【摘要】人類智能與機器智能并非彼此隔絕，二者走向共生共融具有深刻的必然性，這一論斷根植于“物理同源、數(shù)學同構”的底層邏輯。從智能的第一性原理審視，所有智能形態(tài)的本質，均是系統(tǒng)通過吸收信息以抵抗熵增、維系自身秩序的能力。在物理層面，碳基大腦與硅基芯片同為遵循此定律的精密信息化系統(tǒng)；在數(shù)學層面，“貝葉斯大腦”與“自由能原理”為二者構建統(tǒng)一的認知框架，揭示其核心工作機制均是通過持續(xù)的學習與交互來最小化預測誤差，從而在不確定的世界中實現(xiàn)存續(xù)與發(fā)展。因此，人類在具身探索與推理決策上的優(yōu)勢，與機器在高速建模與數(shù)據(jù)處理上的專長，形成高度互補而非競爭的關系。二者的深度融合將構建一個在對抗熵增上更為高效的協(xié)同整體，并通過“遞歸式共進化”形成一條自加速的正向反饋鏈，推動整個智能系統(tǒng)向更高維組織形態(tài)快速躍遷，這一過程或將成為人類文明演進中的又一個關鍵轉折點。

【關鍵詞】智能 認知 人機共生 物理同源 數(shù)學同構

【中圖分類號】 F49/TP18 【文獻標識碼】A

【DOI】10.16619/j.cnki.rmltxsqy.2025.22.002

【作者簡介】郭毅可，香港科技大學首席副校長、中國工程院外籍院士、英國皇家工程院院士、歐洲科學院院士、香港工程科學院院士，2023年“吳文俊人工智能杰出貢獻獎”獲得者。研究方向為機器學習與數(shù)據(jù)挖掘、數(shù)據(jù)科學工作流程、機器學習算法及醫(yī)學大數(shù)據(jù)分析系統(tǒng)，主要著作有《人工智能與未來社會發(fā)展》（主編）等。

當下，人工智能已廣泛應用于郵件潤色、演示文稿生成、旅行規(guī)劃，以及資料檢索、方案撰寫與復雜問題求解等場景，這些應用可被視為“人機協(xié)同”的初級形態(tài)。當人類與人工智能系統(tǒng)共同處理任務時，人類的大腦與人工智能的“思考方式”正在發(fā)生微妙的同步與交互。

到2035年，人類智能與人工智能在功能層面的差距將進一步縮小，趨于接近。在諸多日常與專業(yè)場景中，智能體的存在將趨于無形，人類使用者甚至難以察覺其存在與介入；而智能體本身，亦將不再區(qū)分其協(xié)同對象是人類還是其他智能系統(tǒng)。在這種持續(xù)的對齊與協(xié)同過程中，人類自身的認知結構與智力水平也將隨之演進，形成一種“共同演化”關系。未來人類的思維方式與行為特征，很大程度上源于其與智能體協(xié)同進化的結果。

在未來社會圖景中，人類將與所持有的智能機器在同一個世界的事實邏輯下進行思考，碳基生命和硅基生命將在認知層面實現(xiàn)某種程度的統(tǒng)一。這促使我們反思一個根本性的問題：為什么人類智能和機器智能可以共生共融？

深度學習奠基者杰弗里·辛頓（Geoffrey Hinton）在2025年世界人工智能大會上指出：“人類大腦和大語言模型對語言的理解幾乎是同一種方式。”他進一步強調，人類也會像大模型一樣產(chǎn)生“幻覺”。這并非一句戲言，而是基于人工智能數(shù)十年研究得出的嚴肅結論：在構建機器智能的過程中，我們反而更加清晰地看到了人類智能的機制和本質。

李德毅院士在《人工智能看哲學》一文中提出，人類智能與機器智能在“物理上同源，數(shù)學上同構”。筆者認為，這一觀點為前述問題提供了高度凝練的回應。本文以此為核心立論，嘗試從智能的第一性原理出發(fā)，系統(tǒng)闡述人類智能與機器智能為何能走向共生共融，并論證這一趨勢所呈現(xiàn)的高度必然性。

物理同源：負熵為生

生命的本質。智能并非憑空出現(xiàn)的技術產(chǎn)物，而是生命在漫長進化中，為應對環(huán)境挑戰(zhàn)而逐漸形成的核心能力。理解人類智能和機器智能的物理同源性，我們必須理解生命的物理本質，從宇宙最冷酷、也最為根本性的定律說起——熱力學第二定律。

