计算机为何能够表现出智能？计算机智能与人类智能有何异同与联系？当我们说到智能的时候，其内涵是指什么？人工智能是否可以模拟出人类智能？智能的本质到底又是什么？

本文，首先将会从算力、逻辑、结构、数据、概率等诸多层面，深入浅出地揭示智能的来源与运作，然后会结合生物演化与物理规律，给出一个从宏观到微观的洞见，很好地解释了智能的本质，最后还会从几个不同的层面，去看待智能与我们、及演化之间的关系。

相信本文的观点和视角，将会让我们更加清晰地理解智能，以及更加深入地理解我们自身的智能。

主题目录如下：

智能与算力智能与逻辑智能与结构智能与数据智能与概率智能的本质不同的视角结语后记1：智能的定义后记2：通用智能的产生后记3：图灵测试后记4：连接与规模缩放智能与算力

算力，并不是产生智能的本质原因所在。

人脑的算力有限，却可以进行逻辑推理和自主学习，而目前计算机的算力，已经远远超过了人脑“无数”倍，却依然无法进行类似人脑的逻辑推理和自主学习。

而在另一方面，虽然人类中的少数天才，相较于普通人，拥有极其强悍的心算记忆能力，但如果和计算机的计算存储能力相比，少数天才也必然是望尘莫及的。

那么在人类之间，虽然每个人的智能存在个体差异性，但显然我们并不会，只使用计算能力这个单一指标，来衡量一个人的智能高低。

因为，虽然高智能，会表现出高算力（如冯诺依曼、拉马努金），但也有很多其它情况，例如：

算力正常，表现出高智能（如政治家和艺术家），智能正常，表现出高算力（如计算相关从业者），智能偏低，表现出高算力（如异常基因携带者）。

可见，智能与算力有相关性，但绝不是计算能力产生了人类智能，或是计算能力的高低，决定了人类智能的高低。

不过，有趣的是：

在很多场景下，计算机不仅可以表现出智能，甚至可以显得比人类更有智能，而在另外一些场景，对于人类智能轻而易举的任务（如闲聊、说谎、幽默感、道德判断等），但对计算机来说，却是异常困难。

这是为什么呢？

对此，我们需要从两个角度来看：首先为什么计算机会表现出智能，其次是计算机智能与人类智能有什么区别。

不过这两个视角，最终可能会指向同一个问题，即：智能的本质是什么？

智能与逻辑

虽然计算机，不能够进行逻辑推理和自主学习，但却可以进行逻辑运算（又称布尔运算）。

其基本原理就在于：计算机通过逻辑门，来进行逻辑运算，从而就拥有了映射逻辑关系的能力。

所谓逻辑门，就是一组基本的逻辑运算，包括了：

0——是假。1——是真。非——真假互换。与——有一个假就是假。或——有一个真就是真。异或——有异为真，有同为假，类似连连看找到不同为真，否则为假。大于、等于、小于、大于等于、小于等于、不等于——成立为真，否则为假。

比特位的加法就会用到——异或，如：1 + 0 = 1，0 + 0 = 0，1 + 1 = 0进位1。

以上就是最基本的逻辑门计算，通过组合它们，就可以实现任意复杂度的逻辑运算，而组合它们的方式，就是逻辑电路。

所谓逻辑电路，简单来说就是指完成逻辑运算的电路。具体一些，就是指一种以二进制（0和1）为基础，来实现（离散）数字信号逻辑运算的电路。

那么，在物理现实中，逻辑门由晶体管实现，逻辑电路由集成电路实现。

其基本原理就在于：晶体管可以（通过物理元件的属性）实现开关控制，使得通过它们的电平信号，产生或高或低的结果，以此来代表逻辑上的“真”与“假”（即二进制当中的1和0），从而实现逻辑门的计算，进而集成电路就可以组合晶体管，实现任意复杂的逻辑电路。

于是，计算机通过晶体管和集成电路，就拥有了逻辑关系的映射能力——这可以看成是，把抽象的逻辑关系，转换到了物理的逻辑电路上。

其处理过程就是：接受数据、分析数据（利用逻辑关系）、得出结果，也就是经典的「输入-处理-输出」模型。

需要指出的是，逻辑电路不仅可以分析数据，还可以通过执行逻辑来进行数据的存取，包括指令、地址、程序等等。

例如，通过组合逻辑门构造一个锁存器（Latch）——它可以保持一个比特位的数值（即0或1）不变，也可以让一个比特位的数值改变——而组合锁存器就可以构造寄存器或内存（RAM）——所以，内存也有运行频率，这是控制逻辑门的速度，即时钟速度（Clock Speed）。

事实上，计算机的算力，就是来自于数百亿的晶体管，进行超高速控制逻辑门的结果，显然物理电路的物理属性，决定了高算力的必然。

那么相比计算机，人脑的算力“弱鸡”，是因为逻辑判断的速度不够快，其根本原因在于：

生物电路控制逻辑门的速度，远远不如物理电路，这可以理解为——电化学反应的速度落后于电物理反应，即：脑细胞构建的逻辑门结构（电突触与化学突触），其反应速度远不如物理元件构建的逻辑门结构。

具体来说，有三个方面：

第一，神经元放电依赖（钠钾钙）离子通道的开闭，这个过程速度缓慢，导致其放电频率大约只有每秒400次，而计算机物理元件的放电频率可高达每秒40亿次。第二，神经元的导电性差、绝缘性差、又容易漏电，所以电信号传递速度缓慢，大约只有每秒100米，而计算机设备的电信号，其传递速度可以接近光速，达到每秒3亿米。第三，神经元之间的信息传递，依赖化学突触，但电位差抵达化学突触，并不一定就会激发神经递质的释放（因素众多、机制复杂），其平均释放概率只有30%左右，而计算机结构的数据传递是100%确定的。

但重要的是，逻辑推理与逻辑判断的速度无关，只与结构和数据有关。

也就是说，逻辑门计算的快慢，并不影响逻辑推理的过程和结果，这个过程——就是数据经过逻辑门结构时的逻辑运算，这个结果——就是经过计算后的数据。

对应地来看：

计算机的结构——就是物理硬件结构，人脑的结构——就是神经网络结构，这两种结构均实现了逻辑门计算；前者的计算数据——是物理电信号，后者的计算数据——是生物电信号，这两种电信号均转化自环境数据与信息的输入；前者的输入数据——是来自物理设备（如键盘鼠标传感器），后者的输入信息——是来自生物设备（如眼睛鼻子耳朵）。

