Is artificial consciousness achievable? Lessons from the human brain
《人工智能意識(shí)是否可實(shí)現(xiàn)？來自人腦的啟示》
https://www.sciencedirect.com/science/article/pii/S0893608024006385
摘要
我們?cè)诖藦倪M(jìn)化的角度分析開發(fā)人工意識(shí)的問題，以人類大腦的進(jìn)化及其與意識(shí)的關(guān)系作為參考模型或基準(zhǔn)。這種分析揭示了人類大腦的若干結(jié)構(gòu)和功能特征，這些特征似乎是實(shí)現(xiàn)類人復(fù)雜意識(shí)體驗(yàn)的關(guān)鍵，當(dāng)前的人工智能（AI）研究在試圖開發(fā)具備類人意識(shí)處理能力的系統(tǒng)時(shí)應(yīng)予以考慮。我們認(rèn)為，即使人工智能在模擬人類意識(shí)方面受到限制，無論是由于內(nèi)在原因（即結(jié)構(gòu)和架構(gòu)上的限制）還是外在原因（即當(dāng)前科學(xué)技術(shù)知識(shí)的局限性），借鑒那些使類人意識(shí)處理成為可能或?qū)ζ洚a(chǎn)生調(diào)節(jié)作用的大腦特性，仍是一種具有潛在前景的策略，可推動(dòng)意識(shí)AI的發(fā)展。
此外，從理論上不能排除人工智能研究可能開發(fā)出部分或替代形式的意識(shí)，這些意識(shí)在質(zhì)量上與人類的意識(shí)形式不同，并且可能根據(jù)不同的視角而表現(xiàn)出更高的復(fù)雜性或更低的復(fù)雜性。因此，我們建議在討論人工意識(shí)時(shí)采取受神經(jīng)科學(xué)啟發(fā)的謹(jǐn)慎態(tài)度：由于將“意識(shí)”一詞同時(shí)用于人類和AI可能會(huì)引起歧義并導(dǎo)致潛在誤導(dǎo)，我們建議明確說明人工智能研究旨在開發(fā)何種層次或類型的意識(shí)，以及人工智能的意識(shí)處理與人類意識(shí)體驗(yàn)之間有哪些共同點(diǎn)和差異。
關(guān)鍵詞： 大腦 意識(shí) 人工智能 神經(jīng)形態(tài)計(jì)算 機(jī)器人技術(shù) 認(rèn)知 神經(jīng)科學(xué)
1. 引言
自亥姆霍茲（Helmholtz）、杜布瓦-雷蒙（DuBois-Reymond），甚至弗洛伊德（Freud）在1842年莊嚴(yán)宣誓“生物體內(nèi)除了普遍的物理化學(xué)力量之外，沒有其他力量在起作用”以來，科學(xué)界廣泛認(rèn)同大腦是一個(gè)“物理化學(xué)系統(tǒng)”，而“意識(shí)”是其最復(fù)雜精妙的特征之一。盡管對(duì)這一現(xiàn)象的具體解釋尚無共識(shí)，但可以推測(cè)，從理論上講，遲早可以通過物理化學(xué)方法人工模擬大腦的功能，包括意識(shí)。然而，這種情況類似于“試管中的生命”問題——即使對(duì)于最簡(jiǎn)單的生物體，盡管其所有分子成分都已知，但至今無人能夠從其分離的組分重新構(gòu)建出一個(gè)活的有機(jī)體。這一問題不僅是理論上的，更重要的是實(shí)踐上的難題。
開發(fā)人工意識(shí)形式的可能性正逐漸成為神經(jīng)科學(xué)、機(jī)器人技術(shù)、人工智能（AI）、神經(jīng)形態(tài)計(jì)算、哲學(xué)及其交叉領(lǐng)域研究者和普通公眾心中的現(xiàn)實(shí)可能性（Blum & Blum, 2023, 2024; Butlin et al., 2023; LeDoux et al., 2023; Oliveira, 2022; VanRullen & Kanai, 2021）。人工意識(shí)處理的挑戰(zhàn)也引發(fā)了社會(huì)和倫理方面的擔(dān)憂（Farisco, 2024; Farisco et al., 2023; Hildt, 2023; Metzinger, 2021）。因此，從多學(xué)科角度批判性評(píng)估開發(fā)人工意識(shí)處理的可行性，并分析這一概念可能的含義，顯得尤為及時(shí)。最近已有相關(guān)的嘗試提出（Aru et al., 2023; Godfrey-Smith, 2023; Seth, 2024）。
當(dāng)前關(guān)于人工意識(shí)處理在理論上是否可設(shè)想以及技術(shù)上是否可行的討論，首先受到“意識(shí)”一詞語義模糊性和多義性的影響。這包括現(xiàn)象學(xué)（即主觀的第一人稱體驗(yàn)）與潛在生理學(xué)（即第三人稱對(duì)意識(shí)的訪問）之間的區(qū)別（Evers & Sigman, 2013; Farisco et al., 2015; Levine, 1983），以及有意識(shí)表征與無意識(shí)表征之間的基本區(qū)分（Piccinini, 2022）。此外，意識(shí)處理的意義可能因分析背景的不同而有所變化，并具有不同的維度，這些維度可能表現(xiàn)出不同的層次，從而形成不同類型或模式的意識(shí)處理（Bayne et al., 2016; Dung & Newen, 2023; Irwin, 2024; Walter, 2021）。從詞源上看，“意識(shí)”源自拉丁文“conscientia”，意為“共同的知識(shí)”（cum scire），在自信與共謀之間搖擺，直到經(jīng)典定義“人類捕捉自身現(xiàn)實(shí)的能力”（Malebranche, 1676），或神經(jīng)精神病學(xué)家亨利·艾（Henri Ey）所描述的“主體對(duì)客體的認(rèn)識(shí)以及客體對(duì)主體的反向參照”。因此，個(gè)體既是其認(rèn)知的主體，也是其作者。拉馬克（Lamarck）在1809年提到一種某些動(dòng)物甚至人類特有的能力，他稱之為“sentiment interieur”（內(nèi)在感受）。更近一些，內(nèi)德·布洛克（Ned Block）提出了“通達(dá)意識(shí)”與“現(xiàn)象意識(shí)”的區(qū)分：通達(dá)意識(shí)指不同心理狀態(tài)之間的互動(dòng)，尤其是某種狀態(tài)的內(nèi)容可用于推理并合理指導(dǎo)言語和行動(dòng)等能力；現(xiàn)象意識(shí)則是特定體驗(yàn)的主觀感受，即“處于某種狀態(tài)是什么樣的感覺”（Block, 1995）。因此，認(rèn)知與主觀體驗(yàn)是有意識(shí)處理的兩個(gè)核心組成部分，其基本定義可以概括為“對(duì)身體、自我和世界的感官覺察”（Lagercrantz & Changeux, 2009），包括“內(nèi)在的、定性的、主觀的感受或覺察狀態(tài)與過程”（Searle, 2000）。在個(gè)體層面上，有意識(shí)處理的具身化成分還包括表達(dá)情感、記憶、符號(hào)、語言、自傳式報(bào)告和心理時(shí)間旅行的能力，以及內(nèi)省并報(bào)告自身心理狀態(tài)的能力；在社會(huì)層面上，則包括持續(xù)的個(gè)體間互動(dòng)，這種互動(dòng)使人們能夠獲得各種社會(huì)關(guān)系，如同情和共鳴（Lagercrantz & Changeux, 2009）。
在目前提出的眾多理論和計(jì)算機(jī)科學(xué)模型中，據(jù)我們?cè)u(píng)估，沒有一個(gè)模型能夠涵蓋人類高級(jí)腦功能的整體物種特異性方面（van Rooij et al., 2023）。于是問題出現(xiàn)了：這些模型是否能在進(jìn)一步發(fā)展后達(dá)到這些方面，還是差距不可彌補(bǔ)？與此同時(shí)，越來越多的公民面對(duì)著人工智能對(duì)人類行為（包括有意識(shí)處理）的模擬，并對(duì)此感到擔(dān)憂（Lenharo, 2024）：人工意識(shí)系統(tǒng)的前景可能會(huì)對(duì)人類的自我理解產(chǎn)生影響，例如，如果人工智能取代了需要意識(shí)能力的任務(wù)，人類將如何應(yīng)對(duì)？因此，有必要用實(shí)際的人類大腦組織、認(rèn)知和行為表現(xiàn)來檢驗(yàn)人工智能模型。問題是：是否存在任何理論上的計(jì)算機(jī)科學(xué)表征能夠?qū)е骂愃迫祟惖娜斯ひ庾R(shí)系統(tǒng)？機(jī)器能否發(fā)展出類似人類的意識(shí)，或者是一種不同的意識(shí)形式，抑或根本無法發(fā)展出意識(shí)？人工意識(shí)的概念是否有意義，如果有，又是怎樣的意義？借用伏爾泰的話：機(jī)器能覺醒嗎？
