第一章 智能从哪里来：人类大脑与机器大脑的第一次对话 / Chapter 1: Where Does Intelligence Come From — A First Dialogue Between Human and Machine Brains
第一章 智能从哪里来：人类大脑与机器大脑的第一次对话
Chapter 1: Where Does Intelligence Come From — A First Dialogue Between Human and Machine Brains
智能从哪里来？
This is not a question that only philosophers ask. 当一个八个月大的婴儿第一次扶着沙发站起来，摇摇晃晃地迈出人生第一步时，她其实正在回答这个问题；当一只小猫在黑暗的房间里准确跳上窗台时，它也在回答这个问题；而当一台扫地机器人在你出门之后，沿着墙边、转过椅腿、避开掉在地上的袜子，把客厅打扫得干干净净时——它同样在回答这个问题。智能（intelligence）并不是某一种神秘的力量，而是生物体和机器在面对真实世界时，所展现出来的"解决问题、做出决策、适应变化"的能力。本章将用一次跨越六十年的"对话"，带你认识人类大脑与机器大脑的相似与不同，并引出贯穿全书的核心概念——具身智能（embodied intelligence）。
> 本章核心问题 / Core Questions > 1. 智能的本质是什么？ Is intelligence just fast calculation, or is it something deeper? > 2. 机器是否能够像人类一样拥有真正的智能？ Can a machine ever possess genuine intelligence? > 3. 没有身体，机器还能"思考"吗？ Can a mind exist without a body?
---
1.1 智能的日常面孔：从小宝宝学走路说起
1.1 The Everyday Face of Intelligence: Starting from a Baby Learning to Walk
让我们先从一个你可能见过无数次的场景开始。
一个婴儿躺在摇篮里。两个月大的时候，她开始能够用眼睛追踪移动的玩具；四个月大的时候，她会翻身；六个月大的时候，她能坐稳；八个月大的时候，她扶着沙发慢慢站起来；十个月大的时候，她迈出了人生的第一步——通常，这一步伴随着摇晃、摔倒、再次尝试、再摔倒、再尝试。这种不断重复的"试错"过程，正是人类学习走路的方式。
如果我们用计算机的语言来描述婴儿学走路这件事，会看到三个同时发生的过程：
第一，感知（Perception）。 婴儿通过眼睛、耳朵、皮肤、内耳的平衡器官（vestibular organ），不断接收来自环境的信号：地板是硬还是软，灯光是亮还是暗，前方有没有障碍物，身体现在是倾斜还是直立。这些信号汇成了一幅"世界当下是什么样"的画面。
第二，决策（Decision）。 婴儿的大脑（一个约重 1300 克、由约 860 亿个神经元组成的器官）在每一毫秒都在进行计算：要不要再迈一步？左脚应该往哪里放？身体重心应该往哪边倾斜？这些"计算"不是像计算器那样精确地运算数字，而是基于过去几个月的练习和当下感知做出"最有可能成功"的猜测。
第三，行动（Action）。 大脑发出的电信号沿着脊髓传到腿部肌肉，肌肉收缩或放松，关节屈伸，脚掌落地。每一次落地又会立刻产生新的感知信号，反馈给大脑，开启新一轮的感知—决策—行动循环。
这个循环（perception–decision–action loop）非常重要。在本书中，你会反复看到它的身影：它不仅是人类智能的基础，也是机器人智能的基础。一个能走路的婴儿，和一个能移动的机器人，在结构上其实非常相似。
> 🔍 思考一下 / Think About It > 为什么刚出生的小马，出生几小时就能站立和奔跑，而人类婴儿却需要将近一年？答案与"大脑发育成熟度"和"身体比例"都有关——小马出生时大脑已经高度发育，而人类婴儿是在"未完工"的状态下出生，需要在身体与环境的互动中继续成熟。这一点恰恰印证了今天要讲的主题：智能是从身体与环境的互动中"长"出来的。
让我们再来看一个更精细的例子：婴儿学习抓取玩具。桌上放着一个红色的小球，距离婴儿大约 30 厘米。婴儿伸出手，五根手指张开，眼睛盯着小球——她的大脑在做两件并行的事情：一边估计小球的位置和距离（这是空间感知），一边控制手臂和手指向那个位置移动（这是运动控制）。当手指触碰到小球表面，皮肤上的触觉感受器立刻把"软硬、冷热、形状"的信息送回大脑；与此同时，眼睛会持续微调手指的位置，直到手指合拢、成功握住小球。