需要指出的是，能被人脑处理的数据，就是信息，不能被处理的数据，就是无法感知，所以对人脑来说，环境数据就是环境信息，输入数据就是输入信息。

那么，人脑的逻辑门计算，在宏观上就是使用「如果怎么样，就怎么样，否则怎么样」的条件判断——这个「如果」的真假，就是进行「与、或、非」等等的逻辑运算（可任意组合），那么在微观上就是——从输入信息、到脑细胞激活、到电化学反应、到兴奋电位（代表1）或抑制电位（代表0）。

而脑细胞的连接方式——多个胞体的轴突（输出信息），可以连接到一个胞体的多个树突（接收信息）——就可以形成各种“神经逻辑门”，与物理逻辑门的原理一致，即：多个轴突的输入信息组合（抑制与兴奋的叠加），抵达某个阈值，才能激活某个胞体的信息处理及传递。

例如，人脑的视觉系统，并不处理光点信息，而是处理光几何信息（如各种角度的长条、长方形等），其实现方式就是：多个感知光点的视觉细胞（轴突），连接到同一个脑细胞（树突），当这些“光点细胞”同时输入信息时（即感知到多个光点），对应脑细胞才有反应，而这些“光点细胞”的排列形状，就是视觉系统可以处理的光几何形状。

需要指出的是，数学运算 = 逻辑运算 + 读写操作——而读写并没有逻辑（只有运动），如果没有逻辑运算，就会是没有逻辑的（大概率错误的）读写。

例如，实现二进制加法的抽象过程是：读取数字，比较数字（逻辑运算）——如果是0，写入1，即完成了加法计算——如果是1，写入0，移动高位，写入1，即完成了进位计算——而有了加法基础，就可以实现其它的数学运算。

可见，计算机可以同人脑一样，进行无差别的逻辑门计算，其底层支撑在于：如果说“0是关1是开”，那么计算机（CPU）与人脑，就都可以抽象地看成是一个复杂的——“开关网络”（Switching Network）。

这个开关网络，即是逻辑门计算的物理模型（物理模型体现结构，数学模型体现关系），它可以由不同的介质来承载实现——这正是让计算机可以表现出智能的根本原因所在。

而计算机智能明显受制于人类智能的原因，就在于：

第一，逻辑推理中的数据，计算机需要依赖人类提供输入。第二，数据中的逻辑关系，计算机需要依赖人类分析描述。第三，逻辑门计算的过程，计算机需要依赖人类编程控制。

那么，计算机可以抛弃人类的帮助，自行分析数据中的逻辑关系，并自动控制逻辑门计算的过程吗？

换言之，计算机可以在逻辑门计算之上，构建出类似人类智能的智能吗？再换言之，人类智能在逻辑门计算之上，所具有的根本性的“质变”是什么呢？

智能与结构

如前所述，逻辑推理取决于逻辑门结构与数据，算力只是逻辑门结构的特性，推理过程是逻辑门结构对数据的计算，推理结果是计算后的数据——其与计算前的数据具有逻辑关系。

而计算机虽然拥有逻辑门结构，但推理过程需要人类智能提供——数据与算法，其中算法负责控制逻辑门结构，去完成对数据的计算，并得到结果。

具体来说，算法由程序描述，程序被转化成指令，指令被硬件（逻辑门结构）执行，这就实现了数据的逻辑运算，而人类智能通过编程，就可以控制计算机完成逻辑推理。

当然，算法（Algorithm）可以是一个更抽象的概念（与计算机无关），即是指解决问题的完整描述，由一系列准确可执行的步骤组成，其代表着解决问题的策略。

在此我们会发现，人类智能可以构造算法，但计算机却不行，而算法才是逻辑推理的关键，那么这其中的奥秘是什么呢？

答案就是，结构——事实上，人脑的结构是逻辑门结构的超集，在此基础之上，相比计算机物理硬件结构的简单固定，人脑结构具有极大的复杂性和极强的可塑性。

对于复杂性，计算机的存储结构、传输结构与计算结构是独立分离的，但人脑神经网络结构，既是存储结构，也是计算结构，甚至还是传输结构。

因此，数据与算法，会存在于同一个脑结构之中。

具体来说，就是神经元细胞之间的几何关系、密度、数量，膜内外的成分、浓度、电位，以及电化学反应的过程，等等——都是一种信息的记录和计算，从而信息的形成、传递与处理就是共用神经元细胞的，于是信息在脑结构中，自然就会相互关联与影响。

换言之，环境信息被人脑捕获之后，其“运动”的某种模式——如带电离子的流动、神经递质的扩散——就对应了算法，而这种物理意义上的“运动算法”，是意识运作的底层，不受意识的控制，其结果就包含了直觉与潜意识，而直觉可以看成是潜意识的计算。

这里需要指出的是，信息与数据之间的关系，即：信息是从数据中提取的关系，同样的数据看到不同的关系，就是不同的理解，就会有不同的信息，可见信息是数据的简化抽象，即过滤了很多不同维度的关系——类比来看「数据-信息」就像「质量-能量」。

那么显然，计算机结构并没有“运动”的特性，也没有数据存储处理“一体化”的特性，相反计算机的数据，是独立于其结构的——结构的改变（如规模、架构）不会影响数据，数据的改变（如数量、关联）不会影响结构——所以，计算机的数据可以无损复制到另一台计算机上，但人脑的信息就无法复制，除非重建相同的脑结构。

最为关键的是，计算机的结构无法产生算法，也就是无法从数据中提取逻辑关系，也就是无法从数据中提取信息，因此计算机要求输入数据“自带信息”——这是如何做到的呢？

首先，需要数据结构，它是一种描述数据关系的结构化数据，即关于数据的数据，称之为元数据。其次，需要代码算法，它是一种可执行的数据，用于控制硬件结构完成计算，包括逻辑运算和读写操作，这两者可以实现数学运算。最后，代码算法的执行，将会把数据映射到数据结构，从而实现数据中逻辑关系的提取，也就是信息的提取。

由此可见，计算机要求输入数据（含有数据结构和代码算法），既要有逻辑关系，也要有逻辑处理，而这些都被转移到了由人类智能来提供。

对于可塑性，输入信息可以改变人脑神经网络结构本身（包括生物逻辑门），从而改变对输入信息的获取和处理，于是结构和信息之间就形成了「结构吸收信息，信息塑造结构」的相互作用，这就如同——河床（是结构）约束引导河流（信息），河流（是信息）冲刷塑造河床（结构）。