在過去幾十年中，許多模型主要由神經(jīng)科學(xué)家提出，目標(biāo)更為謙遜：從已知的解剖學(xué)和生理學(xué)模塊出發(fā)，重建神經(jīng)系統(tǒng)的基本功能（如水蛭的游泳行為（Stent et al., 1978）或七鰓鰻的行為（Grillner et al., 1995））。其中一些模型甚至被設(shè)計(jì)用于模擬更復(fù)雜的認(rèn)知任務(wù)，例如威斯康星卡片分類任務(wù)（Dehaene & Changeux, 2011）以及痕跡條件反射與延遲條件反射（Grover et al., 2022）。有必要進(jìn)一步發(fā)展人工智能、哲學(xué)和神經(jīng)科學(xué)之間的接口，這一領(lǐng)域的合作迄今為止已經(jīng)帶來了相互的認(rèn)識(shí)論和方法論豐富（Alexandre et al., 2020; Farisco et al., 2023; Floreano et al., 2014; Floreano & Mattiussi, 2008; Hassabis et al., 2017; Momennejad, 2023; Poo, 2018; Zador et al., 2023）。事實(shí)上，盡管這些合作意義重大，但仍不足以解決人工意識(shí)的問題。關(guān)鍵且仍然懸而未決的問題是：需要考察和解釋哪些人工智能與大腦之間的具體相似點(diǎn)和差異點(diǎn)，才能更適當(dāng)?shù)亟咏斯ひ庾R(shí)處理？換句話說，基于我們對(duì)人類大腦中意識(shí)處理的了解，哪種“描述層次”適合于建模甚至生成人工意識(shí)處理？
此外，在神經(jīng)科學(xué)領(lǐng)域，“意識(shí)”一詞仍然定義不清，正如我們將看到的那樣，人類的意識(shí)處理并非一個(gè)全或無的不可化約特性，而是逐步發(fā)展的（Changeux, 2006, 2017; Lagercrantz & Changeux, 2009; Tomasello, 2022; Verschure, 2016）。鑒于這些可能的發(fā)展階段，人工智能試圖開發(fā)人工意識(shí)處理時(shí)，應(yīng)明確選擇其中哪一個(gè)階段（如果有的話）。
在這篇文章中，我們希望在現(xiàn)有生物學(xué)大腦知識(shí)的背景下重新評(píng)估人工意識(shí)的問題，采取一種務(wù)實(shí)的方法，探討開發(fā)人工意識(shí)的可設(shè)想性和可行性，并以人類大腦作為參考模型或基準(zhǔn)。我們的目標(biāo)是補(bǔ)充近期在此方向上的嘗試（Aru et al., 2023; Godfrey-Smith, 2023），通過對(duì)人類大腦在進(jìn)化過程中多層次生物復(fù)雜性的綜合分析，不僅為了推進(jìn)對(duì)意識(shí)處理本身的理解，還為了最終啟發(fā)旨在開發(fā)人工意識(shí)處理的正在進(jìn)行的人工智能研究。因此，我們的目標(biāo)既具有理論性和哲學(xué)性，也高度實(shí)用，作為一個(gè)工程問題：我們回顧了一些科學(xué)證據(jù)，這些證據(jù)涉及大腦中對(duì)人類意識(shí)的關(guān)鍵促成或調(diào)節(jié)（或兩者兼有）的特征，并主張從這些特征中汲取靈感，以推動(dòng)開發(fā)有意識(shí)的人工智能系統(tǒng)。
我們并不聲稱開發(fā)人工意識(shí)必須整合人類大腦中有意識(shí)處理的機(jī)制。事實(shí)上，我們承認(rèn)，理論上不能排除與大腦機(jī)制不同的人工意識(shí)特征的存在。我們建議的是，將目前已識(shí)別的大腦中有意識(shí)處理的機(jī)制作為基準(zhǔn)，以便從實(shí)用的角度推進(jìn)能夠模擬人類意識(shí)處理可及特征的人工模型的構(gòu)建。鑒于圍繞構(gòu)建與大腦機(jī)制無關(guān)的人工意識(shí)的可能性存在高度爭(zhēng)議，以及由此可能導(dǎo)致過于抽象的觀點(diǎn)而缺乏實(shí)證數(shù)據(jù)支持的風(fēng)險(xiǎn)，我們認(rèn)為從意識(shí)的生物學(xué)出發(fā)是一種更具生產(chǎn)力的策略。
然而，我們可以提出的一個(gè)問題是：首先追求人工意識(shí)對(duì)科學(xué)或整個(gè)社會(huì)有什么好處？對(duì)此有多種可能的答案。在認(rèn)識(shí)論層面上，與中世紀(jì)經(jīng)院哲學(xué)的觀點(diǎn)一致（例如保羅·瓦萊里（Paul Valéry）重申的觀點(diǎn)：“我們只能理解我們能夠構(gòu)建的東西”），很明顯，構(gòu)建某些具體意識(shí)處理特征的人工模型，最終或許可以讓我們更好地理解生物意識(shí)，無論是從相似性還是差異性的角度來看。在技術(shù)層面上，人工意識(shí)的發(fā)展可能會(huì)成為人工智能領(lǐng)域的游戲規(guī)則改變者，例如賦予人工智能意圖性和“心智理論”的能力，以及預(yù)測(cè)其自身“行為”后果的能力。在社會(huì)和倫理層面上，尤其是最后一點(diǎn)，可以說有助于人工智能更好地向人類告知其對(duì)社會(huì)潛在的負(fù)面影響，并幫助避免這些影響，同時(shí)促進(jìn)積極影響。當(dāng)然，從消極的一面來看，機(jī)器中的意圖性未必比人類的意圖性更有利于人類利益，因?yàn)槿祟惖囊鈭D性也未曾特別有利于外群體個(gè)體、其他物種，甚至整個(gè)地球的利益。這確實(shí)是一個(gè)值得深入分析的討論，但超出了本文的目標(biāo)范圍。
接下來，我們將總結(jié)與本討論特別相關(guān)的人類大腦的進(jìn)化、結(jié)構(gòu)和功能特性（有關(guān)近期概述，參見（Barron et al., 2023））。在此基礎(chǔ)上，我們將闡述大腦可能為當(dāng)前人工智能研究帶來的啟發(fā)，以推動(dòng)人工意識(shí)系統(tǒng)的發(fā)展。
最后，關(guān)于開發(fā)人工意識(shí)的可設(shè)想性和可行性，我們將區(qū)分以下幾點(diǎn)：
(a) 人類意識(shí)的可復(fù)制性（我們認(rèn)為這是不可能的，至少在當(dāng)前人工智能發(fā)展的狀態(tài)下如此，這一立場(chǎng)幾乎沒有爭(zhēng)議）；
(b) 開發(fā)一種具有某些相似性但仍與人類意識(shí)截然不同的人工意識(shí)處理的可能性（我們?cè)瓌t上不排除這種可能性，但由于概念和實(shí)證原因，認(rèn)為其實(shí)現(xiàn)難度較大）。
最終，本文從選擇性地審視腦科學(xué)數(shù)據(jù)出發(fā)，旨在提出一種不同于當(dāng)今主流方法的人工智能意識(shí)研究路徑。這種方法可以被歸類為基于理論的方法，因?yàn)樗⒎且蕾噷?shí)驗(yàn)數(shù)據(jù)，而是基于先驗(yàn)科學(xué)理論的選定組成部分，然后將其應(yīng)用于人工智能系統(tǒng)（Butlin et al., 2023）。相反，我們的方法是從經(jīng)驗(yàn)上確立的、直接與人類意識(shí)相關(guān)的大腦機(jī)制和過程出發(fā)，從中推導(dǎo)出硬件構(gòu)建模塊或算法，這些模塊或算法可能是相關(guān)甚至必要的（即使不一定是充分的），以推動(dòng)人工意識(shí)處理的發(fā)展。
2. 人工智能在理解大腦方面的啟發(fā)程度與方式
2.1 計(jì)算模型