整个过程只需要大约 0.6 到 1 秒。在这 1 秒里，人类大脑完成了数千次神经放电、数百次肌肉调整，以及无数次"感知道决策—行动"的循环。这不是"计算"，而是身体、大脑与环境共同完成的协作。这也是为什么，当我们只把大脑单独拿出来研究时，无论怎么测，都测不出"抓取"这件事的全貌——因为抓取本质上是一种具身活动。
所以，智能的"日常面孔"并不在实验室里，而在你每天看到的、摸到的、用到的动作中：走路、抓取、说话、画画、骑车、写字——所有这些动作背后，都是感知—决策—行动的循环在运作。
---
1.2 人类大脑与人工神经网络：一场跨越六十年的对话
1.2 Human Brain and Artificial Neural Networks: A Dialogue Across Sixty Years
1943 年，心理学家沃伦·麦卡洛克（Warren McCulloch）和数学家沃尔特·皮茨（Walter Pitts）发表了一篇论文，提出一个大胆的想法：如果把神经元的工作方式用数学公式描述出来，会怎样？ 他们画出了一个简化的"神经元模型"：一个接收多个输入、产生一个输出的"小圆圈"。这个模型现在被称为 M-P 神经元（McCulloch-Pitts neuron），是后来所有人工神经网络的"祖先"。
1956 年，"人工智能"（Artificial Intelligence, AI）这个术语在达特茅斯会议上被正式提出，AI 作为一门学科诞生。从那时起，研究者们一直试图回答一个问题：人类大脑的工作方式，能不能被"教"给机器？
要回答这个问题，我们先要了解人类大脑最基本的单元——神经元（neuron）。
一个生物神经元由三部分组成：树突（dendrite，负责接收来自其他神经元的信号）、细胞体（cell body，负责整合信号）、轴突（axon，负责把信号传递给下一个神经元）。当信号的总强度超过某个阈值（threshold）时，神经元就会"放电"（fire），把信号沿着轴突传出去。两个神经元之间的连接点叫做突触（synapse）。有趣的是，突触的连接强度不是固定的——它会随着使用频率的变化而变化，这种变化叫做可塑性（plasticity），它正是人类学习和记忆的生物学基础。
让我们对照看一下人工神经网络的结构：
| 生物神经元 / Biological Neuron | 人工神经元 / Artificial Neuron | |---|---| | 树突（Dendrite） | 输入值（Input values）$x_1, x_2, \dots, x_n$ | | 突触强度（Synaptic strength） | 权重（Weight）$w_1, w_2, \dots, w_n$ | | 细胞体整合（Cell body integration） | 加权求和 $\sum_i w_i x_i + b$ | | 是否放电（Fire or not） | 激活函数（Activation function）$f(\cdot)$ | | 轴突（Axon） | 输出值（Output）$y$ |
如果用一句话总结这种对应关系，那就是：人工神经元是对生物神经元的一种极度简化的数学模仿。它抓住了三个关键要素——多个输入、加权整合、非线性输出——但省略了大量生物细节，比如神经递质的种类、突触的电化学过程、神经元的代谢等等。
但是！尽管简化，人工神经元和生物神经元之间有一个共同的灵魂：连接的强度可以被学习。在生物大脑中，突触强度通过经验而改变；在人工神经网络中，权重（weight）通过训练（training）而调整。这种"通过经验调整连接强度"的机制，叫做学习。这是生物智能和人工智能最深刻的相似之处，也是它们之所以能"对话"的基础。
下面是一个最简单的人工神经元如何工作的数学描述：
$$y = f\left(\sum_{i=1}^{n} w_i x_i + b\right)$$
其中：
- $x_i$ 是第 $i$ 个输入（可以理解为来自"树突"的信号）
- $w_i$ 是第 $i$ 个连接的权重（可以理解为"突触强度"）
- $b$ 是一个偏置项（bias，可以让神经元更容易或更难被激活）
- $f(\cdot)$ 是激活函数（activation function），最常见的如 sigmoid 或 ReLU
- $y$ 是这个神经元的输出（可以理解为"轴突"送出的信号）