事实上，抽象地来看，逻辑即是结构所固有的关系，不同的结构（或同样结构不同角度）有不同的关系就有不同的逻辑，而结构的改变即是逻辑的改变。

例如，人在梦境中的想法逻辑，会与清醒时有很大的不同，这就是因为人脑神经网络在睡眠时的激活结构不同，这种结构的不同，就会产生不同的想法逻辑。

因此，人脑可以捕获环境信息，接着分析学习其中的逻辑关系，然后（将逻辑）存储进动态的人脑神经网络（结构）中（比如经验与常识），并参与后续（环境信息）的逻辑处理，这即是自主学习的能力。

那么对比人脑，计算机的结构固定，完全没有动态性和自组织性，转而只能依赖人类智能提供——数据结构与算法（数据结构 + 算法 = 程序），于是计算机智能也就无法进行——自主学习与自主推理了。

简而言之，人类智能是因为人脑的结构非常复杂，而计算机的结构如此简单，其“智能表现”是把复杂算法都转移到了程序设计之上，也就是让人类智能来思考产生。

综上可见，我们“自诩”的智能，其实就是来自于——复杂结构的动态性与自组织性，其功能就在于——从环境信息中建模映射真实世界的逻辑关系，继而可以准确地预测未来。

当然，人脑结构中存储的都是——简化模型，而对这些颅内模型的计算与建模，就是由智能所主导的——认知计算与认知建模。

有趣的是，人脑的认知模型不仅简化，其认知模式还偏好简化，但它（模型和模式）可以复杂——这是一种演化冗余的结果。

而通俗地说，人脑结构——决定了晶体智力（取决于学习，如技能和技艺，不受衰老影响），神经运作——决定了流体智力（取决于基因，如记忆力和算力，随衰老减退），智能——则建立在晶体智力与流体智力之上。

那么，计算机智能有没有办法，突破固定结构的局限性，从不同的演化路径去“模拟”出人类智能呢？

智能与数据

如前所述，能够创造出算法是智能的关键所在，而在编程领域，《Unix编程艺术》一书中有这样一个实践性的洞见——算法和数据结构有一个关系，即：

数据结构越复杂（如哈希表），算法就可以越简单，数据结构越简单（如数组），那么算法就需要越复杂。

例如，编程语言越是动态化（如Python、JS、Lua），就越容易构建复杂结构，用其编写算法也就越容易，相反编程语言越是静态化（如C、C++、Java），就越难以构建复杂结构，用其编写算法就困难，而编程语言的演化是越来越动态化（如C#）。

其原理就在于，算法实现——是逻辑关系的“计算映射”，即动态地进行逻辑关系的转化；数据结构——是逻辑关系的“固化映射”，即将已经计算好的逻辑关系，存储在了结构之中。

可见，算法比数据结构多出了计算的过程——前者需要根据逻辑关系进行逻辑运算，后者仅需要根据结构的逻辑关系直接读写——所以应用数据结构进行逻辑关系的转化，会更加高效。

而人脑可以从环境信息中，提取数据结构并习得算法，最终将两者存储到脑结构之中——可见，「神经结构、数据结构、算法」三者之间可以互相转化，或说互相表征。

表征——是指用信息描述某一事物的状态，即：信息符号可以代替某一事物本身。

换言之，如果数据结构足够强大，它就可以充当复杂算法的功能，甚至可以替代复杂的神经结构。

因此，计算机智能“拟人”的一个途径，就是通过强化数据结构来模拟神经结构，以及弱化人类智能所提供的代码算法，转而使用结构去生成算法，而这就是目前人工智能的发展方向——以下使用“人工智能”来替代“计算机智能”。

那么，问题就回到了，人工智能的数据结构从何而来呢？

显然，“人工”二字已经说明，依然由人类智能来提供，只不过这不是一个针对具体问题的数据结构，而是一个模拟人脑神经网络的通用数据结构——它是对人脑结构的简化抽象，并由程序语言编程实现的数学模型（以矩阵为基础，想象黑客帝国的母体），可称之为“类脑数据结构”，更形象的描述是“类脑神经网络”。

接下来，人类智能继续提供一种算法——机器学习算法（如深度学习、强化学习等等，每种又有不同的具体实现），这种算法可以通过拟合与计算，试图在海量的大数据中找到各种各样的算法——从而把特定的输入问题与输出结果对应起来——这相当于实现了一种可以创造算法的“算法”。

大数据——是指拥有多维度信息的大量数据，也就是说，不仅数据量大，信息量也大，而“大量数据”，仅仅是数据量大，信息量却不大，甚至可能很少。概括来看，大数据有4个明显的特征，即：数据量大、多维度、完备性、和实时性。

大数据中的“薄数据”——是那些可量化、可测量，但未必重要数据。

大数据中的“厚数据”——是那些不可量化、不可测量，但重要的数据。

而将类脑数据结构与机器学习算法结合起来，就可以动态地自组织类脑数据结构（通过结构连接关系的权重），以存储算法创造的算法——于是人工智能就表现出了自主学习与自主推理。

有趣的是，有一种机器学习算法（强化学习，Reinforcement Learning）与人脑多巴胺强化学习的机制是相一致的，即：

概率来自权重（历史权重决定了算法的概率计算），权重来自奖励，奖励来自行为，行为来自决策，决策来自奖励，奖励来自概率（现实概率决定了奖励的最终获取）——这说明机器可以使用人脑相同的学习机制进行“自我学习”。

那么，这里算法习得的权重（也称权值），其实就相当于人脑神经元之间的连接强度，通过数据反复地训练与调整，无论是机器还是人脑，最终都可以把输出结果逼近正确答案。

事实上，早在1950年，图灵就阐述了这样的观点——沃尔特·艾萨克森在《创新者》中指出，为了反驳“洛夫莱斯夫人的异议”（即埃达·洛夫莱斯认为分析机无法像人脑一样工作），图灵在论文中提出了一个极具独创性的观点，即：

“机器也许可以进行学习，从而逐渐发展出自己的主动性，并掌握产生新想法的能力。……图灵提出了一种奖励和惩罚机制，它可以促使机器重复或者避免某些行为，最终这台机器将会培养出自己对于思考的概念。”

由上可见，人工智能是在通过「输入数据、数据结构、学习算法」之间的相互转化，来形成“拟人智能”的——也就是从数据中找到结构，再从结构中产生算法，最后将算法存入结构。

