从生物智能到人工智能：智能科学的新篇章
引言：智能研究的新起点
在过去十年中，人工智能 (AI) 的迅猛发展仿佛为地球引入了一种全新的智能形态。这种智能与人类智慧存在显著差异：它具备卓越的能力，却也常犯人类不会出现的明显错误；它尚未掌握我们擅长的深层逻辑推理，其能力和局限性都令人费解，我们对其运作机制的理解仍非常有限。要深入理解人工智能，有必要将其置于生物智能的历史背景中加以审视。
生物智能的起源可追溯至约 5 亿年前的脊椎动物共同祖先，所有现代脊椎动物，包括人类，皆由其演化而来。经过漫长的进化过程，人类大脑得以形成，并在短短几个世纪内，从牛顿到爱因斯坦，构建起理解宇宙所需的数学和物理学体系。
如今，我们需要融合物理学、数学、神经科学、心理学和计算机科学等多学科，创立一门新的智能科学。这门科学不仅能加深我们对生物智能的认识，还能推动更先进的人工智能发展。由于智能工程的进展已远超我们的理解能力，这一研究任务显得尤为紧迫。
核心研究领域
1. 数据效率：更高效的学习方式
数据需求的差异
人工智能与人类在数据利用效率上存在明显差距。例如，训练语言模型需要处理约 1 万亿个词，而人类从出生到成年仅接触约 1 亿个词。若人类要消化 AI 所需的数据量，需连续阅读 2.4 万年。尽管 AI 未经历数亿年的进化积累，但人类通过 DNA 继承的约 7 亿字节信息，加上毕生学习的数据总量，与 AI 的需求相比仍微不足道。这凸显了人类学习的惊人效率。
优化缩放定律
AI 的数据低效源于其训练依赖的缩放定律。这些定律表明，错误率随数据量增加呈幂律下降，但收益甚微——减少少量误差往往需要数据量增加十倍。这种方式短期内有效，却难以长期维持。为此，研究者提出构建非冗余数据集，通过精心挑选数据点减少重复信息。理论和实验验证显示，这一方法能将低效的幂律优化为更有效的指数关系，用较少数据显著降低误差。
借鉴人类教学
人类教导孩子时，不依赖海量数据堆砌，而是传授方法（如数学算法），使其能从少量例子中推导规律。AI 需从当前的数据驱动模式转向更高效的训练方法，结合神经科学、心理学和数学，提升数据利用效率。
2. 能量效率：降低计算能耗
能耗的对比
人脑运行仅需 20 瓦功率，而训练大型 AI 模型可能消耗 1000 万瓦，未来数据中心甚至可能需要核能支持。这一差距源于数字计算的特性：快速、可靠的比特翻转需要大量能量。
生物计算的借鉴
相比之下，人脑利用自然物理规律进行计算，采用缓慢且不完全可靠的中间步骤以减少能量消耗。例如，神经元直接通过电压相加完成计算，而非依赖耗能的晶体管电路。这种计算与物理规律的契合为 AI 改进提供了方向：需重新设计技术架构，使计算过程更贴近物理特性。
能量分配的优化
研究发现，在果蝇大脑中，神经活动增强时，ATP（细胞能量来源）水平随之上升，表明大脑能够预测并精确分配能量。若 AI 能效仿这一机制，或可接近物理学设定的效率极限。
3. 超越进化：融合量子技术
神经与量子的结合
进化形成了高效的神经算法，但我们可以通过量子硬件进一步提升。例如，用原子替代神经元、用光子替代突触，可构建量子关联记忆，提升存储容量和稳定性。这一方法开启了量子神经形态计算的新领域。
突破传统界限
基于光子的量子优化器能以独特方式解决问题，超越传统计算的限制。将神经科学与量子技术结合，为 AI 发展提供了新的可能性。
4. 可解释性：揭示智能原理
模拟大脑功能
AI 能帮助构建复杂的生物智能模型。例如，视网膜的数字孪生体可重现数十年实验数据。但仅有模型不足以理解其原理。以视网膜检测违反牛顿第一定律的运动为例，可解释性技术能分析相关子电路，揭示其功能和设计依据。
促进科学发现
通过结合数字孪生与可解释性分析，AI 加速了神经科学进展，提供清晰的解释。斯坦福的灵长类视觉系统研究展示了这一方法的潜力。
5. 心智与机器的融合：双向沟通
操控神经模式
通过记录脑活动并构建数字孪生体，AI 可解码并控制神经模式。在小鼠实验中，AI 能读取视觉信号，并通过操控 20 个神经元诱发特定感知。
应用潜力
这种双向交互有助于理解大脑、治疗疾病并增强功能，应用前景广阔。
结论：开放研究的未来
智能科学将加深我们对生物和人工智慧的理解。通过提升效率、超越进化、增强可解释性及实现心智与机器的融合，我们能开发更强大、更透明的智能系统。这一研究需在开放的学术环境中推进，以促进跨学科合作并分享成果。斯坦福正在建设的智能科学中心正是这一方向的实践。
上个世纪，人类探索宇宙奥秘；本世纪，我们将审视自身及创造的智能，建立一门深刻的新科学。