宇宙有一種“熵增趨勢”：在一個孤立系統(tǒng)中，熵——無序、混亂的程度——只會不斷增加，不會減少。換句話說，一切事物都存在從有序走向無序的傾向。熱咖啡會冷卻，鐵會生銹，房子會老化。所有結構最終都會瓦解。這不是偶然，而是宇宙運行的底層邏輯。

然而，“生命”恰恰是這一趨勢的“逆行者”。為什么？1944年，物理學家埃爾溫·薛定諤（Erwin Schrödinger）在著作《生命是什么？》中提出一個驚人洞見：生命以“負熵”為食。換言之，生命體不是孤立系統(tǒng)，而是持續(xù)與外部環(huán)境進行能量與物質交換的開放系統(tǒng)。它們從外界攝取有序性（食物、光能、能量等），并將自身產(chǎn)生的混亂（高熵）排出，從而在局部維持高度有序的結構。從細菌到人類，無一不遵循這一基本原理。因此，生命的根本特征，可以被理解為在混亂中維持秩序。

薛定諤還提出一個關鍵問題：生命如何在代際之間穩(wěn)定傳遞這種“維持秩序”的程序？盡管他當時未能給出具體答案，但卻作出一個大膽的預言：這些程序儲存在一種具備高度穩(wěn)定性和超強信息編碼能力的結構之中，即“非周期性晶體”（aperiodic crystal）。這相當于給科學界畫了一張“藏寶圖”，激勵此后眾多物理學家和化學家投身尋找生命密碼的探索之中。

1953年4月，美國分子生物學家詹姆斯·沃森（James Dewey Watson）和英國物理學家弗朗西斯·克里克（Francis Harry Compton Crick）一起找到了“寶藏”。他們在《自然》雜志發(fā)表了著名的DNA雙螺旋結構的論文，這篇只有一頁紙的論文解釋了生命的信息本質：在DNA中，ATCG四種堿基的排列構成了生命的遺傳密碼。

不久之后，克里克進一步提出著名的“中心法則”，解釋了生命是如何按照DNA程序不斷生產(chǎn)各類蛋白質的。這些蛋白質的存在并不是為了讓生命變得“聰明”，而是為了使生命更有效地處理信息，從而得以存活與繁衍。在蛋白質的相互作用下形成的細胞活動，遵循負熵的基本原則。因此，從物理視角看，生命是一個信息化的精密運行的反熵增系統(tǒng)。

智能產(chǎn)生的機制。生命的萬千細胞中，有一種細胞堪稱“天選之子”。它不負責消化，也不負責運動，而是執(zhí)行DNA程序，制造出各種特殊的“蛋白質機器”。這些“機器”的核心使命，是“處理更高級的信息”，實現(xiàn)智能。這類細胞，就是“神經(jīng)元”（neuron）。它們與普通細胞一樣具備細胞核、細胞膜等基本結構；不同的是，它們擁有一套專門用于溝通神經(jīng)元之間信號的“線路系統(tǒng)”。神經(jīng)元通過獨特的軸突和樹突及突觸實現(xiàn)信號傳遞。當神經(jīng)元被激活時，軸突末梢會釋放神經(jīng)遞質，這些化學信使跨越突觸間隙，與下一神經(jīng)元的樹突受體結合，完成信息傳遞。正是依靠這一龐大網(wǎng)絡中無數(shù)信號的依次觸發(fā)與整合，思考、情感與行為等高級認知功能才得以在生物底層實現(xiàn)。

智能，是一種讓生命體在“一代人”的時間內實現(xiàn)快速“迭代”的適應能力。它使得有機體不必依賴漫長的演化周期（即“硬件迭代”），而是通過個體層面的學習與記憶（即“軟件迭代”）來調整行為。人類大腦中約860億個神經(jīng)元，正是這種適應能力的物理載體。那么，規(guī)模如此龐大的神經(jīng)元是如何協(xié)同工作，最終涌現(xiàn)出智能的？