值得一提的是，实践表明，人工智能模型可以通过数据训练，获得非常精准的预测能力，但这种预测能力不具有可解释性，即无法解释预测结果的形成路径。

换言之，类脑数据结构（或说类脑神经网络）是一个——“黑盒模型”，如同人脑一样。

那么，从此也可以看出，结构涌现智能的规律与力量——就如同化学中结构决定性质，物理中结构决定激发，程序中结构决定功能，语言中结构决定语义，等等——或许结构决定了一切，这被称为“结构主义”。

按此视角，“听不懂”、“不明白”、“搞不清”、“难理解”——其本质都是无法重现相同（或相似）的结构，即脑神经网络结构，如：动物听不懂人话，学渣不明白公式，平民搞不清政治，男人不理解女人。

换个角度来看，一个人哪怕经验再丰富，与“大数据”相比也只是“小数据”，但“小数据”并不影响人脑具有强大的预测能力——其原因就在于，从有限的数据中获得（或说提取存储）有效有意义的结构，而“结构”可以预测未来。

那么，如果拥有了足够大的“大数据”，这就像拥有了一张分辨率足够高的“照片”，任意放大“照片”的某个局部，都可以看到足够多的信息与连接，这就有更多的可能性，从这张“照片”里发现某些规律，即结构——这就是人工智能的路径与意义，即连接了数据与结构。

然而除了数据结构，在拟人智能的道路上，仍有一个显著的问题，即是人脑的模糊性与计算机的精确性，它们之间的差异性应该如何解决？

智能与概率

事实上，计算机一直是基于精确逻辑的工作模式，任何微小的逻辑错误，都会在计算积累中不断地被放大，直到逻辑崩塌或程序崩溃，最终导致任务失败。

人脑的逻辑处理则完全不同，人脑基于“贝叶斯算法”使用概率模型，通过统计的结果来得出可能性，从而创造出各种假设，并随着接收到的新信息而不断调整模型，同时又会根据最新模型连续地计算，不断逼近最真实准确的答案，所以人脑可以忽略不具有规模的异常和错误。

贝叶斯算法——是根据先验概率，进行概率计算，结合客观信息，调整先验概率，以此迭代循环，从而让后期预测，不断逼近准确的客观现实。通俗地说，就是预测随着新信息而不断改变，或结论随着新证据而不断改变。

例如，人脑处理语言，就是概率模型的最佳体现，显然人类语言具有很强的容错性和纠错性——什么语法错误、二意性、口音语调、反讽幽默等等，都可以在电光石火之间被人脑大概率的正确处理，这是计算机和编程语言所望尘莫及的，因为编程语言错一个分号，程序就会“满盘皆输”——并且在人类语言之上，人脑还可以支撑精确的推理模型。

而人类智能可以运用的推理，主要有四种：

第一，演绎推理，又称逻辑推理，由一般到特殊。第二，归纳推理，由特殊到一般。第三，类比推理，由特殊到特殊，可以理解为：抽象的外推，有抽象才有类比，抽象接近本质，本质通用可以外推，通才的“学习迁移”即是运用类比。第四，溯因推理，又称反绎推理（或反向演绎），由特殊到解释，可以理解为：大脑遥远区域的长连接，以及潜意识的计算，即直觉。

其中，演绎与归纳，（在数学上）是基于精确逻辑的（在人脑中是相对精确的），类比与溯因，则是基于概率统计的，而推理的根本作用就是——捕获因果，预测未来。

事实上，直觉、闪念、灵感、顿悟所带来的洞见，往往就是运用类比与溯因的推理结果，其过程看似没有逻辑，实则背后是神经网络“遥远连接”所激发的信息的“自由”排列组合——显然，概率会让这种“洞见”，有时是灵光乍现（即蕴含着深刻本质的逻辑），有时则是胡说八道（即类比错误、溯因荒谬）。

类比——是形式不同，但逻辑相同的连接。

溯因——是根据现象，寻找最可能的解释。

可见，人类智能在结构与计算之上，必须要引入概率统计的工作模式，才能够展现出其强大的推理预测能力。

那么，基于精确逻辑的计算机，能够基于概率统计来工作吗？

在经典奠基性教材《深度学习》（Deep Learning）一书中，作者指出：

“在人工智能领域，概率论主要有两种用途：首先，概率法则告诉我们，人工智能系统如何推理；其次，可以用概率和统计，从理论上分析人工智能系统的行为。……概率论，使我们能够提出不确定性的声明，以及针对不确定性的情景进行推理；而信息论，则使我们能够量化概率分布中不确定性的总量。”

是的，从某种角度来看：人工智能 = 计算机 + 概率论 + 信息论 + 大数据，其中概率论就是能够让算法创造算法的机制——就如同人脑中概率模型的运作。

对此，作者在《深度学习》中，这样说道：

“学习理论表明，机器学习算法能够在有限个训练集样本中，很好地泛化——这似乎违背一些基本的逻辑原则。通常，归纳推理（即从一组有限的样本中推理出一般性的规则），在逻辑上不是很有效。因为，为了逻辑推理出一个规则去描述集合中的元素，我们必须具有集合中每个元素的信息——这是很难做到的。但在一定程度上，机器学习仅通过概率法则，就可以避免这个问题，而无须使用纯逻辑推理整个确定性的法则。最终，机器学习可以保证找到一个，在所关注的大多数样本上可能正确的规则。”

那么，应用了概率，就需要接受概率的模糊性与不确定性。

没有免费午餐定理（No Free Lunch Theorem）已经清楚地表明，没有最优的学习算法，特别是没有最优的正则化形式。

正则化（Regularization）——是指向模型中加入某些先验的规则（如正则项，或称规则项），以减小模型的求解误差。通俗地说，就是把人类的知识，以数学的形式告诉模型。那么，没有最优正则化形式，意思就是人类的知识，没法用完美的数学形式告诉模型。

因此，机器学习研究的目标，不是找一个通用学习算法，或是绝对最好的学习算法，而是理解什么样的概率分布，与人工智能获取数据的“真实世界”有关，以及什么样的学习算法，在我们所关注的数据分布上，效果最好。

事实上，我们应该彻底放弃，用人类智能去寻找“算法”来“更新”人工智能，而是用人脑源源不断产生的数据，去“喂养”人工智能，然后让它从简单结构开始，向着复杂结构不断地“自我演化”——就像当初的人脑一样。