当一个神经网络包含很多层、很多神经元时，它就具备了"拟合复杂函数"的能力。现代的深度学习（deep learning）模型，就是把上百万甚至上万亿个这样的简单单元，按照层次（layer）组织起来，堆叠出惊人的能力。
但是必须诚实地说：相似 ≠ 相同。人类大脑有大约 860 亿个神经元和约 100 万亿个突触；而目前最大的语言模型，其"参数"（可以理解为人工突触的总和）也只有约 10 万亿到 100 万亿这个量级——刚刚追平突触数量，但生物神经元在结构、化学、动力学上远比人工神经元复杂。此外，生物大脑运行在约 20 瓦的低功耗上，而训练一个大语言模型需要的电力足以供一个城市使用数小时。这些差异提醒我们：人工神经网络是对大脑的"启发式模仿"，而不是完全复制。
> 📌 关键词卡 / Key Terms > - 神经元（Neuron）：神经系统的基本单元，负责接收、整合和传递信号。 > - 突触（Synapse）：神经元之间的连接点，连接强度可随经验改变。 > - 权重（Weight）：人工神经网络中模拟"突触强度"的参数，通过训练调整。 > - 激活函数（Activation Function）：决定神经元是否被"激活"的非线性函数。 > - 深度学习（Deep Learning）：使用多层神经网络进行学习的方法。
---
1.3 图灵测试与AI的三层金字塔：从弱到强的智力阶梯
1.3 The Turing Test and the Three-Layer Pyramid of AI: A Ladder from Weak to Strong Intelligence
1950 年，英国数学家阿兰·图灵（Alan Turing）发表了一篇划时代的论文，题为《计算机器与智能》（*Computing Machinery and Intelligence*）。他在论文中提出了一个看似简单的问题："机器能思考吗？"（Can machines think?）
图灵意识到，直接回答"能"或"不能"都太抽象了。他提出了一个后来被称为图灵测试（Turing Test）的实验：让一位人类提问者通过文字与两个对象交谈——一个是真人，一个是机器。如果提问者在足够长的时间内，无法可靠地区分出哪个是真人、哪个是机器，那么这台机器就可以被认为"通过了图灵测试"，换句话说，它表现出了与人类难以区分的智能行为。
这个测试虽然看起来只是"一个游戏"，但它提出了一种非常深刻的思想：智能不一定需要"内在"的秘密，它可以通过"外在"的行为来判定。这种思想后来被称为行为主义（behaviorism）在 AI 领域的体现，并深刻影响了整个 AI 研究的方向。
不过，图灵测试也有它的局限。一个只会"模仿人类对话"的程序，并不一定真的"理解"自己在说什么。哲学家约翰·塞尔（John Searle）在 1980 年提出了一个著名的思想实验——中文房间论证（Chinese Room Argument）：一个完全不懂中文的人，被关在一个房间里，房间里有一本详尽的中文对话规则手册。外面的人通过门缝递进来用中文写的问题，这个人按照规则手册，把对应的中文答案写在纸上递出去。对外面的人来说，这个房间似乎"懂中文"，但房间里的任何一个人都不懂。这个论证提醒我们：行为上的"像智能"，并不等于真正的"理解"。
围绕"机器到底能不能像人一样思考"这个问题，研究者们逐渐发展出了一套三层分类法。这套分类法现在已经成为了 AI 领域的标准词汇：
第一层：弱人工智能 / 狭义人工智能（Artificial Narrow Intelligence, ANI）。 这是我们今天日常生活中接触到的所有 AI。从手机上的语音助手，到推荐你下一首歌的算法，到自动驾驶汽车里的图像识别，到会下围棋的 AlphaGo——这些都是 ANI。它们的共同特点是：只能在一个非常具体的任务上表现得很出色，但完全没有"举一反三"的能力。一个能在国际象棋上击败世界冠军的程序，完全不知道怎么分辨猫和狗；一个能写诗的语言模型，可能连"把水杯从桌子左边挪到右边"都做不到。
第二层：强人工智能 / 通用人工智能（Artificial General Intelligence, AGI）。 这是研究者们梦寐以求的目标——一台机器，能够像人类一样，在几乎所有认知任务上达到人类水平或超越人类水平。它能看、能听、能说、能推理、能学习、能创造，能从一个领域迁移知识到另一个领域。截至今天（2026 年），AGI 还没有被实现。有些研究者乐观地认为它会在未来 10 到 30 年内出现，有些研究者则认为它可能需要数百年，还有一些研究者认为它从原理上就不可能。