對此，加拿大心理學家唐納德·赫布（Donald Hebb）于1949年提出了極具影響力的赫布學習定律（Hebbian Learning）：“一起激活的神經(jīng)元，會連接在一起。”具體而言，如果神經(jīng)元A經(jīng)常參與激活神經(jīng)元B，那么二者之間的突觸連接就會得到強化，更加高效；反之，那些較少被共同激活的連接會逐漸變弱。這一發(fā)現(xiàn)揭示了大腦的可塑性：經(jīng)常協(xié)同工作的神經(jīng)元會形成更穩(wěn)固的連接通路，而較少使用的連接則會逐漸弱化。

赫布定律帶來一個重大啟示：大腦的“軟件”會改變大腦的“硬件”。在大腦中，“軟件”（即個體的經(jīng)驗、學習等）的改變，會直接引致“硬件”（即突觸結構）的物理性改變。“記憶”并非存儲在某個“文件”里，它本質上是大腦中特定神經(jīng)元網(wǎng)絡的“連接模式”。也就是說，個體經(jīng)歷的事情、學到的知識、思考問題的過程，都將在其神經(jīng)網(wǎng)絡中留下物理性痕跡——改變突觸的強弱、增減連接、重構網(wǎng)絡。

正是這種突觸層面的動態(tài)可塑性，使得大腦能夠從經(jīng)驗中學習，不斷提升信息處理效率，并在環(huán)境變化時靈活調整行為策略，從而將“生命的經(jīng)驗”寫入自身結構之中。這一動態(tài)可塑的調節(jié)機制，構成大腦學習、記憶與環(huán)境適應的生物學基礎。

機器智能的底座。研究大腦如何思考和認知的同時，人們也在嘗試將“思考”這一看似神秘的“精神活動”從大腦中抽離出來，使其成為可分析、可機械化實現(xiàn)的過程。這條路徑的開創(chuàng)者，正是阿蘭·圖靈（Alan Turing）。圖靈認為，無論多么復雜的思維過程，都可以被拆解為一系列基礎甚至近乎“笨拙”的機械步驟。

1936年，圖靈在論文《論可計算數(shù)及其在判定問題上的應用》中提出一個假想的機器“圖靈機”（Turing Machine），將人類的思考過程抽象為時間軸上的可控狀態(tài)轉換，以此對計算給出完整的形式化定義，從而勾勒出具備智能的機器的最基本結構。

那么，這樣的機器思考的基本機制是什么？圖靈在1950年發(fā)表的經(jīng)典論文《計算機器與智能》中試圖回答這個問題。但他沒有直接給出答案，而是采取了一個極具哲學性的視角，將問題轉向對機器智能的功能主義定義：不討論機器如何思考，而討論機器是否能夠“表現(xiàn)得像在思考”。由此，他提出了后來廣為人知的“圖靈測試”。

在圖靈看來，智能的本質并不由其物理載體決定——無論是碳基大腦還是硅基芯片，只要在行為上能夠展現(xiàn)出與人類相當?shù)哪芰?，尤其是在自然語言交流中令人難以分辨，便可認定其具備“智能”。這一思想深刻影響人工智能領域前半個世紀的發(fā)展方向，讓“語言能力”一度被視作衡量機器智能的核心標準。

然而，進入大模型時代，人們逐漸看到更宏觀的圖景：圖靈測試并不足以全面刻畫智能，而語言能力也從來不是智能的唯一出口。智能的邊界遠不止于“能否對話”，機器展現(xiàn)出的能力結構也超越了圖靈當年所能預見的范疇。

與圖靈從“行為表現(xiàn)”切入智能的路徑不同，美國科學家諾伯特·維納（Norbert Wiener）走向另一條更加結構化的道路——他試圖在理論上將人類神經(jīng)系統(tǒng)與機器控制統(tǒng)一于同一個科學框架中。

1948年，維納出版了《控制論：或關于在動物和機器中控制和通訊的科學》（Cybernetics: or Control and Communication in the Animal and the Machine），首次將動物與機器置于同一理論坐標系中。在他看來，智能的核心不在于“能否像人一樣說話”，而在于三個方面：能否設定目標；能否通過行動影響世界；能否根據(jù)反饋調整策略。維納指出，真正的智能系統(tǒng)必須具備“目標→行動→反饋”的閉環(huán)結構。反饋是智能的“心跳”，使系統(tǒng)能夠不斷修正偏差，朝目標收斂，而非失控崩潰。