前蘇格拉底時(shí)期的希臘哲學(xué)家已經(jīng)指出，任何對(duì)現(xiàn)實(shí)的描述都是由人類（我們的大腦）通過模型構(gòu)建的，而這些模型必然受到物理限制（Changeux & Connes, 1995）。這也是邏輯上的限制。正如康德所言，我們所有的經(jīng)驗(yàn)都不可避免地依賴于我們自身有限的視角，而這些視角是我們永遠(yuǎn)無法超越的。這意味著，從某種意義上說，我們是自己大腦的“囚徒”（Evers, 2009）。換句話說，由于我們的有限性以及大腦生成模型時(shí)受到的物理約束，我們?cè)谡J(rèn)識(shí)論上是受限的。因此，包括基于計(jì)算模型的人工智能在內(nèi)的任何數(shù)學(xué)建模，都無法提供對(duì)現(xiàn)實(shí)（無論是物理現(xiàn)實(shí)還是生物現(xiàn)實(shí)）的“詳盡”描述。問題在于，假設(shè)像意識(shí)處理這樣的大腦功能/特性可以在不同的物理結(jié)構(gòu)（無論是生物的還是人工的，即功能主義）中以完全相同的方式實(shí)現(xiàn)，這種模型在多大程度上能夠部分或完全描述或模擬大腦（例如，生成關(guān)于人類意識(shí)的可測(cè)試假設(shè)，如全局神經(jīng)工作空間理論及其實(shí)驗(yàn)驗(yàn)證（Mashour et al., 2020b）），盡管目前所有生物學(xué)的大腦模型都只是對(duì)神經(jīng)科學(xué)數(shù)據(jù)及其實(shí)際生物復(fù)雜性的過度簡(jiǎn)化（Chirimuuta, 2024）。但這并不否認(rèn)，即使在細(xì)節(jié)數(shù)量有限的情況下，大腦模型仍然可能是有用且適當(dāng)?shù)?，這取決于所建模的大腦的具體方面以及相關(guān)描述層次。理論上講，例如，并非所有低層次的細(xì)節(jié)都是必要的，以便重現(xiàn)、預(yù)測(cè)或模擬某些高層次屬性，因此系統(tǒng)的高層次描述可能提供更相關(guān)且更充分的信息（Hoel, 2017; Rosas et al., 2020）。然而，如果目標(biāo)是對(duì)整個(gè)大腦進(jìn)行全面描述甚至模擬，那么任何計(jì)算模型都將不足以實(shí)現(xiàn)這一目標(biāo)（Farisco et al., 2018）。
一些功能主義哲學(xué)家否認(rèn)低層次神經(jīng)組織對(duì)意識(shí)處理模擬的相關(guān)性（Butlin et al., 2023）。最近，彼得·戈弗雷-史密斯（Peter Godfrey-Smith）提出，兩個(gè)系統(tǒng)的功能相似性是一個(gè)程度問題（即，它取決于需要以粗粒度或細(xì)粒度方式理解系統(tǒng)的程度）（Godfrey-Smith, 2023）。關(guān)鍵點(diǎn)在于，復(fù)制像意識(shí)處理這樣的實(shí)體所需的相似性程度是什么?！岸嘀乜蓪?shí)現(xiàn)性”是指相同的認(rèn)知能力可以通過具有不同物理架構(gòu)的系統(tǒng)表現(xiàn)出來（Cao, 2022）。這一觀點(diǎn)受到了質(zhì)疑。例如，繼內(nèi)德·布洛克（Ned Block, 1997）之后，羅莎·曹（Rosa Cao）最近提出，嚴(yán)格的功能主義對(duì)底層物理結(jié)構(gòu)施加了相當(dāng)嚴(yán)格的限制，而不是最終允許多重可實(shí)現(xiàn)性。事實(shí)上，復(fù)雜的整合功能（如意識(shí)）比可以分解為簡(jiǎn)單獨(dú)立功能的功能需要更多的約束條件，包括在細(xì)粒度層面上的約束（Cao, 2022）。
其他關(guān)于意識(shí)的理論對(duì)功能主義和多重可實(shí)現(xiàn)性持某種模糊的批判立場(chǎng)。例如，整合信息理論（IIT）（Albantakis et al., 2023）就是一個(gè)例子。IIT將意識(shí)處理與“整合信息”聯(lián)系起來（即，一個(gè)元素復(fù)合體生成的信息量，超出其各部分生成的信息之和）。內(nèi)在信息被定義為在一個(gè)系統(tǒng)內(nèi)部產(chǎn)生差異的因素。意識(shí)處理最終等同于內(nèi)在信息：一個(gè)系統(tǒng)如果有超出其組成部分的信息生成能力，并且獨(dú)立于外部觀察者或解釋者，則該系統(tǒng)是有意識(shí)的。這就是為什么根據(jù)IIT，“大腦的數(shù)字模擬不可能是有意識(shí)的”，無論是在原則上還是實(shí)踐中都不可能。另一方面，一個(gè)用硅制成的神經(jīng)形態(tài)計(jì)算機(jī)可能有意識(shí)，因?yàn)樗梢杂杀举|(zhì)上存在的類似神經(jīng)元的元素組成，并且具有與我們類似的因果結(jié)構(gòu)（即，因果效應(yīng)庫）（Tononi, 2015）。
因此，IIT反對(duì)功能主義，主張?jiān)诎５聽柭‥delman, 1992; Tononi & Edelman, 1998）的精神下，僅關(guān)注功能而忽視物理結(jié)構(gòu)無法解釋意識(shí)（Tononi, 2015）。特別是，回傳過程對(duì)于解釋意識(shí)至關(guān)重要：只有具備反饋環(huán)路的系統(tǒng)才能整合信息，而前饋系統(tǒng)則無法成為有意識(shí)的。因此，IIT不是功能主義的，因?yàn)樗鼜?qiáng)調(diào)了信息生成和整合（即意識(shí)處理）所需的物理組件的關(guān)鍵作用。此外，根據(jù)IIT，一個(gè)功能類似于有意識(shí)人類的系統(tǒng)，只有在其使用與人類相同的架構(gòu)（即回傳架構(gòu)）時(shí)才是有意識(shí)的。盡管IIT并非功能主義，但它最終承認(rèn)在不同系統(tǒng)中復(fù)制意識(shí)的可能性。
2.2 人工神經(jīng)網(wǎng)絡(luò)
從人工智能的早期階段開始，皮茨（Pitts）和麥克洛克（McCulloch）就提出了理想化人工神經(jīng)元網(wǎng)絡(luò)的概念（McCulloch & Pitts, 1943）。連接主義計(jì)劃隨后受到馬文·明斯基（Marvin Minsky）開創(chuàng)性批評(píng)的影響（Minsky & Papert, 2017），之后逐漸回歸，并在最近迎來了人工神經(jīng)網(wǎng)絡(luò)（ANNs）的使用和流行爆炸式增長（LeCun et al., 2015）。數(shù)十年的計(jì)算機(jī)研究在此基礎(chǔ)上發(fā)展，從簡(jiǎn)化的架構(gòu)到復(fù)雜的架構(gòu)，從單層到多層人工神經(jīng)元——從感知器到深度學(xué)習(xí)（LeCun et al., 2015），再到大型語言模型（LMMs）中數(shù)十億參數(shù)的規(guī)模（例如ChatGPT）。不僅是符號(hào)主義方法（“傳統(tǒng)的老式人工智能”或GOFAI，包括紐厄爾和西蒙創(chuàng)建的“邏輯理論家”），這種方法在人工智能研究的初期占主導(dǎo)地位，旨在以高層次功能方式復(fù)制智能的邏輯方面，而忽略了底層的大腦機(jī)制；最終，即使包含對(duì)大腦的某些參考，人工神經(jīng)網(wǎng)絡(luò)計(jì)劃也無法完全解釋大腦架構(gòu)的復(fù)雜性（Moulin-Frier et al., 2016）。
