)了文明的進(jìn)步，它使得知識(shí)能夠跨越時(shí)空傳遞，從而極大地提高了人的學(xué)習(xí)和溝通的效率。

語(yǔ)言本身是一種低維度、低通量、低速率的信息傳遞方式。人類的口語(yǔ)語(yǔ)速和文字閱讀能力通常是每秒幾個(gè)字節(jié)，而計(jì)算機(jī)則可以達(dá)到每秒數(shù)千兆比特（Gbps）的速度。同時(shí)，人類語(yǔ)言的信息維度相對(duì)較低，主要通過(guò)文字、語(yǔ)音等有限的表達(dá)形式傳遞信息，而計(jì)算機(jī)則可以通過(guò)多維信息（如圖像、視頻、音頻、網(wǎng)絡(luò)數(shù)據(jù)包）來(lái)傳輸和處理信息。人類可以用視覺和聽覺來(lái)感受多維信息，但很難用語(yǔ)言來(lái)描述。比如，我們被一幅畫或者一個(gè)交響樂(lè)所震撼，但很難仔細(xì)描繪是為什么，只能說(shuō)出感覺。一般只有當(dāng)人們把信息可以用語(yǔ)言來(lái)表達(dá)的時(shí)候才說(shuō)有了“理解”，而對(duì)那些無(wú)法用語(yǔ)言描述的認(rèn)知叫“感悟”。在人們?cè)噲D去理解復(fù)雜事物時(shí)，必須對(duì)多維信息進(jìn)行降維處理，所以也會(huì)因此損失一部分信息的深度和復(fù)雜性。

人類智能的生物學(xué)基礎(chǔ)

人類的智能是一個(gè)復(fù)雜的現(xiàn)象，涉及大腦的神經(jīng)網(wǎng)絡(luò)、基因的作用以及后天的學(xué)習(xí)過(guò)程。人類的大腦是高度復(fù)雜的器官，由約860億個(gè)神經(jīng)元組成，這些神經(jīng)元再通過(guò)約100萬(wàn)億個(gè)突觸相互連接，形成一個(gè)錯(cuò)綜復(fù)雜的神經(jīng)網(wǎng)絡(luò)。這個(gè)神經(jīng)網(wǎng)絡(luò)不僅負(fù)責(zé)基本的生理功能，還支持高階的智能，如語(yǔ)言、推理、問(wèn)題解決、情感調(diào)節(jié)等。其中，突觸連接的可塑性，即神經(jīng)元之間連接強(qiáng)度的變化，是學(xué)習(xí)和記憶的生物基礎(chǔ)。

DNA（脫氧核糖核酸）是生命的遺傳信息載體，它包含了所有生物體形成和功能運(yùn)作的指令。人的DNA包含大約30億個(gè)堿基對(duì)和約2.5萬(wàn)個(gè)基因?；虻谋磉_(dá)可以直接影響大腦神經(jīng)元的生成、突觸的形成以及大腦神經(jīng)網(wǎng)絡(luò)的連接，這為我們思考、學(xué)習(xí)、記憶和情感調(diào)節(jié)等各類智力活動(dòng)提供了基礎(chǔ)。

人類的大腦與其他動(dòng)物的神經(jīng)系統(tǒng)相比，具有獨(dú)特的優(yōu)勢(shì)。首先，人類大腦的神經(jīng)元數(shù)量遠(yuǎn)超大多數(shù)動(dòng)物。前面說(shuō)過(guò)，人有860億個(gè)神經(jīng)元，黑猩猩有280億個(gè)，而到了狗就只有2.5億個(gè)左右。此外，突觸的數(shù)量也是影響大腦功能的一個(gè)重要因素。研究發(fā)現(xiàn)人類的大腦中的突觸數(shù)量也遠(yuǎn)超其他物種。

雖然神經(jīng)元和突觸的數(shù)量并非智能的唯一決定因素，但卻是毫無(wú)疑問(wèn)的物質(zhì)基礎(chǔ)。就像芯片，不見得晶體管越多性能就越高，因?yàn)檫€有架構(gòu)和算法等其他因素在起作用。但如果其他條件一樣，一般來(lái)講，晶體管越多，算力就越大。

機(jī)器學(xué)習(xí)