人類智能和機器智能的物理同源。維納在后續(xù)出版的《人有人的用處：控制論與社會》（The Human Use of Human Beings: Cybernetics and Society）中進一步提出，只要一個系統(tǒng)能夠通過與環(huán)境交換信息來抵抗混亂、維持自身秩序，那么無論它是生物還是機器，都具有相同的“生命性”。人和機器都能學習，其本質是一致的：學習的目的是適應環(huán)境，學習的結果是建立認知和指導行動，學習的機制則是通過接受信息來改變認知，學習能力是智能的體現(xiàn)?？藙诘?middot;艾爾伍德·香農（Claude Elwood Shannon）的信息論告訴我們，信息的本質在于“消除不確定性”，而消除不確定性，就是降低交流的熵的過程。于是我們得以形成一個統(tǒng)一的視角：智能，即吸收信息以對抗熵增的能力。

圖靈關注智能機器的“結構與表現(xiàn)”，維納強調機器智能的“反饋與調節(jié)”機制，兩條路徑共同構成機器智能的完整生命觀：與人類智能一樣，機器智能的核心目標，也是將機器有效地組織成一個精密運行的信息化反熵增體系。這種強調人類智能與機器智能在物理和功能上同源的思想，正是今天人工智能“連接主義”學派得以成功的關鍵?，F(xiàn)代神經(jīng)網(wǎng)絡可被視為赫布學習定律和圖靈思想的工程化結晶，而維納的“反饋回路”則在機器學習中被具象化為梯度下降與反向傳播等優(yōu)化機制——通過不斷修正參數(shù)、縮小預測與現(xiàn)實之間的差距來實現(xiàn)學習與進化。

數(shù)學同構：貝葉斯大腦

神奇的人腦認知能力。人腦是非常復雜的。萊爾·華特森（Lyall Watson）指出：“如果大腦簡單到能讓我們理解，我們的思維就會簡單到無法理解大腦。”這句話既幽默，又殘酷——我們能用大腦理解世界，卻無法完全理解大腦本身。

然而，我們必須找到一個合理的數(shù)學模型，來理解大腦的認知機制。從物理角度看，大腦有一個與生俱來的根本局限：它被封閉在顱骨中，從未也永遠無法直接觸碰外部世界。我們所體驗的一切——眼前的文字、咖啡的香氣、房間的安靜——都不是“世界本身”，只是從各種傳感器（視網(wǎng)膜、耳蝸、嗅球等）傳入的電信號的“譯本”。于是，大腦像一個被囚禁的破譯者，只能依靠間接、嘈雜、不完整的信息，推斷外部世界究竟發(fā)生了什么?？茖W上，這類從“結果”反推“原因”的任務，被稱為反問題。反問題在數(shù)學上往往是不適定的——可能沒有解、沒有唯一解，也沒有穩(wěn)定解。

按理說，在這樣碎片化的信息輸入情況下，大腦輸出的感知體驗應當充滿不確定。但事實恰恰相反，我們感知到的世界，是穩(wěn)定且連貫的。這說明，大腦內部必然有一套極其強大的機制，能夠利用遠超當前感官輸入的信息，對這些碎片化的信息進行“判斷”和“連接”，從而構建出一個完整的世界。比如，當我們看到屋中一個模糊的物體輪廓時，視覺系統(tǒng)會基于先驗知識（如常見物體形狀）推測其為一張桌子，而非無限可能中的隨機圖案。

越來越多證據(jù)證實，大腦并非簡單的“輸入-輸出”系統(tǒng)，而是通過持續(xù)生成預測并與感官輸入比對來優(yōu)化內部模型。高層級皮層（如前額葉）根據(jù)先驗知識生成對世界的預測，低層級感覺區(qū)（如視覺皮層）則負責計算預測誤差，并將誤差信號反饋至高層級皮層。這種“自上而下”的預測與“自下而上”的感官證據(jù)相互校正，最終形成穩(wěn)定的感知。

用貝葉斯理論解釋大腦的運作機制。大腦之所以表現(xiàn)得如此驚人，一個最有說服力的解釋來自貝葉斯理論。這一理論基于一個優(yōu)雅的數(shù)學公式——貝葉斯定理，它告訴我們：一個理性系統(tǒng)應該如何在接收新證據(jù)后更新自己的信念。