事實(shí)上，人工神經(jīng)網(wǎng)絡(luò)中提到的“神經(jīng)元”概念（即模擬生物神經(jīng)元的數(shù)學(xué)函數(shù)）遠(yuǎn)比其生物對(duì)應(yīng)物簡(jiǎn)單。例如，皮質(zhì)錐體神經(jīng)元的基底樹突和頂樹突區(qū)域分別連接到前饋和反饋信息處理（Aru et al., 2020）。這種生物神經(jīng)元固有的復(fù)雜性部分體現(xiàn)在大多數(shù)現(xiàn)代人工神經(jīng)網(wǎng)絡(luò)中，盡管用于人工智能應(yīng)用的結(jié)構(gòu)化神經(jīng)元仍然是一個(gè)活躍的研究領(lǐng)域（Haider et al., 2021; Max et al., 2023; Senn et al., 2023）。大腦的其他特性，例如GABA能中間神經(jīng)元的作用、乙酰膽堿和多巴胺等神經(jīng)遞質(zhì)的調(diào)節(jié)作用（Changeux & Lou, 2011），或者錐體細(xì)胞具有兩組功能上不同的輸入的能力（一組是關(guān)于神經(jīng)元傳遞信息的內(nèi)容，另一組可以在其他神經(jīng)元傳遞的信息背景下選擇性地放大該傳輸）（Phillips, 2023），都被轉(zhuǎn)化為大規(guī)模腦模型中的功能模式（Eliasmith et al., 2012; Humphries et al., 2012）。正如上文提到的多重可實(shí)現(xiàn)性論點(diǎn)，問題在于這種功能模擬是否捕捉到了世界中的正確元素、過程和屬性，從而對(duì)目標(biāo)對(duì)象（例如大腦）提供一個(gè)經(jīng)驗(yàn)上充分的描述，并在此基礎(chǔ)上具備與之相同的屬性（例如人類特征的神經(jīng)基礎(chǔ)的相同因果效應(yīng)，如意識(shí)處理）。換句話說，問題是能否在計(jì)算系統(tǒng)中重現(xiàn)現(xiàn)實(shí)世界對(duì)象（如大腦）的特征，包括基于數(shù)字電子原理構(gòu)建的系統(tǒng)，這些原理不同于大腦的模擬生物原理。
人工智能的最新發(fā)展（例如ChatGPT、Sora、Dall-E、Stable Diffusion）進(jìn)一步說明了這種基本上基于算法的方法可以取得多大的成功，盡管關(guān)于其局限性的討論仍在繼續(xù)（Mitchell, 2023; Mitchell & Krakauer, 2023; Shanahan, 2024; Shanahan et al., 2021）。同樣，多年來，大量刻意排除對(duì)人類大腦任何參考的認(rèn)知過程的計(jì)算“功能主義”描述被生產(chǎn)出來。這再次聯(lián)系到認(rèn)知過程的多重可實(shí)現(xiàn)性問題：是否可以通過完全不同的生物、認(rèn)知或計(jì)算機(jī)制實(shí)現(xiàn)相同的結(jié)果？（Melis & Raihani, 2023）。我們面對(duì)的是類比還是同源？挑戰(zhàn)在于，迄今為止在許多應(yīng)用中取得成功的基于形式算法的計(jì)算方法，特別是所謂的神經(jīng)形態(tài)硬件（Petrovici et al., 2014; Poo, 2018），是否足以接近類似人類的意識(shí)處理、一種替代形式的意識(shí)處理，或者最終根本無法產(chǎn)生意識(shí)（Kleiner, 2024）。
組織的多層嵌套并行性
最常見的計(jì)算機(jī)硬件由微處理器組成，這些微處理器基于半導(dǎo)體晶體管（包括氧化物基憶阻器、自旋電子存儲(chǔ)器和閾值開關(guān)）或神經(jīng)形態(tài)基板（Billaudelle et al., 2020; Pfeil et al., 2013）制造，并集成到腦電路芯片中。這些硬件的基本物理組件由少量化學(xué)元素構(gòu)成，計(jì)算速度非常高，遠(yuǎn)高于大腦（見下文），盡管系統(tǒng)中兩個(gè)邏輯組件之間的信息傳遞需要經(jīng)過編碼、刷新和解碼的多個(gè)階段，而不僅僅是電信號(hào)的速度（在標(biāo)準(zhǔn)電路板中約為光速的一半）。相比之下，大腦由多個(gè)嵌套層次的組織構(gòu)成，其化學(xué)基本成分高度多樣，遠(yuǎn)比任何計(jì)算機(jī)硬件中的成分更為復(fù)雜。確實(shí)，像神經(jīng)形態(tài)系統(tǒng)這樣的計(jì)算模型可能被設(shè)計(jì)為考慮大腦組織的多層嵌套結(jié)構(gòu)（Boybat et al., 2018; Sandved-Smith et al., 2021; Wang et al., 2021），但事實(shí)仍然是，它們的主要結(jié)果是對(duì)大腦功能的有限模擬，而這些計(jì)算模型無法解釋人腦的生化多樣性及其藥理學(xué)特性，包括可能影響意識(shí)狀態(tài)和意識(shí)處理的疾?。≧aiteri, 2006）。事實(shí)上，大腦的高度生化多樣性可能在實(shí)現(xiàn)和調(diào)節(jié)意識(shí)處理方面發(fā)揮了作用（例如，通過精神藥物）。這種大腦生化多樣性在意識(shí)處理中的潛在作用應(yīng)進(jìn)一步探索，以便最終識(shí)別相關(guān)的架構(gòu)和功能原則，將其轉(zhuǎn)化為有意識(shí)的人工智能系統(tǒng)的開發(fā)。
在真實(shí)的大腦中，分子水平及其約束條件往往未被充分認(rèn)識(shí)，但起著關(guān)鍵作用。蛋白質(zhì)是關(guān)鍵組成部分。這些大分子由氨基酸鏈組成，以高度復(fù)雜的組織方式折疊，能夠?yàn)榘ùx物、神經(jīng)遞質(zhì)、脂類和DNA在內(nèi)的多種配體創(chuàng)建特定的結(jié)合位點(diǎn)。其中包含催化/降解細(xì)胞代謝關(guān)鍵反應(yīng)的酶、細(xì)胞骨架和運(yùn)動(dòng)元件、轉(zhuǎn)錄因子等DNA結(jié)合蛋白、離子通道，以及最重要的神經(jīng)遞質(zhì)受體和與之相互作用的許多藥理學(xué)試劑。地球上所有生物中不同蛋白質(zhì)的數(shù)量估計(jì)為。在人類大腦中，涉及認(rèn)知軌跡的蛋白質(zhì)數(shù)量為3.7103–3.933（Wingo et al., 2019），占總基因數(shù)（約20,000個(gè)）的重要部分。生物體內(nèi)的蛋白質(zhì)組分具有根本的異質(zhì)性，這對(duì)大腦代謝和調(diào)控做出了貢獻(xiàn)。這同樣適用于意識(shí)狀態(tài)及其多樣性的控制，如通過睡眠和覺醒的全局化學(xué)調(diào)節(jié)或?qū)е乱庾R(shí)改變狀態(tài)的多種藥物的多樣性來評(píng)估（Jékely, 2021）。在所有情況下，調(diào)節(jié)最終發(fā)生在蛋白質(zhì)層面。因此，在人類大腦中實(shí)現(xiàn)意識(shí)處理需要一個(gè)豐富且專用的生化環(huán)境，而當(dāng)前試圖生成人工意識(shí)處理的AI系統(tǒng)普遍缺乏這一環(huán)境：計(jì)算機(jī)沒有藥理學(xué)，也沒有神經(jīng)精神病學(xué)疾病。數(shù)據(jù)表明，分子組分在理解生命及生物意識(shí)處理中的重要性，這一點(diǎn)正日益被神經(jīng)科學(xué)和哲學(xué)領(lǐng)域所認(rèn)識(shí)（Aru et al., 2023; Godfrey-Smith, 2023; Seth, 2021; 2024; Thompson, 2018）。事實(shí)上，原則上，藥理因素對(duì)人類意識(shí)的關(guān)鍵作用并不排斥人工智能系統(tǒng)可能實(shí)現(xiàn)非人類形式的替代意識(shí)（Arsiwalla et al., 2023）。我們提到上述分子和藥理學(xué)條件的目的是識(shí)別當(dāng)前AI系統(tǒng)所缺乏的因素，這些因素可以作為推動(dòng)人工意識(shí)發(fā)展的靈感來源。
另一個(gè)與生物大腦和計(jì)算機(jī)不同物理架構(gòu)相關(guān)并目前使它們產(chǎn)生差異的因素是信息處理的速度。如前所述，大腦的信息處理速度低于聲速，而計(jì)算機(jī)的工作速度接近光速。這在計(jì)算機(jī)和大腦之間造成了信息傳播速度的不可逾越的差異。神經(jīng)沖動(dòng)的傳導(dǎo)速度可達(dá)120米/秒（取決于軸突的直徑），這在很大程度上是由于某些髓鞘化軸突中離子通道的變構(gòu)轉(zhuǎn)變所致。但突觸施加了額外的限制，導(dǎo)致毫秒級(jí)的延遲，包括神經(jīng)遞質(zhì)的局部擴(kuò)散和受體激活過程的變構(gòu)轉(zhuǎn)變（Burke et al., 2024）。由于這些連續(xù)延遲的累積，心理時(shí)間尺度通常在100毫秒左右（50–200毫秒）（Grondin, 2001）。最后，外圍感覺信號(hào)到達(dá)意識(shí)的時(shí)間延遲可能達(dá)到約300毫秒（Dehaene & Changeux, 2011）。簡(jiǎn)而言之，標(biāo)準(zhǔn)計(jì)算機(jī)處理信息的速度比人類大腦快多達(dá)8個(gè)數(shù)量級(jí)。對(duì)于高度標(biāo)準(zhǔn)化的任務(wù)（如下棋），預(yù)計(jì)計(jì)算機(jī)效率更高。這部分歸因于不同的計(jì)算策略，計(jì)算機(jī)能夠并行測(cè)試數(shù)百萬種可能性，而人類大腦在心理時(shí)間尺度內(nèi)只能測(cè)試少數(shù)幾種。因此，計(jì)算機(jī)能夠處理的數(shù)據(jù)量巨大，甚至超出了人類一生所能處理的范圍。