基于深度神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)是AI飛速發(fā)展的一個(gè)決定性因素。如何來(lái)理解這種算法上的突破？一種看法來(lái)自神經(jīng)網(wǎng)絡(luò)之父杰弗里·辛頓（Geoffrey Hinton），即通過(guò)計(jì)算機(jī)模擬人腦的工作原理。辛頓研究的初衷并非是為了制造可以拿來(lái)用的智能機(jī)器，而是為了理解人的智能：由于人腦的神經(jīng)網(wǎng)絡(luò)過(guò)于復(fù)雜，就試圖用模擬人腦的神經(jīng)元及其連接方式來(lái)幫助我們構(gòu)建具有自主學(xué)習(xí)能力的系統(tǒng)。他認(rèn)為對(duì)于這種機(jī)器智能的研究，反過(guò)來(lái)能讓我們對(duì)人的智能有更深入的理解。

但辛頓的這種觀點(diǎn)屬于極少數(shù)，絕大多數(shù)AI專家的觀點(diǎn)是把它看作是一種對(duì)傳統(tǒng)統(tǒng)計(jì)計(jì)算的延伸。經(jīng)典的統(tǒng)計(jì)方法往往假設(shè)數(shù)據(jù)之間的關(guān)系是線性的，然而，現(xiàn)實(shí)世界中（圖像處理、自然語(yǔ)言處理等）的數(shù)據(jù)關(guān)系往往是高度非線性且多維的。普遍逼近定律是神經(jīng)網(wǎng)絡(luò)的一個(gè)核心理論，它表明，只要神經(jīng)網(wǎng)絡(luò)的規(guī)模足夠大，理論上它能夠逼近任何非線性函數(shù)。這一理論為神經(jīng)網(wǎng)絡(luò)的強(qiáng)大表現(xiàn)提供了理論依據(jù)，意味著神經(jīng)網(wǎng)絡(luò)能夠通過(guò)足夠的訓(xùn)練來(lái)解決幾乎任何復(fù)雜的非線性問(wèn)題。注意這里AI并不需要和人一樣思考，它更是一種機(jī)器處理數(shù)據(jù)的方法，是一種完全不同的智能。

在現(xiàn)實(shí)中我們觀察到的是規(guī)模定律的表現(xiàn)。規(guī)模定律指神經(jīng)網(wǎng)絡(luò)的性能往往隨著網(wǎng)絡(luò)規(guī)模的增加、數(shù)據(jù)的增加、算力的增加而增強(qiáng)。所以當(dāng)有復(fù)雜、困難的學(xué)習(xí)問(wèn)題需要解決時(shí)，往往可以通過(guò)增加數(shù)據(jù)、算力、模型的規(guī)模來(lái)實(shí)現(xiàn)。

機(jī)器學(xué)習(xí)的算法有很多種，永遠(yuǎn)在進(jìn)化過(guò)程中。概括起來(lái)，有三種起到非常重要的作用。

第一，向人類的智慧學(xué)習(xí)。向人類學(xué)習(xí)的方法有監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)。在監(jiān)督學(xué)習(xí)中，機(jī)器通過(guò)已標(biāo)記的訓(xùn)練數(shù)據(jù)來(lái)學(xué)習(xí)輸入與輸出之間的關(guān)系。對(duì)數(shù)據(jù)的標(biāo)記是人類智慧的體現(xiàn)。與監(jiān)督學(xué)習(xí)不同，無(wú)監(jiān)督學(xué)習(xí)并沒(méi)有對(duì)數(shù)據(jù)進(jìn)行標(biāo)注，而是讓機(jī)器自主識(shí)別數(shù)據(jù)中的潛在結(jié)構(gòu)。比如，如果把互聯(lián)網(wǎng)上的文本用來(lái)做自然語(yǔ)言處理的學(xué)習(xí)，這些文本都是人類智慧的結(jié)晶，機(jī)器學(xué)習(xí)到的規(guī)律就自然來(lái)自人類的智慧。

第二，向自然學(xué)習(xí)（強(qiáng)化學(xué)習(xí)）。強(qiáng)化學(xué)習(xí)是機(jī)器通過(guò)與環(huán)境的互動(dòng)進(jìn)行學(xué)習(xí)。與監(jiān)督學(xué)習(xí)不同，強(qiáng)化學(xué)習(xí)沒(méi)有明確的標(biāo)簽，而是通過(guò)獎(jiǎng)懲機(jī)制來(lái)調(diào)整行為。機(jī)器會(huì)根據(jù)執(zhí)行某個(gè)動(dòng)作后的獎(jiǎng)勵(lì)或懲罰來(lái)調(diào)整自己的行為策略，從而優(yōu)化未來(lái)的決策。強(qiáng)化學(xué)習(xí)在游戲（如圍棋、象棋）和機(jī)器人控制等領(lǐng)域有廣泛應(yīng)用。