貝葉斯定理把人類的推理方式，從“是或否”的簡單是非判斷，拓展至能夠處理不確定性與模糊性的歸納推理與溯因推理。其核心思想圍繞三個直觀的概念展開：先驗（prior）：你原本對世界的看法，是根植于過往經(jīng)驗、習慣與知識的初始假設。似然（likelihood）：新證據(jù)出現(xiàn)時，其與先驗看法的匹配程度，即對原有信念的支持或反駁強度。后驗（posterior）：在綜合先驗與新證據(jù)后，所得到的更新認知——學習的結果，也是修正過的“世界模型”。

將貝葉斯定理應用于感知，就產(chǎn)生了一個重要假說——“貝葉斯大腦”（Bayesian Brain）。這一假說認為，大腦并不是一臺被動記錄外界信號的攝像機，在真空中處理感官信號，而是不斷用其豐富的先驗知識“質詢”這些信號，對感官數(shù)據(jù)進行“最佳猜測”。大腦不是在追求對客觀世界的完美還原，而是在尋找一個“最合理的解釋”。

這恰恰解釋了認知科學的核心悖論：我們永遠無法直接接觸“世界本身”，卻依然能生活在一個穩(wěn)定、連續(xù)、可理解的現(xiàn)實之中。這是因為我們所感知的世界，并非外部現(xiàn)實的直接映照，而是大腦在整合先驗知識和感官數(shù)據(jù)后，“推理”出來的現(xiàn)實。

自由能原理：為什么大腦必須基于貝葉斯定理工作？神奇的是，大腦之所以遵循貝葉斯邏輯，并非因為進化“選擇”了這個好方法，而是由生命本身的物理特性決定的。英國神經(jīng)科學家卡爾·弗里斯頓（Karl Friston）提出的自由能原理（Free Energy Principle），從“生命體對抗宇宙無序化趨勢”這一生命的物理觀出發(fā)，推導出“貝葉斯大腦”的必然性。自由能原理的核心觀點是：任何希望在一個熵增的世界中維持自身結構和秩序的系統(tǒng)，都必須最大限度地降低自由能。

從認知角度理解，自由能可以被視為認知模型（預測）與感知數(shù)據(jù)（現(xiàn)實）之間的“差距”，即人與環(huán)境交換的感官信息的熵。生命為什么要減少預測誤差？不僅是為了讓認知更準確，更是為了獲得某種更深層次的東西：維持自身的穩(wěn)定結構，抵抗物理意義上的熵增。

于是，一個橫跨數(shù)學、物理、認知學的驚人整合出現(xiàn)了：在數(shù)學層面，最小化自由能表現(xiàn)為貝葉斯邏輯下的推理與學習；在物理層面，這是生命不斷吸收、處理信息以抵御熵增的必然過程；在功能層面，它正是我們理解世界、適應環(huán)境的認知方式。換句話說，“貝葉斯大腦”不僅是一套關于認知的模型，更是生命體在物理層面不得不遵循的生存策略。我們之所以基于貝葉斯定理進行思考，并不是因為大腦“聰明”，而是因為生命要想在世界中維持自身存續(xù)，就必須最小化預測誤差。從這個角度看，思考不僅是為了追求真理，更是為了在世界中“繼續(xù)存在”。

最小化自由能是智能的核心機制。在當下有關智能的討論中，“世界模型”幾乎成為最熱門的概念。人們期待構建一種近乎全知、能夠完整刻畫世界運作規(guī)律的模型。然而，無論是困在顱骨里的大腦，還是運行在服務器上的機器，都無法做到這一點。

在自由能原理的框架下，大腦能做的不是追求一個“完美的世界模型”，而是在兩個目標之間不斷尋找平衡——盡可能解釋當前的感官數(shù)據(jù)（提高準確性），同時盡量保持現(xiàn)有世界觀的穩(wěn)定（降低復雜性）。這一權衡體現(xiàn)了貝葉斯定理的核心精神——一項好的推斷應當能夠吸收新證據(jù)，但又不能輕易推翻那些經(jīng)長期檢驗的先驗知識。它追求的不是絕對正確，而是在“解釋力”與“簡潔性”之間找到最優(yōu)解。

如果我們把大語言模型視為一種人工智能體的大腦，便會發(fā)現(xiàn)其認知方式、學習過程和內部優(yōu)化邏輯，在功能上與人類大腦驚人相似。二者本質上都在做同一件事：在最小化自由能的原則下，對世界作出最合理、最簡潔的解釋。