此外，盡管通過神經(jīng)形態(tài)系統(tǒng)取得了一些顯著改進(jìn)，包括每單位能耗的計(jì)算能力提升（Cramer et al., 2022; Esser et al., 2016; Goltz et al., 2021; Park et al., 2019），但人類大腦消耗的能量仍比標(biāo)準(zhǔn)計(jì)算機(jī)少幾個(gè)數(shù)量級(jí)，尤其在大規(guī)模模型（如GPT-4）的情況下更是如此。大腦不僅更節(jié)能，而且樣本效率更高：深度學(xué)習(xí)模型被認(rèn)為在樣本效率上不如人類學(xué)習(xí)，因?yàn)樗鼈冃枰罅坑?xùn)練數(shù)據(jù)才能在任務(wù)中達(dá)到人類水平的表現(xiàn)（Botvinick et al., 2019; Botvinick et al., 2020; Waldrop, 2019）。
因此，人工智能在模擬大腦過程方面的非凡成功主要?dú)w因于日益復(fù)雜的算法和計(jì)算機(jī)程序的處理速度。這種巨大的處理速度差異可能被解釋為反對(duì)人工意識(shí)的論據(jù)（Pennartz，2024）：由于人工智能比人腦處理更多數(shù)據(jù)且速度更快，可能并行處理數(shù)據(jù)對(duì)于人工智能完成那些在人類中需要整合（即有意識(shí)）過程的任務(wù)已經(jīng)足夠。事實(shí)上，有意識(shí)處理的一個(gè)關(guān)鍵特征是不同神經(jīng)元群體所處理信息的整合，最終形成一個(gè)多模態(tài)的統(tǒng)一體驗(yàn)。這種整合可以從根本上定義為一種由“點(diǎn)燃”活動(dòng)模式介導(dǎo)的表征廣播，即有序的神經(jīng)活動(dòng)模式（Mashour等，2020b）。從進(jìn)化的角度來看，由于生物內(nèi)在限制決定了感官模態(tài)的數(shù)量和復(fù)雜性，以及認(rèn)知與控制系統(tǒng)運(yùn)作的時(shí)間尺度，這種整合和廣播活動(dòng)服務(wù)于處理復(fù)雜信息的需求，即由多個(gè)元素組成、無法通過大腦并行處理的信息。在人工智能的情況下，其處理復(fù)雜信息的能力產(chǎn)生的整合與廣播并不與人腦處于相同水平或以相同方式進(jìn)行。實(shí)際上，現(xiàn)代人工智能系統(tǒng)高度模塊化，并基于表征的廣播，但這些模塊的特性及其整個(gè)AI系統(tǒng)并行計(jì)算能力的限制與人腦的特性顯著不同。
這一點(diǎn)可以通過質(zhì)量（即模塊能夠執(zhí)行的操作類型）和數(shù)量（即模塊能夠處理的數(shù)據(jù)量）來說明。從定性的角度來看，構(gòu)成AI系統(tǒng)的模塊多樣性可能體現(xiàn)在它們執(zhí)行的具體任務(wù)上，這可能接近于大腦可訪問的感官模態(tài)的多樣性，而這些模塊無法依賴賦予處理信息及其表征的不同情感價(jià)值，就像人腦能做到的那樣。這就是為什么，例如，深度卷積網(wǎng)絡(luò)最終只是“缺乏經(jīng)驗(yàn)內(nèi)容、想象力和環(huán)境整體感知的抽象概念集合”（Pennartz，2024）。因此，至少到目前為止，相比于人腦，AI模塊在性質(zhì)上有所不同，因?yàn)樗鼈儫o法賦予信息以體驗(yàn)價(jià)值。使用上述對(duì)訪問意識(shí)和現(xiàn)象意識(shí)的區(qū)別，模塊化的人工智能系統(tǒng)可能達(dá)到在不同模塊之間廣播信息的能力（即它們可能接近訪問意識(shí)），但目前看來它們似乎無法復(fù)制現(xiàn)象意識(shí)處理或主觀體驗(yàn)。Dehaene、Lau和Kouider提出了類似的解釋（Dehaene等，2017）。他們得出結(jié)論認(rèn)為，當(dāng)前的人工智能系統(tǒng)可能具備全局信息可用性（即選擇、訪問和報(bào)告信息的能力），但缺乏更高層次的元認(rèn)知能力（即自我監(jiān)控和信心評(píng)估的能力）（Lou等，2016）。
這種解釋與人工智能中注意力和訪問意識(shí)的實(shí)現(xiàn)及（當(dāng)前）工程設(shè)計(jì)現(xiàn)象意識(shí)的不可能性之間的區(qū)別相一致。同樣，Montemayor（2023）指出，現(xiàn)有人工智能系統(tǒng)僅限于滿足認(rèn)知需求的表征價(jià)值，而當(dāng)前人工智能沒有道德和審美需求的體驗(yàn)，這些需求基于現(xiàn)象意識(shí)和主觀意識(shí)的內(nèi)在價(jià)值。
從定量的角度來看，人工智能系統(tǒng)的存儲(chǔ)能力和計(jì)算能力遠(yuǎn)超人腦，以至于它最終能夠在完全無意識(shí)的層面上執(zhí)行在人類中需要有意識(shí)努力才能完成的相同任務(wù)。事實(shí)上，有意識(shí)處理可以被視為一種進(jìn)化策略，用于增強(qiáng)具有有限記憶存儲(chǔ)和數(shù)據(jù)處理能力的生物系統(tǒng)的生存能力。
總之，不同的質(zhì)量和數(shù)量限制導(dǎo)致了不同的操作（有意識(shí)與無意識(shí)）。有趣的是，當(dāng)對(duì)一個(gè)人工模型應(yīng)用“正確類型的限制”時(shí)，某些屬性可能會(huì)作為結(jié)果發(fā)展出來（Ali等，2022）?？赡苡幸庾R(shí)處理作為一種必要性是從人腦受限的計(jì)算能力中衍生出來的。
一個(gè)額外的問題是，是什么仍然使大腦在心理時(shí)間尺度上直至有意識(shí)處理表現(xiàn)出高性能。答案主要在于硬件架構(gòu)，而這反過來又可能影響生物大腦能夠進(jìn)行的計(jì)算類型。在大腦中，神經(jīng)元及其神經(jīng)突以及它們復(fù)雜的連接性遠(yuǎn)比理想化的人工神經(jīng)元復(fù)雜得多。生物神經(jīng)元起源于確定的超分子組裝體，這些組裝體創(chuàng)造了重要的化學(xué)復(fù)雜性和細(xì)胞類型的多樣性（可能多達(dá)上千種），神經(jīng)元類型也因形狀、軸突-樹突分支和它們建立的連接而不同。一個(gè)重要的化學(xué)差異是它們合成和釋放的神經(jīng)遞質(zhì)（多達(dá)數(shù)百種）（Jékely，2021）。
根據(jù)它們釋放的神經(jīng)遞質(zhì)，可以區(qū)分出兩類主要的神經(jīng)元（即興奮性與抑制性）。要通過簡(jiǎn)單的有意識(shí)任務(wù)，比如前面提到的追蹤與延遲條件反射，需要多個(gè)疊加的組織層級(jí)，而且興奮性和抑制性神經(jīng)元的貢獻(xiàn)似乎都是必要的（Grover等，2022；Volzhenin等，2022）。確實(shí)，在深度網(wǎng)絡(luò)的情況下，權(quán)重矩陣包含盡可能多的負(fù)（抑制性）條目和正（興奮性）條目，并且存在包括興奮性和抑制性神經(jīng)元的神經(jīng)生物學(xué)上合理的反向傳播算法用于深度神經(jīng)網(wǎng)絡(luò)（Guerguiev等，2017；Lillicrap等，2020；Scellier & Bengio，2017；Whittington & Bogacz，2017），但是，正如上面提到的，生物神經(jīng)元類型的多樣性如此之大，以至于我們尚未完全理解它，所以這些計(jì)算算法可能最終會(huì)遺漏大腦中對(duì)意識(shí)處理至關(guān)重要的架構(gòu)和功能細(xì)節(jié)。