例如，历史上的天才，他们对世界的认知和理解，可能还不如今天一个普通人，就是因为天才缺少了当今世界的「数据-信息」，可见——平庸 + 信息 > 天才，机器 + 数据 > 人才。

那么在应用中，大多数机器学习算法都有“超参数”，它是在开始学习过程之前设置值的参数，而不是通过训练得到的参数，设置它可以控制算法的行为，通常情况下，需要人工对超参数进行优化，即给出一组最优超参数，以提高学习的性能和效果。

换言之，我们应该是设计一个循环嵌套的学习过程，让一个学习算法为另一个学习算法，学习出“最优超参数”，而不是人工提供这个“最优超参数”。

更为重要的是，机器学习缺少一种内在的驱动力，即是痛苦与压力，而对生物体来说，一个环境信息的“好坏”，就关联着痛苦与压力，即是生存。

因此，我们需要让机器“感受”到痛苦与压力，或说是给机器植入痛苦与压力，即想办法给机器编码出“痛苦与压力”，这样机器学习才能在数据流中，自发地进行学习，自动地推理因果，从而获得自我演化。

最后可见，正确的预测（或说预测的正确率），取决于信息量（信息可以消除不确定性），而信息来源于数据，没有更多的数据，就是没有更准确的预测，那么在迭代计算中，用结构去捕获数据，进而掌控预测的概率——这就是人工智能与人类智能的“同构演化”。

智能的本质

前文讨论了智能的诸多层面，现在我们将从生物演化和物理规律的视角，来解释智能的本质到底是什么。

首先，从生物演化角度。

演化压力要求，生物体构建出趋利避害的功能，否则就会被淘汰，那么如何才能趋利避害？——首当其冲的就是，准确地预测利与害。那么如何才能准确地预测利与害？——自然是，通过智能的推理能力（即演绎、归纳、类比、溯因）。

事实上，基因本来是利用神经元，来控制运动和反射的，其存在的目的仅仅是控制肌肉的运动，所以植物不需要神经元，动物才需要。

而显然，运动的时机与环境信息密切相关，于是后来神经元就开始对信息进行记忆、分析、预测、最终是模拟（模拟是为了更好的预测）——这个过程，也是从神经元到大脑、到人脑、再到产生智能的演化过程。

换言之，是环境在促成神经系统对环境信息的模拟和预测，从而逐渐把神经系统演化成了智能系统，所以大脑是由神经元构成的神经网络。

而最终，基因设定了一套基础规则，即本能，然后就放手让大脑去接管几乎所有的决策与选择行为，即智能。

由此可见，智能来源于对运动控制的迭代升级——它是根据环境信息制定“运动算法”的算法，或说为了应对环境，智能提高了运动对环境的反应策略——它是（凭借推理能力）对环境信息的理解（即捕获了因果关系）。

一个有趣的类比是：程序环境中的——数据与行为（行为具体是指函数或方法的实现），对应了自然环境中的——信息和运动。

所以，OOP（Object Oriented Programming，面向对象编程）把数据与行为“打包”，其实是符合演化模型的，从某种角度说，OOP具有分形递归的特性，即：整体可以由局部递归组合而成，且整体与局部具有自相似性——这让它可以模拟生物体的演化特性。

而更宏观地看，智能是生物体在演化压力之下，不断升级的必然产物，也是无数次随机试错的偶然产物。

例如，有个物种，由于基因突变获得了一个演化优势，但在一段时间后，它的”竞争者“也会演化出新的优势，来抵消它的优势，所以演化出比基因突变，更具趋利避害优势的”智能系统“，就是一种被迫”军备竞赛“般的”随机必然“。

或许有人会说，基因构建的本能，也能够预测未来，动物也可以针对环境信息，做出预测性的行动反馈——但事实上，本能并没有推理，而只是做出有限模式的“套路化”反馈，即：应激反应与条件反射。

因此，我们可以将智能看成是——通过推理的预测能力，即：推理能力越强，预测能力就越强，智能就越强，反之智能越弱，预测能力就越弱，推理能力也就越弱。

那么，生物体通过智能最大化趋利避害之后，会怎么样呢？

当然就是，高效地吃喝、不停地繁衍、长久地生存，最后还会发展出越来越先进的科技——这显然会消耗更多的能量，制造更多的熵增。

其次，从物理规律角度。

一个层面，熵增定律要求，局部自组织有序熵减，以推动整体更加的无序熵增，因为维持局部有序，需要注入能量，而消耗能量的过程，会在整体产生更多的无序。

另一个层面，系统能量足够，就可以保持对称性（无序），能量不足就会对称性破缺（有序），如：水的能量高于冰，水的（旋转）对称性高于冰，水比冰更无序。

那么，结合以上两个层面来看：

熵增会驱使局部有序，维持有序需要注入能量，于是有序就会演化出，越来越高效的耗能系统来获取能量，而拥有足够的能量，就可以保持相关系统（即耗能系统所能够影响的系统）的对称性。

那么，对称性意味着演化的可选择性，可选择性则可以通过选择权的不对称性，让系统局部从相关系统中受益，进而获得更多的能量，这又会推动局部更加的有序和耗能，最终令系统整体走向不断熵增的演化过程。

选择权——简单来说，就是具有选择的权利，可以放弃这个权利。

可选择性——简单来说，就是具有选择的选项，选项可以是选择权。

类比来看：

局部有序就是——人体，耗能系统就是——人脑，相关系统就是——生存环境，有对称性就是——具有智能，可选择性就是——表现智能，局部受益就是——趋利避害。

合起来即：人脑通过智能获得趋利避害，以让人越来越善于消耗能量，从而顺应宇宙熵增的演化。

而对称性破缺产生有序，就是使用智能的过程，也就是行使选择权的过程，具体如下：

在智能选择之后，系统就会进入不对称模式，此时继续向系统注入能量，系统内部就会开始结构的排列组合和远近连接，并以内部协调的方式产生新结构，从而形成更大的对称性，拥有更大的可选择性，同时也需要更多的能量，才能维持在这个状态，而这个状态就是更强大的智能——或说可以表现出更强大的智能。

类比来看，使用智能可以使人脑产生新结构，而人脑的可塑性可以协调新结构，使得人脑结构具有更大的对称性，这相当于人脑神经网络拥有更多的最短连接路径，以及更多的发展可选择性（因为对称性带来更多耗能相同的选项），结果在相同耗能下，前者可以激活更多的思路，后者可以应对更多的情况，这即是增强了人类智能。