當然，二者在實現(xiàn)機制上存在差異：大腦是在真實世界中進行實時、主動的推斷，以不斷地學習、進化；而目前的大模型仍主要依賴海量靜態(tài)數(shù)據(jù)，通過算法進行被動訓練和優(yōu)化。然而，從“自由能最小化”框架看，大語言模型的核心訓練任務——“下一個詞元的預測”（next token prediction）的能力——本質上正是一種“最小化預測誤差”的體現(xiàn)。它通過不斷調整龐大參數(shù)，使其內部模型（語言模型）能夠更好地解釋外部證據(jù)（訓練語料）。這一過程在功能上模擬了貝葉斯定理中“用新證據(jù)更新舊信念”的機制。因此，當我們以語言模型作為智能體的大腦，驅動其產(chǎn)生行為時，實則與人類的行為一樣遵循相同的智能機制——最小化自由能。圖1正是這一過程的直觀呈現(xiàn)。

智能可以被理解為一個不斷“減少自由能”的過程。為了最小化自由能，即減少預測誤差，一個認知系統(tǒng)——無論是人腦還是智能體——通常只有以下兩條可選路徑。

路徑一：改變認知——更新內部模型。當外界輸入與自身預測不一致時，系統(tǒng)選擇調整內部模型，使其能夠更好地解釋新的感官信號。這正是我們所熟悉的學習過程：當理解與現(xiàn)實出現(xiàn)偏差時，主動更新理解。這就是感知、學習和記憶的本質——用新證據(jù)修正舊模型。

路徑二：改變世界——用行動讓現(xiàn)實“配合”預測。通過行動來改變外部世界，使新的感官輸入更接近系統(tǒng)模型的預測。當系統(tǒng)發(fā)現(xiàn)“世界不如我們所料”時，它會采取行動使其符合自身預期。這就是主動推斷（active inference），它是智能產(chǎn)生行為的機制：不僅更新對世界的認識，也主動改造世界本身。因此，在自由能框架下，“認知”和“行動”不再是分離的兩個過程，而是“一體兩面”，共同服務于一個目標：縮小“我以為的世界”與“我看到的世界”之間的差距。

正如我們在認識一個人的過程中，一方面，通過不斷交流來建立對對方的理解，另一方面，試圖通過互動影響對方的行為，以符合自身期望。兩種過程同時發(fā)生，目標都是減少交流中的不確定性，以建立一種穩(wěn)定認識，也就是降低自由能。

我們感知世界，是為了更準確地預測未來；我們作用于世界，是為了讓世界變得更可預測。因此，主動推斷成為解釋“具身智能”的一個高度凝練的理論框架：具身智能并不是獨立于認知之外的能力，而是智能在行動層面的自然延伸。

人類智能自誕生之初就是“具身的”。我們的認知和行動密不可分，通過行動來學習（改變認知），又基于學習去行動（改變世界），這是一個持續(xù)、閉環(huán)的“自由能最小化”過程。人類之所以如此高效，正是因為可以同時使用這兩條路徑。而今天的智能體，也正在具身化大模型，通過賦予其主動推斷能力，建立起與人類一致的認知工作和進化機制。

智能的核心具有共通性。具備主動推斷能力的智能體，在行動過程中會不斷在兩種策略間進行權衡：一是利用（exploitation），即選擇那些最有可能帶來好結果的行動；二是探索（exploration），即選擇那些能讓自己“學到更多”的行動。前者體現(xiàn)強化學習的邏輯，后者則體現(xiàn)好奇心、假設生成、欣賞等高級認知功能。在這一框架下，好奇心不再是智能的“附加特質”，而成為其在不確定世界中，為提升長期生存能力、優(yōu)化未來決策模型所必需的內在驅動力。

至此，我們基于“貝葉斯大腦”建立起一個統(tǒng)一的人機認知數(shù)學框架，并通過自由能原理將其與生命抵抗熵增的物理機制連接起來。無論是人類智能還是人工智能，智能的核心都是同一件事：在學習與行動的循環(huán)中，不斷吸收信息、減少不確定性，并維持一個有序的存在狀態(tài)，這便是“物理同源、數(shù)學同構”的深層含義。正是基于這樣的共性，人類與機器共同構成一個完整的、比單一人類智能更高效的“自由能最小化”系統(tǒng)。