抑制性神經(jīng)元和興奮性神經(jīng)元構(gòu)成了基本的神經(jīng)網(wǎng)絡(luò)層級(jí)，而這些網(wǎng)絡(luò)本身又構(gòu)建了更高層次的嵌套神經(jīng)元網(wǎng)絡(luò)，以此類推。這種復(fù)雜的連接組學(xué)關(guān)系可能對(duì)認(rèn)知功能甚至意識(shí)的產(chǎn)生有所貢獻(xiàn)。例如，一種基于樹突整合自下而上和自上而下數(shù)據(jù)流的細(xì)胞意識(shí)理論被提出（Aru等，2020），這些數(shù)據(jù)流起源于丘腦-皮層神經(jīng)回路。即使存在例外（特別是在使用皮層微電路的神經(jīng)形態(tài)硬件中，如Haider等，2021；Max等，2023；Senn等，2023），但這種硬件復(fù)雜性在大多數(shù)最精密的超級(jí)計(jì)算機(jī)中通常是缺失的。此外，像大型語言模型（LLMs）這樣的系統(tǒng)確實(shí)表現(xiàn)出一些新興能力，這些能力可能源自其學(xué)習(xí)權(quán)重中存在的新興結(jié)構(gòu)。事實(shí)上，在架構(gòu)層面，它們被組織為大量層級(jí)，這潛在地允許某種組織形式（即分層、嵌套和多層次），而在大腦中，這些組織形式被認(rèn)為對(duì)意識(shí)處理起著至關(guān)重要的作用。因此，我們?cè)瓌t上不能排除大型人工智能系統(tǒng)有可能發(fā)展出某些形式的意識(shí)處理能力，其特性由AI系統(tǒng)的結(jié)構(gòu)和功能組織的具體組成部分所塑造。
總之，大腦的分層、嵌套和多層次組織表明了一些當(dāng)前人工智能僅部分模擬的架構(gòu)和功能特征，我們認(rèn)為這些特征應(yīng)進(jìn)一步闡明并加以工程化，以推動(dòng)向開發(fā)有意識(shí)的人工智能邁進(jìn)。這些特征包括大規(guī)模的生化和神經(jīng)元多樣性（例如，興奮性與抑制性神經(jīng)元、連接組學(xué)關(guān)系、回路、丘腦-皮層環(huán)路）以及層級(jí)之間的各種自下而上/自上而下的調(diào)節(jié)機(jī)制。除此之外，這些組織特征限制了大腦中信息處理的速度，比人工智能慢幾個(gè)數(shù)量級(jí)：這種差異最終可能使得人工智能在執(zhí)行那些對(duì)人類而言需要意識(shí)努力的任務(wù)時(shí)，并不需要依賴意識(shí)處理。
4. 進(jìn)化：從大腦架構(gòu)到文化
4.1. 大腦的遺傳基礎(chǔ)與表觀遺傳發(fā)展
人類制造的計(jì)算機(jī)由預(yù)先連接的組件串聯(lián)而成，這些組件被剛性地組合成具有相同硬件的、基本時(shí)間不變的機(jī)器。另一方面，大腦的“硬件”是在達(dá)爾文進(jìn)化過程中從海綿逐步演化到人類大腦的，經(jīng)歷了多步選擇，導(dǎo)致其架構(gòu)和行為能力的復(fù)雜性逐漸增加（Kelty-Stephen等，2022）。這種選擇發(fā)生在本質(zhì)上不同的環(huán)境條件下，包括物理、社會(huì)以及可能的文化因素。因此，新的層級(jí)在舊的層級(jí)之上嵌套形成，而無需理性的（即可預(yù)測(cè)的）關(guān)系。大腦的架構(gòu)因此概括了其進(jìn)化歷史中的多重事件，它并非像人工智能系統(tǒng)那樣是理性設(shè)計(jì)的結(jié)果，而是可以被視為人類導(dǎo)向文化進(jìn)化的最終產(chǎn)物（可能包括變異和選擇過程）（Mesoudi等，2013；Solé等，2013；Valverde，2016）。
此外，基因組水平上的大腦進(jìn)化結(jié)果表明，如果每個(gè)新獲得的能力都建立在先前能力的基礎(chǔ)之上，那么在整個(gè)進(jìn)化過程中可能會(huì)發(fā)生強(qiáng)烈的基因組保守性。例如，果蠅的基因組與人類基因組有60%的同源性，約75%的人類疾病相關(guān)基因在果蠅中有同源基因（Ugur等，2016）。在此背景下，人類大腦的形成基于少數(shù)遺傳事件（大多尚未完全識(shí)別），并未涉及基因組的劇烈重組。然而，這些變化足以使遠(yuǎn)距離丘腦皮層區(qū)域之間的信息廣播（即全局神經(jīng)工作空間（GNW））得以出現(xiàn)，并使意識(shí)獲得了成人人類大腦的具體特征（Changeux等，2021；Hublin & Changeux，2022）。
為了擺脫限制達(dá)爾文進(jìn)化的保守遺傳糾纏（在古生物學(xué)時(shí)間尺度上為數(shù)百萬年），一種更快（天、小時(shí)級(jí)別）的非遺傳進(jìn)化形式得以發(fā)展。這種進(jìn)化發(fā)生在出生后的發(fā)展階段（人類約為25年），在此期間約一半的突觸連接總數(shù)形成并塑造了成人人類大腦的連接組學(xué)“硬件”。CCD理論（Changeux等，1973）正式解釋了這種表觀遺傳進(jìn)化，該理論依賴于發(fā)育中的神經(jīng)元間連接的可變性和選擇-消除過程，這些過程形式上類似于通過變異-選擇進(jìn)行的達(dá)爾文式進(jìn)化（Changeux & Danchin，1976；Edelman & Mountcastle，1978；Kasthuri & Lichtman，2003）。大腦的發(fā)育——從新生兒到成人——以多步驟嵌套分層的形式進(jìn)行，由一系列突觸生長和選擇波次驅(qū)動(dòng)。這成為了一種機(jī)制，用于存儲(chǔ)在出生后發(fā)展中大腦與其物理、社會(huì)和文化環(huán)境互動(dòng)所產(chǎn)生的巨量長期記憶。該模型解釋了人類大腦的一個(gè)具有巨大社會(huì)意義的特性（Evers，2015），但這一特性在神經(jīng)科學(xué)中卻被嚴(yán)重低估：成人大腦連接性的表觀遺傳變異性。根據(jù)CCD變異性定理，“不同的學(xué)習(xí)輸入可能產(chǎn)生不同的連接組織和神經(jīng)元功能能力，但具有相同的行為能力”。因此，神經(jīng)元連接代碼表現(xiàn)出“退化性”（Edelman & Gally，2001；Edelman & Mountcastle，1978；Tononi等，1999），即不同的代碼詞（連接模式）可能攜帶相同的意義（功能）。這種變異性與發(fā)育過程中遇到的多樣化經(jīng)驗(yàn)的變異性疊加在基因組變異性之上。最終，每個(gè)人的歷史都被整合到大腦的硬件中。這種本質(zhì)的變異性甚至存在于同基因個(gè)體的大腦之間，與工業(yè)計(jì)算機(jī)硬件的可重復(fù)性形成了鮮明對(duì)比，盡管在特定任務(wù)訓(xùn)練中或部分模擬神經(jīng)形態(tài)計(jì)算機(jī)中也可能存在有限的變異性。
人類出生后發(fā)展期的延長在突觸選擇理論框架下具有重要影響，因?yàn)樗鼘?dǎo)致了個(gè)體經(jīng)驗(yàn)和文化的獲取與傳播在社會(huì)環(huán)境中發(fā)生。閱讀和寫作能力的獲取可以被視為大腦硬件中表觀遺傳發(fā)展的“文化回路”的典型例子。對(duì)文盲與識(shí)字者的比較行為和腦成像研究揭示了大腦功能連接組學(xué)的顯著差異（Castro-Caldas等，1998；Dehaene等，2010）。文化能力在每一代中從成人到兒童自發(fā)且必然地學(xué)習(xí)，并通過表觀遺傳方式代代相傳，甚至從母親子宮內(nèi)開始，直到成年階段。這種文化的自發(fā)生成目前在計(jì)算機(jī)中尚無意義，盡管大型語言模型（LLMs）可能實(shí)現(xiàn)類似的動(dòng)態(tài)（https://arxiv.org/pdf/2402.11271.pdf）。事實(shí)上，AI（如LLMs）可能在大量數(shù)據(jù)上進(jìn)行預(yù)訓(xùn)練，這可以被解釋為一種文化獲取形式。然而，這與人類的文化獲取存在關(guān)鍵區(qū)別，后者不能被簡(jiǎn)化為被動(dòng)的數(shù)據(jù)接收，而是個(gè)體之間以及世代之間對(duì)所接收到的數(shù)據(jù)進(jìn)行創(chuàng)造性再加工的過程。