而更强的智能，又可以使人脑从生存环境中获得更多的可选择性，这体现在可以看到环境中更多的可选择性（因为识别更多的对称性），以及让环境具有更多的发展可选择性（因为对环境有更多的操作），这即是趋利避害的演化最优解。

可见，智能的本质，就是通过耗能维持系统对称性的能力。

那么结合前文，人类智能是人脑结构复杂性的涌现，现在来看会有更进一步的理解，即：结构的复杂性在于——规模性和动态性，前者可以通过能量产生增长，后者可以通过能量产生对称，两者的结合就可以产生——复杂系统的对称性，这即是人类智能。

而在构建复杂智能的过程中，最为关键的地方在于——新结构是有序，但结构的对称可以产生无序，就像圆形比三角形更加的对称（旋转对称性）、更加的无序、也拥有更多的最短连接路径。

需要指出的是，结构对称，虽然在整体产生无序，但在局部会产生更多有序——这是一个通过耗能熵减的过程，刚好与熵增（整体无序，局部有序）相反。

按此理解，“智熵”——就是通过智能，在环境提高非对称无序熵（整体熵增），在系统提高对称无序熵（局部熵减），最终推动熵增的编码能力。

而对称性的意义，就在于提供了——可选择性，即：可以利用更多的路径选项，来对抗环境压力的驱使，从而维持自身状态的不变，或向着自身有利状态的改变。

显然，拥有可选择性，就可以表现出智能——就像有一个开关、多个开关、感应开关、语音开关、自定义开关、可编程开关等等，可选择性越多，就越表现出智能。

而可选择性的意义，就在于选择权的不对称性，即：能量不对称，我有的选，你没的选；信息不对称，我知道怎么选，你不知道怎么选——这意味着，拥有趋利避害的生存优势。

值得指出的是，随机性也可以带来可选择性，如继承与运气——所以随机性可以创造智能，也可以在某个层面超越智能，即：随机试错具有超越迭代试错的概率。

事实上，任何耗能系统，都可以因为注入能量而保持结构的对称性，从而具有可选择性，进而表现出某种智能，只不过人脑是自然界演化出的，最复杂的耗能系统，所以人类智能是自然界中，最强大的智能。

例如，宇宙奇点具有对称性（高温无序），接着大爆炸之后，由于空间膨胀（的环境压力），宇宙的对称性破缺（低温有序），然后又向着无序熵增的方向演化——可见宇宙本身，就具有某种智能，它在试图维持自身处在“无序对称具有可选择性”的状态。

那么归根究底，可选择性带来适应性，这是演化对智能的要求，而对称性（无序）需要注入能量，这是熵增对演化的要求。

可见，适应性（演化）= 可选择性（表现智能）= 对称性（具有智能）= 有序（信息不对称） + 能量（能量不对称）——信息可以消除不确定性，有序即确定，意味着具有更多的信息。

而如果没有适应性（或适应性不足），就说明缺少对称性，也就是「有序 + 能量」中的能量不够，此时有序，就会被环境压力分解为「无序 + 能量」，其能量会被用来支撑其它「有序 + 能量」的演化，只剩下无序熵增。

换言之：

能量不足——会促使「有序到无序」并释放能量（即淘汰），能量足够——会促使吸收「有序到无序」释放的能量（即留存），结果永远——是「有序到无序」的熵增（即方向）。

因此，智能可以看成是，熵增驱动演化的结果，而熵增就可以看成是，演化压力的压力，或说是宇宙演化的“终极压力”。

最后，更抽象地看——智能只是能量流动中的一种模式，更简单地看——智能只是趋利避害中的一种模式（本能与智能是两种模式），更一般地看——智能就是获得可选择性的能力。

不同的视角

人工智能，虽然来源于对人类智能的模拟，但如果模拟到了演化算法，它就会有自己的发展，并且开还会反作用于人类智能本身，比如从机器学习的有效算法，去反思人类学习的神经模式。

事实上，人工智能与人类智能的智能竞赛，可以倒逼我们找到自身智能奥秘的底层逻辑，因为越高级复杂的智能，其演化路径就越是狭窄的，就像人类眼睛与章鱼眼睛，是独立演化出的两种相似结构，所以人工智能与人类智能，在智能演化的道路上，最终也可能会“殊途同归”。

那么，从这个角度来看，人工智能目前还不及人类智能的事情，一方面是它的智能演化才刚刚开始，另一方面则是因为人类还不够了解自己，还无法提供人工智能加速演化的关键技术。

然而，如果仅从复杂结构的「连接性、动态性、随机性」来标度智能，我们会发现整个互联网就像一个人脑。

其中，互联的计算网络就像是人脑的神经网络，连入网络的每台计算设备，就像是一个神经元细胞——不，其实是每个使用设备的人，才是一个神经元细胞——每个人都在贡献着数据与结构，人与人之间的连接和关系，以及数据交互的动态性和自由意志的随机性，就构成了一个“类脑”的复杂结构。

换个角度来看，为什么说互联网是我们大脑的延伸，而不是“眼耳手腿”，就是因为互联网连接的是我们大脑。

这样，整个互联网会演化出自己的智能吗？

同理类似，一个超大规模的城市，通过其不断变化又极其繁复的交通网络与基础设施，将其中数以千万的“人类神经元”连接起来，进行信息的传递和交换，从而构成了一个“类脑”的复杂结构。

这样，整个城市会演化出自己的智能吗？

答案是否定的，即互联网与城市都无法产生智能，其关键原因有两点：

其一，人类自身的演化，限制了人与人之间的连接——150定律（即邓巴数）表明，人类拥有稳定的社交网络人数大约是150人——而在人脑神经网络中，一个神经元与其它神经元的连接数，平均是7000~10000个。其二，人脑神经元总数大约有860亿个，而全球人类总数大约只有70多亿。