第三，向其他模型學(xué)習(xí)。模型之間的學(xué)習(xí)有蒸餾學(xué)習(xí)與轉(zhuǎn)移學(xué)習(xí)兩種。在蒸餾學(xué)習(xí)中，較大的模型經(jīng)過(guò)訓(xùn)練后所獲得的知識(shí)可以通過(guò)學(xué)習(xí)轉(zhuǎn)移到較小的模型中。這種知識(shí)轉(zhuǎn)移使得較小的模型能夠在較少的計(jì)算資源下表現(xiàn)出與大模型相當(dāng)?shù)男阅?。轉(zhuǎn)移學(xué)習(xí)是指機(jī)器學(xué)習(xí)模型將一個(gè)任務(wù)上學(xué)到的知識(shí)遷移到另一個(gè)任務(wù)中。與從零開始的學(xué)習(xí)不同，轉(zhuǎn)移學(xué)習(xí)可以通過(guò)預(yù)訓(xùn)練模型在新任務(wù)中快速進(jìn)行微調(diào)，減少對(duì)大量標(biāo)注數(shù)據(jù)的需求。這兩種學(xué)習(xí)的共同之處是智能從一個(gè)模型向另外一個(gè)模型上的轉(zhuǎn)移。

比較機(jī)器學(xué)習(xí)與人類學(xué)習(xí)

人類的學(xué)習(xí)和機(jī)器學(xué)習(xí)有很多相似之處。人類和機(jī)器都可以通過(guò)與環(huán)境的互動(dòng)進(jìn)行學(xué)習(xí)。嬰兒通過(guò)觸摸、抓取、拋物等行為，逐漸學(xué)會(huì)如何控制身體并理解事物的性質(zhì)。試錯(cuò)在這一過(guò)程中起著至關(guān)重要的作用。通過(guò)不斷的嘗試，嬰兒能夠從錯(cuò)誤中獲得反饋，改正錯(cuò)誤并優(yōu)化行為。在科研和技術(shù)創(chuàng)新的過(guò)程中，科學(xué)家和工程師也是通過(guò)做實(shí)驗(yàn)、試錯(cuò)來(lái)探索未知，獲得新知。這一點(diǎn)和AI的強(qiáng)化學(xué)習(xí)非常類似。

人類通過(guò)老師或他人傳遞的知識(shí)進(jìn)行學(xué)習(xí)，類似于機(jī)器學(xué)習(xí)中的監(jiān)督學(xué)習(xí)和蒸餾學(xué)習(xí)。通過(guò)教師的指導(dǎo)，學(xué)生能夠理解復(fù)雜的概念，并在此基礎(chǔ)上進(jìn)一步學(xué)習(xí)。蒸餾學(xué)習(xí)同樣是通過(guò)“導(dǎo)師”模型的指導(dǎo)，幫助較小的模型獲得較高的表現(xiàn)。監(jiān)督學(xué)習(xí)更像是老師根據(jù)自己的認(rèn)知給學(xué)生留家庭作業(yè)，通過(guò)和標(biāo)準(zhǔn)答案的對(duì)標(biāo)，學(xué)生就可以學(xué)到正確的解題方法。

教育體系的結(jié)構(gòu)與轉(zhuǎn)移學(xué)習(xí)有很多相似之處。在傳統(tǒng)的教育體系中，在中小學(xué)階段，教育側(cè)重于基礎(chǔ)知識(shí)的普及。學(xué)生通過(guò)接受數(shù)學(xué)、科學(xué)、文學(xué)、歷史等課程，打下普適的知識(shí)基礎(chǔ)，并在此基礎(chǔ)上培養(yǎng)邏輯思維、批判性思維和問(wèn)題解決能力。進(jìn)入大學(xué)階段，學(xué)習(xí)變得更加專業(yè)化，學(xué)生可以選擇自己感興趣的學(xué)科，深入研究并獲取專業(yè)知識(shí)。這種教育體系類似于大模型通過(guò)互聯(lián)網(wǎng)上的廣泛知識(shí)進(jìn)行預(yù)訓(xùn)練，再通過(guò)后期的微調(diào)來(lái)適應(yīng)更專業(yè)的任務(wù)。轉(zhuǎn)移學(xué)習(xí)讓機(jī)器能夠更高效地將從一個(gè)任務(wù)中學(xué)到的知識(shí)應(yīng)用到另一個(gè)任務(wù)中，減少了從零開始學(xué)習(xí)的時(shí)間。