這些動(dòng)態(tài)取決于大腦并非信息的被動(dòng)存儲(chǔ)庫：同樣的信息可能對(duì)不同大腦或同一大腦在不同時(shí)間產(chǎn)生不同的影響，因?yàn)楦兄艿酱竽X自發(fā)活動(dòng)的調(diào)節(jié)，這種活動(dòng)不僅僅是系統(tǒng)內(nèi)部運(yùn)作中的噪聲（見下文）。作為文化進(jìn)化的重大后果之一，與象征體驗(yàn)和情感標(biāo)記相關(guān)的技能和實(shí)踐（如理性思維（科學(xué)）、行為準(zhǔn)則（倫理）和共同感受（藝術(shù)））在大腦連接性中被穩(wěn)定地表觀遺傳內(nèi)化，并成為某些群體獨(dú)有的特性。文化差異在不同人群之間產(chǎn)生，并在人類物種的歷史中產(chǎn)生了重要影響。它們?yōu)椴嫉隙蛩Q的主體“習(xí)性”做出了貢獻(xiàn)：內(nèi)化的感知、行動(dòng)和評(píng)估的常規(guī)模式，往往持續(xù)一生（Changeux，2006）。這種通過具身程序動(dòng)力學(xué)逐步習(xí)得的傳感器運(yùn)動(dòng)序列模式的規(guī)律性，在符號(hào)系統(tǒng)和LLMs中缺乏，但在當(dāng)前的具身AI/機(jī)器人研究中正在探索（Gupta等，2021）。此外，設(shè)計(jì)用于控制機(jī)器人代理的網(wǎng)絡(luò)已被設(shè)計(jì)為遵循類似“突觸”生長、變異和選擇的進(jìn)化過程（Miglino等，1995；Nolfi等，1994）。更重要的是，超參數(shù)調(diào)整在現(xiàn)代AI中已成為標(biāo)準(zhǔn)，包括改變網(wǎng)絡(luò)結(jié)構(gòu)、層數(shù)及其性質(zhì)、反饋回路、稀疏性、激活函數(shù)、感受野等。近年來，進(jìn)化方法明確成為現(xiàn)代建模研究的一部分（Jordan等，2021）。
總之，盡管在許多AI技術(shù)中實(shí)施進(jìn)化方法方面取得了近期進(jìn)展（如上所述），當(dāng)今AI仍然缺乏與人類大腦嚴(yán)格同源的進(jìn)化發(fā)展。
4.2. 人工智能與進(jìn)化：對(duì)人工意識(shí)的影響
人類類似的進(jìn)化過程的缺失是否是人工智能實(shí)現(xiàn)類似人類的意識(shí)處理的一個(gè)障礙？盡管人工智能缺乏嚴(yán)格的系統(tǒng)發(fā)生學(xué)進(jìn)化（因?yàn)樗怯扇祟愔圃斓模赡芫哂袀€(gè)體發(fā)生學(xué)的發(fā)展（例如，通過無監(jiān)督學(xué)習(xí)），這在原則上可以使人工智能獲得開發(fā)者最初未編程的能力。例如，深度強(qiáng)化學(xué)習(xí)系統(tǒng)便是如此（Silver等，2018；Vinyals等，2019）。
我們能否說這種形式的人工智能能夠從經(jīng)驗(yàn)中學(xué)習(xí)，并因此發(fā)展出一種人工形式的“習(xí)性”、“氣質(zhì)”和“性格”？事實(shí)上，深度強(qiáng)化學(xué)習(xí)系統(tǒng)包括來自處理數(shù)據(jù)的各種反饋和錯(cuò)誤信號(hào)，這些信號(hào)結(jié)合短期和長期記憶能力，可以被解釋為一種經(jīng)驗(yàn)形式。
那么表觀遺傳和文化進(jìn)化呢？盡管最近有一些關(guān)于文化進(jìn)化的計(jì)算研究表明，人工智能代理可以相互共享信息并學(xué)習(xí)執(zhí)行任務(wù)（arXiv:2206.05060）（Colas等，2022），但現(xiàn)階段人工智能大多缺乏與人類同源的表觀遺傳發(fā)展。由于人類的經(jīng)驗(yàn)和文化來源于表觀遺傳，因此可以基本推斷，人工智能（仍然）缺乏經(jīng)驗(yàn)與文化，至少?zèng)]有達(dá)到與人類相同種類和復(fù)雜程度的經(jīng)驗(yàn)與文化。
進(jìn)化分析（Kanaev，2022）以及對(duì)人類新生兒發(fā)育數(shù)據(jù)的研究（Lagercrantz & Changeux，2009，2010）表明，人類的“意識(shí)處理”是逐步發(fā)展的（Changeux，2006，2017）。
(i) 最低層次的“最小意識(shí)”：簡(jiǎn)單生物（如大鼠或小鼠）表現(xiàn)出的特征是能夠展示自發(fā)運(yùn)動(dòng)活動(dòng)，并從視覺和聽覺體驗(yàn)中創(chuàng)建表征，將其存儲(chǔ)在長期記憶中并加以使用，例如用于趨近或回避行為以及所謂的探索行為。根據(jù)Lagercrantz（2016）的說法，25-30周的早產(chǎn)胎兒已經(jīng)達(dá)到類似于（盡管不完全相同）新生大鼠/小鼠的大腦成熟階段；他/她可以在感覺皮層中處理觸覺和疼痛刺激（Bartocci等，2006），感知疼痛，從而顯示出最小意識(shí)的跡象。
(ii) “遞歸意識(shí)”（Zelazo等，2004）：存在于綠猴（可能還包括一些鳥類中），表現(xiàn)為對(duì)物體的功能性使用和原聲明式指向；這一層次的生物可能展示復(fù)雜的社交互動(dòng)、模仿、社會(huì)參照和共同注意；它們有能力同時(shí)在記憶中保持多個(gè)心理表征，并能夠評(píng)估自我關(guān)系；它們?cè)谔幚肀碚鲿r(shí)表現(xiàn)出遞歸性的初級(jí)形式，但尚未達(dá)到相互理解的程度；沿此方向，新生兒表現(xiàn)出感官意識(shí)、表達(dá)情感的能力以及處理心理表征的能力（例如奶嘴的表征）；他/她已經(jīng)能夠區(qū)分自我和非自我的觸碰（Rochat，2003）。
(iii) 顯式的“自我意識(shí)”：在嬰兒兩歲末期發(fā)展起來，伴隨著工作記憶和情景記憶以及語言的一些基本方面；其特征是在鏡子測(cè)試中的自我識(shí)別，并能夠使用單一任意規(guī)則進(jìn)行自我-他人區(qū)分（Lou等，2017；Posner & Rothbart，2007）；某種程度上，黑猩猩可能達(dá)到這一水平（Boakes，1984）。
(iv) “反思意識(shí)”、心智理論和完整的意識(shí)體驗(yàn)：具備第一人稱本體論和可報(bào)告性，在人類中完全發(fā)展，并在兒童3-5歲時(shí)逐漸形成。
在出生時(shí)，所有主要的長距離纖維束已經(jīng)就位（Dubois等，2015），盡管仍然不成熟。在5個(gè)月、12個(gè)月和15個(gè)月大的嬰兒中記錄到了與成人GNW點(diǎn)燃同源的意識(shí)處理的電生理特征（Dehaene-Lambertz & Spelke，2015；Kouider等，2013）。
簡(jiǎn)而言之，主觀體驗(yàn)可以說來源于時(shí)間延展的表觀遺傳發(fā)展過程（即大腦連接組的變化，最終改變了大腦網(wǎng)絡(luò)中神經(jīng)元的數(shù)量及其連接）。換句話說，意識(shí)是一個(gè)過程，它依賴于并受到有機(jī)體（尤其是其大腦）與環(huán)境之間（或多或少）時(shí)間延展的互動(dòng)所塑造。
目前的人工智能只有有限形式的這種互動(dòng)發(fā)展，這意味著信息的社會(huì)和情感意義及價(jià)值在人工智能中大多缺失或僅有限存在。事實(shí)上，人工智能無法體驗(yàn)世界，也沒有心智理論（Pennartz，2024）：數(shù)字人工智能以不同于人類的格式處理信息，這使得人工智能能夠訪問的世界與人類能夠訪問的世界顯著不同。有關(guān)模擬計(jì)算和人工智能的研究原則上可能使其發(fā)展出更類似人類的體驗(yàn)，但結(jié)果仍處于初步階段。
此外，鑒于意識(shí)發(fā)展的這些不同可能階段，開發(fā)人工意識(shí)處理的嘗試應(yīng)明確其目標(biāo)的具體階段。
到目前為止，包括神經(jīng)形態(tài)方法在內(nèi)的各種人工智能預(yù)計(jì)不會(huì)表現(xiàn)出人類完全意識(shí)體驗(yàn)的所有特征。然而，它們可能具備某些標(biāo)志性特征，例如持續(xù)的工作記憶痕跡、全局整合和決策能力。它們可能達(dá)到我們所稱的“最小意識(shí)”水平，或者可能具備“遞歸意識(shí)”的某些特征，但目前看來，“自我意識(shí)”或“反思意識(shí)”似乎無法在人工系統(tǒng)中實(shí)現(xiàn)。