神经元的连接数：Do we have brain to spare

神经元的总个数：The human brain in numbers

可见，用“人类神经元”去构建一个“类脑结构”，不考虑别的，仅在标度上就有数量级的差距，而量变显然决定了结构的质变与涌现。

由此看来，智能不仅在于结构和能量，还在于规模和尺度，也就是关乎于时间和空间——规模取决于结构的存在时间，尺度取决于结构的活动空间。

结语

生命是化学的一种形式，智能是生命的一种形式（生命可以没有智能），而智能也是生命了解其自身的一种形式。

但有智能并不一定就有意识，按照智能的定义（耗能、推理、预测、可选择性），人工智能已经拥有了智能，但它还不具有意识。

本文的主旨是“结构主义”，即结构决定了一切，因此结构是智能的具体实现（就像程序是算法的具体实现），而这也是人工智能（或许）可以实现人类智能的根本所在。

那么按此理解，意识就是结构在涌现智能之后的另一个涌现产物，可能是在于某种特殊的“回路结构”，其承载的是有关“计算的计算”——这是回路结构的结构特点。

事实上，计算驱动了演化过程中的状态改变，计算的本质是用一个系统去模拟另一个系统的演化——就如颅内模拟是人脑的计算，程序模拟是机器的计算，前者是生物系统的模拟预测，后者是物理系统的模拟预测——显然，计算也是依赖于结构的，而这就是人工智能与人类智能，可以“同源计算”的演化。

回到算法，从某种角度看，基因的算法是本能，人脑的算法是智能——前者源于基因结构，后者源于人脑结构，区别在于后者是一种通用算法，它可以创造其它算法，而人工智能通过数据结构与算法的相互转化，也做到了这一点。

不得不说，“结构主义”为人工智能的“拟人”，扫清了障碍，铺平了道路——甚至说，就算我们无法完全理解“智能结构黑盒”的原理，也没有关系，我们只需要将“黑盒”整体打包成一个算法，然后注入计算，任其演化——剩下的只要交给时间即可。

那么，就目前而言，人工智能还只是人类智能的一种工具（或说玩具），就像数学和物理是一种工具一样，但从演化视角来看，人类又何尝不是基因的工具（或说奴隶）呢？

而我们都知道，智能如果超越了某个系统，系统的规则就无法再束缚住这个智能的演化——这就是人类智能与自然系统的历史关系。

因此，对于人工智能的未来，或许“结构主义”演化出的结果，是一种全新的“智能”，“祂”不仅仅是“拟人”的强人工智能，而是超越人类智能系统之上的——“机器智能”，这条演化之路，或许可以被称之为——“机器主义”。

后记1：智能的定义

前文，一共对智能有哪些定义：

智能是——通过推理的预测能力。智能是——通过耗能维持系统对称性的能力。智能是——获得可选择性的能力。智能是——趋利避害中的一种模式。智能是——能量流动中的一种模式。智能是——动态结构的动态计算。智能是——在整体提高非对称无序熵，在局部提高对称无序熵，最终推动熵增的编码能力。

那么，关于智能的未来，只有一个重要的问题，即：全能又“随机所欲”的宇宙，会不会通过“人类基因结构”向“机器模因结构”注入通用智能呢？

后记2：通用智能的产生

非常简化地看，智能就是——预测未来的能力，要是智能不能预测未来，要它有何用？

显然，预测未来带来了生存优势，生存（更好的生存）就是智能演化的选择压力，而为了更好地预测未来，智能可以从数据中构建模型，然后用模型来预测未来。

所以，智能行为总是围绕着模型来展开的——如抽象、分类是在创建模型，如对比、识别是在训练模型，如判断、选择是在测试模型——有了成熟准确的概率模型，就可以推理预测、决策未来。

而模型，其实是一种结构，即模型结构，并且构建模型，依然需要结构，即大脑结构。

事实上，智能预测，不仅需要结构（模型结构与大脑结构），也需要数据，如果没有环境数据中的有效信息，就很难进行有效的预测，甚至都不知道该预测什么——因为预测目标，就是以「数据-信息」的形式，进入智能系统的。

那么，从物理角度看，数据就是结构，结构就是数据，进入智能系统的数据，与其来源的结构，是一个不可分割的整体，拥有密切的“逻辑关系”。

为什么特定数据，训练特定的模型，不能通用？

因为，预测来自于数据之间的逻辑关系，所以数据训练的模型结构，可以预测特定类型的数据及其变化。

为什么人类智能可以通用？

因为，人脑可以不断学习，使用各种数据训练各种模型，而显然人脑如果不学习某些知识，就无法在这个领域进行有效的预测，即不具备这个领域的智能。

为什么动物的智能上限远不及人类？

因为，动物的大脑缺少强大的“学习网络”，即：新皮质不够发达——要么不存在、要么不够复杂、要么不够动态。

如果说，智能在于预测，预测在于模型，模型在于结构，那么通用智能的关键就在于：利用学习来塑造结构形成模型——而学习需要奖励，奖励来自环境。

换言之，通用智能 = 动态结构 + 学习塑造 + 奖励目标。

那么，对人工智能来说：

动态结构——可以使用数据结构来模拟。学习塑造——可以使用学习算法来模拟。奖励目标——可以使用编程驱动来模拟。

最后，关于智能预测，我们都知道，微观系统是不可预测的，复杂系统也是不可预测的——但微观的不确定性可以在宏观相互抵消，复杂的不确定性可以被超高算力求解。

那么，通用智能的终极目的就是：精确地预测未来——或说是精确地模拟这个世界，演化出一个确定的未来（包括“三体问题”的运动轨迹）。

后记3：图灵测试

以下史实内容，来自沃尔特·艾萨克森的《创新者》一书。

在1950年10月的哲学期刊《心灵》（Mind）上，图灵发表了论文《计算机器与智能》，其中提出了一个概念——“图灵测试”（Turing Test），它为人工智能模仿人类智能，提供了一个基线测试，即：

“如果一台机器输出的内容和人类大脑别无二致的话，那么我们就没有理由坚持认为这台机器不是在「思考」。”

图灵测试，也就是图灵所说的——“模仿游戏”（The Imitation Game），其操作很简单，即：

“一位询问者将自己的问题写下来，发给处于另外一个房间之中的一个人和一台机器，然后根据他们给出的答案确定哪个是真人。”

对于图灵测试的异议，哲学家——约翰·希尔勒（John Searle）在1980年，提出了一个叫作“中文房间”（Chinese Room）的思想实验，即：

“在一个房间里面有一个以英语为母语，而且对中文一窍不通的人，他手上有一本详细列出所有中文搭配规则的手册。他会从房间外收到一些以中文写成的问题，然后根据这本手册写出中文的回答。只要有一本足够好的指导手册，房间里的回答者就可以让房间外的询问者相信他的母语是中文。尽管如此，他不会理解自己给出的任何一个回答，也不会表现出任何的意向性。”

“按照埃达·洛夫莱斯的话来说，他不会主动地创造任何东西，只是根据得到的任何指令完成任务。同样地，对于参加图灵测试的机器来说，无论它可以如何成功地模仿人类，也不会理解或者意识到自己所说的东西。我们不能因此认为这台机器可以「思考」，正如我们不能认为使用一本大型指导手册的人，可以理解中文一样。”