第三层：超人工智能（Artificial Superintelligence, ASI）。 这是哲学家尼克·博斯特罗姆（Nick Bostrom）在其著作《超级智能》（*Superintelligence*, 2014）中提出的概念，指的是在所有领域都比最聪明的人类还要聪明得多的智能。这是一种推测性的、目前仅存在于科幻小说和未来学讨论中的智能。它的出现会给我们带来什么？目前没有人能确定。
为了帮助你直观地理解这三层的关系，我们可以用一个金字塔来表示：
```mermaid flowchart TD A["ASI 超人工智能<br/>Superintelligence"] --> B["AGI 通用人工智能<br/>General Intelligence"] B --> C["ANI 弱人工智能<br/>Narrow Intelligence"] C --> D["传统程序<br/>Traditional Programs"]
A1["在所有领域全面超越人类<br/>Surpasses humans in every field"] -.-> A B1["在大多数认知任务上达到人类水平<br/>Matches humans across most tasks"] -.-> B C1["只能完成单一或少数任务<br/>Master of one or a few tasks"] -.-> C D1["只能执行预定义规则<br/>Follows predefined rules only"] -.-> D ```
读到这里，你可能想问："那么，今天我们说的'AI'，到底指的是哪一层？" 答案是：几乎全部是 ANI。即使是那些看起来"非常聪明"的语言模型——比如能写出漂亮文章、能通过律师资格考试、能解高等数学题的模型——它们本质上仍然是"狭义"的：它们在"生成符合语言模式的文字"这一个任务上非常出色，但缺乏真正的理解、缺乏身体经验、缺乏长期目标、缺乏对世界的因果把握。
> 💡 重要提醒 / Important Reminder > 当你听到新闻里说"AI 又取得了突破"时，请先问自己一个问题：这是 ANI 在某个具体任务上的进步，还是真正接近 AGI 的一步？这两种进步的"分量"是完全不同的。
---
1.4 具身认知：没有身体，就没有真正的智能
1.4 Embodied Cognition: Without a Body, There Is No Real Intelligence
到目前为止，我们一直在讨论"大脑"——无论是生物的，还是人工的。但是，1980 年代以来，认知科学（cognitive science）领域发生了一场静悄悄的革命，这场革命的核心观点用一句话概括就是：
> 智能不在头脑中。智能在身体与环境的互动中。 > Intelligence is not in the head. Intelligence emerges from the body's interaction with the environment.
这个观点被称为具身认知（embodied cognition），它与传统认知科学（把大脑看作一台独立于身体的"信息处理机器"）形成了鲜明对比。让我们通过一个具体的例子来理解它。
案例：理解"上"和"下"。 你听到一句话："把苹果放在桌子上。" 要理解这句话，你需要知道"上"是什么意思。一个从来没有站起过、从来没有俯身捡过东西的"大脑"，能理解"上"吗？认知科学家发现，婴儿在能够独立站立和行走之前，无法稳定地理解"上""下""前""后"等空间概念。这是因为这些概念不是抽象的符号，而是与身体经验紧密绑定在一起的——"上"对应着抬头、抬手、向上攀爬的运动模式；"下"对应着低头、弯腰、向下蹲的运动模式。我们的语言、思维、甚至数学，都在很大程度上建立在身体经验的地基之上。
具身认知有三个核心主张：
主张一：认知依赖于身体经验（Cognition is grounded in bodily experience）。 思考不是发生在真空中的符号操作。当我们思考"重的""轻的""滑的""黏的"这些词时，我们的大脑会自动激活与这些感觉相关的运动区域——就好像我们真的在触摸这些东西一样。语言学家乔治·莱考夫（George Lakoff）和哲学家马克·约翰逊（Mark Johnson）在他们的著作《肉身中的哲学》（*Philosophy in the Flesh*, 1999）中，用大量证据证明了：我们的抽象概念，几乎全部是通过"具身隐喻"（embodied metaphor）建立起来的。我们说"他心情低落"，是因为"低"在我们的身体经验中对应着"被动、缓慢、无力"；我们说"她升职了"，是因为"