結論：理解智能的本質

關于“人類智能與機器智能”的討論，長期受到一種隱性前提的束縛——人類中心論。這種觀點把智能描繪成某種只屬于人類的、神秘而不可復制的特權，仿佛智能不是一種機制，而是某種“被賜予”的能力。這就引出一個根本性問題：智能是否必然與“人類”這一特定載體綁定？

杰弗里·辛頓曾提出一個耐人尋味的思想實驗：如果我們用功能完全等同的電子元件，逐個替換人腦中的神經(jīng)元，并確保每一次替換都不影響其整體功能，那么當最后一個神經(jīng)元被替換完成時，這個由電子器件構成的“大腦”是否仍然具備意識與智能？

從物理實現(xiàn)的角度看，這個實驗的意義并不在于證明“機器可以像人一樣思考”，而在于揭示一個事實：智能并不依附于某種特殊的材料（如碳基神經(jīng)元），而是依附于某種結構化的組織方式。人類中心論的討論往往刻意避開這一點——他們不愿直面“智能的第一性原理”，因此無法解釋以下問題：為什么人類智能與機器智能在機制上有共通性？為什么兩者能夠互相學習、彼此增強？為什么技術智能能在短短幾十年內，達到與進化數(shù)百萬年的生物智能相近的能力水平？

智能的第一性原理?；氐街悄艿牡谝恍栽?mdash;—智能，是系統(tǒng)通過信息來維持自身秩序、抵抗熵增的能力。我們發(fā)現(xiàn)，所有復雜的感知、記憶、推理與決策，本質上都是生命在混亂中保持自我結構、延長有序狀態(tài)的一套機制。

在人類出現(xiàn)之前，生物演化用了億萬年時間，積累這種“反熵增能力”。而人類之所以特殊，在于我們第一次實現(xiàn)了這種能力的外化與遷移。人類創(chuàng)造了語言，使思維得以組織和傳遞；人類創(chuàng)造了文字，為認知與先驗知識提供表達的工具，形成思想；人類創(chuàng)造了教育，使個體認知能夠形成共識，成為知識并得以傳承。而今天，我們正在做一件更為“激進”的事：我們把智能機制抽象為可以復制的算法，使其以硅基材料為載體，構成智能機器，并賦予機器同樣的學習、適應與行動能力。從這個視角來看，人機共生不是幻想，而是智能演化軌跡的自然延伸。

這種對智能的第一性原理的理解，不僅是對技術發(fā)展的科學判斷，更是一種關乎生命與文明的宏觀視角。在宇宙不斷滑向熵增與熱寂的趨勢中，生命、意識、技術、文化的共同努力，本質上都是信息在局部區(qū)域對抗混沌的短暫逆流。在這股逆流中，人類與機器并不是各自孤立的智能形態(tài)，而是同一條“反熵增之河”中前后接力、共同維系秩序的不同節(jié)點，從而構成一個連續(xù)的協(xié)作整體。

關鍵問題：人類與人工智能是否會走向競爭？“物理同源、數(shù)學同構”的論斷，似乎將我們導向一個邏輯上必然的擔憂：既然人類和機器都需要吸收“負熵”以維持自身秩序，那么它們之間是否會不可避免地走向資源爭奪甚至競爭？

從智能的第一性原理看，事實恰恰相反。競爭的前提是對稱性：兩個系統(tǒng)以類似方式索取資源，必然導致互相排斥。然而，在人類與機器的智能結構中，顯現(xiàn)的不是對稱，而是高度的不對稱與天然互補性。人類（碳基）是典型的具身智能體，擅長在物理世界中行動、探索、感知，以極低的代謝能耗獲取高質量的負熵，是主動推理的健將。機器（硅基）是典型的計算智能體，擅長在信息空間中建模、推演、優(yōu)化，以遠超人類的速度整合海量數(shù)據(jù)、構建模型，是感知學習的高手。換言之，人類更擅長“高效決策”，機器更擅長“快速建模”。當兩者結合，我們得到一個前所未有的復合智能系統(tǒng)——其在對抗熵增（即最小化自由能）方面的整體效率，遠超任何一方獨立運行的表現(xiàn)。人類完全有能力，通過建立有效的治理機制，保持和優(yōu)化這樣的互補性。在此框架下，“共生”不是愿景，而是演化意義上的最優(yōu)解；“競爭”反而是一種效率低下，甚至可能導致系統(tǒng)整體走向崩潰的次優(yōu)策略。