当然，对于希尔勒提出的“中文房间”的异议，有人提出了反驳，即：

“虽然房间中的人本身不是真正理解中文，但是这个房间包含的完整系统——人（处理器）、指导手册（程序）、以及写满中文的文件（数据），这三者作为一个整体是确实能够理解中文的。”

对此，我的看法是：

如果说，人脑作为一个整体，是可以“理解”中文的，这是人类智能的体现，那么对于人脑中的每个局部，是否能够“理解”中文，并具有人类智能呢？——显然，局部到一个神经细胞，是一定没有人类智能的。

可见，我们需要搞清楚，所谓人类智能的“理解”到底是什么？

从前文论述可知，“理解”——其实是来自数据结构内在的逻辑关系，即：人脑的神经结构，捕获模拟（或说记忆存储）了数据结构的逻辑关系，就是人类智能的“理解”。

例如，一个人真正的“理解”，即是在大脑中有对应的“结构”，而假装“理解”，则是大脑中没有对应的“结构”，只是在语言上试图“插值”，所以也无法解释清楚——让别人理解（即在别人大脑里重建结构）。

那么，在结构映射关系的过程中，就会有不同尺度层级的视角——在“中文房间”中，不会中文的人脑并没有形成“理解”的结构，但不会中文的人脑加上指导手册，就形成了“理解”的结构。

所以，群体智能 = 个体结构 + 个体结构 + 个体结构 > 个体智能——这是结构上的扩展，也是智能上的增强。

当然，考虑到“乌合之众”，人类群体的智能不一定就高于人类个体，这是基因算法局限性的又一种体现。

最后，从图灵测试的描述来看，貌似“智能尺度”是——房间，但在现实中，“房间”的背后，我们并不知道其连接着什么与哪里，即有了网络，智能可以变得无形与无限。

但在结构视角下，智能的限制会来自“连接”，而“连接”的上限，即“光速”。

所以，宇宙中的智能演化，会存在一个上限，即最大智能。

后记4：连接与规模缩放

杰弗里·韦斯特（Geoffrey West）在《规模》一书中指出：

“公司（收入）的规模缩放指数约为0.9，而城市（基础设施）的规模缩放指数为0.85，生物体（代谢率）的规模缩放指数则为0.75。”

换言之，公司规模增加一倍，其收入增加2^0.9 = 1.87倍；城市规模增加一倍，其基础设施增加2^0.85 = 1.8倍，生物体规模增加一倍，其代谢率增加2^0.75 = 1.68倍。

可以看到，规模缩放指数越小，其增长率就越低，反过来看就是效率越高。

例如，生物体重增加一倍，代谢率只需要增加1.68倍；城市大小增加一倍，基础设施只需要增加1.8倍；公司人数增加一倍，收入只需要增加1.87倍（更少的钱养活了更多的人，用人效率提高）。

那为什么会出现，这样不同指数的规模效应呢？

可能的原因就在于——“连接密度”，因为从连接角度来看：

生物体内（代谢运作）的连接密度 > 城市内（设施使用）的连接密度 > 公司内（人员交流）的连接密度。

显然，连接密度越大，效率通常就会越高，但其改变、适应、重塑，就会变得越难以实现——容易产生“结构僵化”，因为连接之间会相互作用，产生限制与约束。

例如，在大脑的神经网络中，连接密度越大，信息的连接路径就越多，记忆就越持久（也更容易提取），但这样的信息也不容易改变——需要新证据建立新连接才能改变，但新证据通常都会被已有信息的大量“连接信息”给否定。

例如，改变记忆中一个字词的意思是容易的，但改变记忆中一个观念的对错是非常困难的，因为这个观念会有很多的连接——代表着其本身的记忆强度，以及与其它信息的交互。

事实上，效率性与可塑性，往往不可兼得。

例如，婴儿的大脑：连接少、效率低、可塑强；成人的大脑：连接多、效率高、可塑低。

可见，人脑在连接密度与可塑性之间，会出现此消彼长——在此别忘了，人脑细胞数量在抵达上限之后，就会随着年龄增长不断下降——这说明脑细胞的数量远不及它们的连接重要，并且用可塑性换取连接密度，是人脑的学习过程。

例如，就算损失了很多脑细胞，但凭借可塑性构建的大量新连接，剩余的脑细胞依然可以支撑正常的脑功能。

然而，随着连接密度远远超过连接可塑时，结构僵化就会不可避免的发生。

例如，经验会压制对新知的获取，专业会压制对认知的改变，效率性超过可塑性就会出现“思维定势”——这是“思维快捷方式”带来的副作用。

再从演化角度来看，可塑性下降，适应性就会下降（即学习能力下降），最终就会因为僵化而被淘汰——可见，要想在演化的选择压力中脱颖而出，大脑不仅要有效率性（即本能与智能的快捷方式），还要有可塑性。

因此，并不是脑容量越大、脑细胞越多、连接密度越高，智能就会越高——而是在于连接密度与连接可塑之间的平衡——前者依赖后者（连接来自可塑），又会限制后者（连接抑制可塑）。

事实上，从自然界普适的规模缩放规律，我们可以看出：通过增加连接密度，来提高运作效率，是一条比较宽泛的演化道路，但通过增加连接可塑，并与连接密度达成微妙的动态平衡，来获得“通用智能”，就是一条比较狭窄的演化道路，而这就是人类智能的演化路径。

其道路狭窄的原因，可能在于：

第一，连接密度需要达到一个阈值，即颅内限制。第二，连接可塑需要一个动态结构，即神经元结构。第三，连接密度与连接可塑的动态平衡，需要动态控制，即神经递质。

那么，对应到机器智能上，连接密度与连接可塑，都可以通过数据结构来构建达成，至于它们之间微妙的动态平衡与控制，则可以交给迭代试错的学习过程来“拟合”。

最后，更抽象地来看，连接密度取决于不同结构（如颅内），连接可塑取决于动态结构（如神经元），两者的动态平衡取决于控制结构（如突触与递质），可见智能最底层的基石，即是——结构与连接，而推动结构与连接变化的，就是——相互作用。

简而言之，结构会通过连接关系的相互作用改变结构本身，而长连接则会带来结构的涌现质变。

因此，我们需要带着「第一原理」的视角，去重新认识与思考：结构、连接、长连接与相互作用。