人類學(xué)習(xí)的基礎(chǔ)是大腦和DNA，尤其是遺傳信息對(duì)大腦結(jié)構(gòu)和功能的塑造。人腦是進(jìn)化的一種結(jié)果，進(jìn)化可以看作是一個(gè)長(zhǎng)期的強(qiáng)化學(xué)習(xí)過(guò)程（38億年），而DNA就是存儲(chǔ)模型參數(shù)的媒介?；蛲ㄟ^(guò)“生育后代”這一獎(jiǎng)勵(lì)機(jī)制推動(dòng)了智力的逐步進(jìn)化。通過(guò)“適者生存”，人類在不斷與環(huán)境互動(dòng)中適應(yīng)并優(yōu)化自己認(rèn)知的生物基礎(chǔ)?；钕聛?lái)的物種都是進(jìn)化中的佼佼者，只不過(guò)每種物種所處的環(huán)境天差地別，因此學(xué)習(xí)的結(jié)果也有極其豐富的多樣性。

在過(guò)去十幾年AI突飛猛進(jìn)的發(fā)展中，可能最重要的靈感就是規(guī)模定律：從李飛飛的Imagenet，到Transformer，到GPT-3和GPT-4，人們發(fā)現(xiàn)AI的性能依賴巨大的數(shù)據(jù)量、巨大的算力、巨大的內(nèi)存、巨大的能量。當(dāng)AI的發(fā)展遇到了瓶頸，一個(gè)最簡(jiǎn)單的方法就是進(jìn)一步加算力、加內(nèi)存、加數(shù)據(jù)、加能量。這種靈感并沒(méi)有一個(gè)嚴(yán)謹(jǐn)?shù)睦碚摶A(chǔ)，但如果我們觀察生物界，不難發(fā)現(xiàn)不同物種之間的智能差異和神經(jīng)元、突觸的規(guī)模有很強(qiáng)的正向關(guān)系。最近的DeepSeek之所以對(duì)全球AI領(lǐng)域產(chǎn)生了巨大的沖擊，一個(gè)非常重要的因素是它證明大模型在效率上有很大的提升空間。因此我們可以在不增加規(guī)模的同時(shí)，通過(guò)增強(qiáng)效率，來(lái)增強(qiáng)模型的性能。

然而，如果我們借鑒動(dòng)物界中觀察到的規(guī)律，不難預(yù)測(cè)這種沖擊不大可能從根本上沖擊規(guī)模定律的根基：如果人需要800萬(wàn)億個(gè)突觸來(lái)思考，那么超越人類的AI是否也需要超過(guò)800萬(wàn)億個(gè)參數(shù)才有可能？所以有上萬(wàn)億個(gè)參數(shù)的大模型是否只是個(gè)起點(diǎn)？在使用了各種增強(qiáng)效率的方法之后，增大規(guī)模仍然可能是目前最重要的發(fā)展途徑。

從我們的分析可以看到，智能的表達(dá)可以是多種多樣的。人類的智能和機(jī)器智能是兩種截然不同的東西。人的智能效率極高，需要的能量少，數(shù)據(jù)也少，但很難擴(kuò)展，因?yàn)槭艿缴镞z傳的限制。機(jī)器智能能量效率低，往往需要大量的數(shù)據(jù)和大規(guī)模的運(yùn)算，但通過(guò)增大規(guī)模，算力幾乎可以無(wú)限擴(kuò)展。無(wú)論人還是機(jī)器，學(xué)習(xí)知識(shí)的方式非常相似，學(xué)習(xí)的基礎(chǔ)都是數(shù)據(jù)。其中數(shù)據(jù)可以來(lái)自老師，也可以源于自然。向老師學(xué)習(xí)，老師的智能就是天花板；向自然學(xué)習(xí)，就可以突破人類智能的極限。所以AI的優(yōu)勢(shì)在可擴(kuò)展性，它發(fā)展的絕對(duì)瓶頸常在數(shù)據(jù)和能源。

（作者系長(zhǎng)江商學(xué)院教授）