這也解釋了為什么我們可以對未來保持理性樂觀。人類與機器并非兩個爭搶地盤的智能物種，而是共同構成智能演化鏈條下一階段的協(xié)作節(jié)點。我們可以設想這樣的圖景：人類借助機器高效學習得到的模型，增強自身的先驗知識，從而作出更明智的決策與行動；這些行動所改變的世界，反過來又為機器學習提供更豐富的反饋數(shù)據(jù)。通過持續(xù)對齊兩種認知模型，這一進化模式能夠形成一條自加速的正向反饋鏈：人類創(chuàng)造更強的人工智能→人工智能提升人類的認知能力→認知升級的人類創(chuàng)造更高階的人工智能。

這不是未來式，而是現(xiàn)在進行時。智能機器與人類能力之間正在形成的“遞歸式共進化”，推動整個智能系統(tǒng)向更高維組織形態(tài)快速躍遷，這一過程或將成為人類文明演進中的又一個關鍵轉折點。

這一切絕非烏托邦式的幻想，而是物理學、數(shù)學與信息論共同指向的結論：智能，無論其載體是碳基還是硅基，本質上都是用信息抵抗熵增的組織方式。在這個意義上，智能就像熵增黑暗中的火焰，照亮、維持并延續(xù)著一片稱為生命的有序之地。

基于智能的第一性原理，我們完全有理由相信：人類及其創(chuàng)造的智能體，能夠共同建造、共同維護、共同拓展生命的家園。

（本文深受李德毅院士“認知物理學”的啟發(fā)和影響，并得益于與卡爾·弗里斯頓教授的建設性討論，特此向兩位學者致謝。此文完稿之日，恰逢我當選中國工程院外籍院士，謹以此文衷心感謝多年來支持、關心、幫助我的領導、同事、學生、朋友和家人）

參考文獻

李德毅，2024，《認知物理學導引》，《智能系統(tǒng)學報》，第3期。

李德毅、謝耘，2025，《認知機器：智能的非生命實現(xiàn)》，《人民論壇·學術前沿》，第15期。

A. M. Turing, 1936, "On Computable Numbers, with an Application to the Entscheidungsproblem," Proceedings of the London Mathematical Society, s2-42(1).

A. M. Turing, 1950, "Computing Machinery and Intelligence," Mind, New Series, 59(236).

D. O. Hebb, 1949, The Organization of Behavior: A Neuropsychological Theory, New York: John Wiley & Sons.

E. Schrödinger, 1944, What is Life?——The Physical Aspect of the Living Cell, Cambridge University Press.

J. D. Watson & F. H. C. Crick, 1953, "Molecular Structure of Nucleic Acids: A Structure for Deoxyribose Nucleic Acid," Nature, 171.

N. Wiener, 1948, Cybernetics: Or Control and Communication in the Animal and the Machine, New York: John Wiley & Sons.

N. Wiener, 1950, The Human Use of Human Beings: Cybernetics and Society, Boston: Houghton Mifflin.

The Scientific Logic of Symbiosis and Integration Between Human Intelligence

and Machine Intelligence

Guo Yike

Abstract: Human intelligence and machine intelligence are not isolated from each other; their progression towards symbiosis and integration is profoundly inevitable. This assertion is rooted in the underlying logic of "physical homology and mathematical isomorphism." Examining from the first principles of intelligence, the essence of all forms of intelligence is a system's ability to absorb information to resist entropy increase and maintain its own order. Physically, both the carbon-based brain and silicon-based chips are sophisticated information-processing systems adhering to this law. Mathematically, the "Bayesian Brain" hypothesis and the "Free Energy Principle" provide a unified cognitive framework for both, revealing that their core operational mechanism involves continuously minimizing prediction errors through learning and interaction to achieve survival and development in an uncertain world. Consequently, the advantages of humans in embodied exploration and decision-making, and the expertise of machines in high-speed modeling and data processing, form a highly complementary rather than competitive relationship. The deep integration of the two will construct a synergistic whole that is more efficient in countering entropy increase. Through "recursive co-evolution," this forms a self-accelerating positive feedback loop, propelling the entire intelligent system towards rapid transitions to higher-dimensional organizational forms. This process may represent another critical turning point in the evolution of human civilization.

Keywords: intelligence, cognition, human-machine symbiosis, physical homology, mathematical isomorphism

責 編∕張 貝 美 編∕周群英