另一種可能性是，同一個(gè)人工意識(shí)假設(shè)系統(tǒng)可以被視為處于逐步發(fā)展的過程中。盡管這不是人工智能的主要趨勢(shì)，但艾倫·圖靈早在1950年就提出將發(fā)展視為創(chuàng)建和教導(dǎo)人工智能的一種范式，就像我們可以教導(dǎo)一個(gè)孩子一樣。
總之，當(dāng)前的人工智能系統(tǒng)，特別是模擬特定大腦計(jì)算模型的神經(jīng)擬態(tài)機(jī)器人系統(tǒng)，在從同一計(jì)算模型的功能組織中產(chǎn)生變異性方面受到限制，而這種變異性是達(dá)爾文生物進(jìn)化和通過選擇與放大機(jī)制進(jìn)行表觀遺傳發(fā)展的結(jié)果。此外，當(dāng)前的人工智能系統(tǒng)缺乏大腦漫長的出生后發(fā)展過程，這一過程導(dǎo)致了來自物理、生物和社會(huì)文化環(huán)境的多層嵌套表觀遺傳突觸選擇（作為“印記”）。由于大腦特有的突觸選擇達(dá)爾文機(jī)制，不同的連接模式可能承載相同的功能，從而導(dǎo)致可塑性、個(gè)體差異和創(chuàng)造力。
這意味著，迄今為止，人工智能在類似人類大腦的進(jìn)化和表觀遺傳發(fā)展方面的能力有限。僅憑這一點(diǎn)，我們不能從理論上排除深度強(qiáng)化學(xué)習(xí)系統(tǒng)有一天可能會(huì)以一種可以描述為與環(huán)境的表觀遺傳關(guān)系的方式對(duì)學(xué)習(xí)和經(jīng)驗(yàn)作出反應(yīng)。然而，對(duì)于旨在提取意識(shí)處理潛在原則并將其復(fù)制到人工系統(tǒng)中的理論計(jì)算方法而言，這可能也是一個(gè)限制（Blum & Blum，2023）。
從這個(gè)角度來看，大型語言模型（LLMs）的局限性在于，它們目前缺乏人類通過身體介導(dǎo)的對(duì)世界的多維和多感官表征，因此它們本質(zhì)上接觸到的知識(shí)是有限且扭曲的，最終不足以實(shí)現(xiàn)對(duì)世界的多模態(tài)（即有意識(shí)的）表征。機(jī)器人技術(shù)，包括最近與LLMs的結(jié)合（Zhang等，2023），以及神經(jīng)形態(tài)人工智能，有望為AI提供一種具身形式，這在原則上可以實(shí)現(xiàn)人工的多模態(tài)體驗(yàn)。例如，在具備自我監(jiān)控能力的機(jī)器人系統(tǒng)上已經(jīng)取得了顯著成果，這種能力至少復(fù)制了人類自我意識(shí)的某些方面（Chella等，2008），特別是依賴于內(nèi)心語言的能力（Chella等，2020；Pipitone & Chella，2021）。
然而，AI在其與世界互動(dòng)中顯然缺乏任何情感投入的問題依然存在。鑒于由具身特性（如情緒）所介導(dǎo)的人類有機(jī)體的評(píng)估能力在意識(shí)體驗(yàn)中的重要作用，這種缺乏可能成為通往有意識(shí)AI道路上需要進(jìn)一步研究并克服的潛在障礙。
總之，當(dāng)前AI僅部分實(shí)現(xiàn)、而當(dāng)前關(guān)于意識(shí)AI的研究應(yīng)嘗試更好模擬的大腦特征包括：對(duì)世界的具身化感官運(yùn)動(dòng)體驗(yàn)、大腦的自發(fā)活動(dòng)（這不僅僅是像當(dāng)前AI系統(tǒng)中的簡(jiǎn)單噪聲）、自創(chuàng)生（作為不斷自我實(shí)現(xiàn)的能力）以及基于情緒的獎(jiǎng)勵(lì)系統(tǒng)。
6. 大腦中的有意識(shí)與無意識(shí)處理，或“思維實(shí)體”與“物質(zhì)實(shí)體”
上述提到的自發(fā)活動(dòng)對(duì)于區(qū)分有意識(shí)和無意識(shí)處理具有重要意義，這一區(qū)分早在笛卡爾通過提出“思維實(shí)體”（res cogitans）與“物質(zhì)實(shí)體”（res extensa）時(shí)便已暗示。這兩個(gè)概念在非二元論背景下被明確表述，體現(xiàn)在使用相同術(shù)語“res”上（Changeux & Ricoeur，1998）。用現(xiàn)代術(shù)語來說，這意味著有意識(shí)表征在“物理”或生理層面上與無意識(shí)表征不同。為了區(qū)分兩者，引入了掩蔽任務(wù)。當(dāng)一個(gè)表征——例如，在視覺通路中——從V1區(qū)域傳遞到顳葉皮層時(shí)，無意識(shí)表征會(huì)被捕獲，直到刺激呈現(xiàn)后約200至300毫秒時(shí)出現(xiàn)活動(dòng)的突然發(fā)散。當(dāng)刺激變得有意識(shí)時(shí)，會(huì)出現(xiàn)額外活動(dòng)的強(qiáng)烈激增并廣泛傳播，尤其是在到達(dá)前額葉和頂葉皮層時(shí)（成為“現(xiàn)象性”的）。這種非線性發(fā)散被稱為“點(diǎn)燃”（Dehaene & Changeux，2005），并且無論使用何種刺激模態(tài)或操縱意識(shí)的范式都會(huì)發(fā)生（Del Cul等，2009；Klatzmann等，2023；Mashour等，2020a）。即使在沒有外部刺激的情況下，也可以記錄到自發(fā)的點(diǎn)燃（Koukouli等，2016；Moutard等，2015）。
在全局工作空間架構(gòu)中的首次點(diǎn)燃模擬（Dehaene & Changeux，2005；Dehaene等，2003）已經(jīng)強(qiáng)調(diào)了長距離遞歸連接和自上而下連接在維持長時(shí)間持續(xù)點(diǎn)燃中的關(guān)鍵作用：當(dāng)感官刺激被有意識(shí)地感知時(shí)，會(huì)出現(xiàn)更穩(wěn)定的活動(dòng)（Schurger等，2015）。最近，Klatzmann等人（2023）提出，AMPA受體介導(dǎo)的興奮性電流的快速起始和終止可能幫助感覺區(qū)域快速對(duì)外部刺激的變化作出反應(yīng)（Self等，2012；Yang等，2018），但刺激之后，NMDA受體的緩慢時(shí)間常數(shù)有助于在前額葉皮層和GNW中維持特定于刺激的活動(dòng)（Wang，1999；Wang等，2013）。這進(jìn)一步說明了大腦生化多樣性在有意識(shí)處理中的相關(guān)性（見上文）。
當(dāng)處于有意識(shí)狀態(tài)時(shí)，“表征”表現(xiàn)出獨(dú)特的特性。例如，它們具有的聯(lián)想特性使它們能夠組織成鏈條，并構(gòu)建出人類、猴子甚至可能計(jì)算機(jī)中不存在的推理形式。經(jīng)典解釋是，猴子的工作記憶非常淺（精確為1-2，黑猩猩為2.1），而人類的工作記憶則遠(yuǎn)高于此（7±2）。更重要的是，有意識(shí)表征具有獨(dú)特的神經(jīng)組織方式，使其能夠建立“物理鏈接”形成一個(gè)序列，該序列能夠整合每個(gè)組成部分的意義并產(chǎn)生全局意義。在此基礎(chǔ)上（盡管仍大部分未被探索），應(yīng)該能夠構(gòu)建句子、提出推理、解釋語言生成性（即生成從未說過的新句子并理解從未聽過的新句子的能力），以及遞歸性（即將一個(gè)成分嵌套到同類型另一個(gè)成分內(nèi)部并構(gòu)建一棵樹、一個(gè)語言元素或可重復(fù)使用的語法結(jié)構(gòu)的能力）。在所有這些例子中，皮層和非皮層神經(jīng)元都會(huì)通過獎(jiǎng)勵(lì)系統(tǒng)的廣泛選擇參與其中。
最近有人聲稱大型語言模型（LLMs）具備這些能力，特別是句法語言生成性。這取決于語言生成和理解的概念如何定義。LLMs可以基于統(tǒng)計(jì)模式生成新詞組合，并識(shí)別這些詞之間的聯(lián)系。這種語言生成和理解是句法性的，獨(dú)立于語義（即可能通過選擇性獎(jiǎng)勵(lì)賦予意義），而這正是人類語言生成和理解的特點(diǎn)（Bennett，2023；Marcus & Davis，2019）。即使LLMs能夠完全模擬語義連貫的人類生成語言，它們也采用與人腦不同的策略，且不包括通常意義上的意義理解（Wolfram，2023）。
同樣的情況可能適用于推理和創(chuàng)造力。盡管這些特性的細(xì)節(jié)在人腦中仍有待澄清，但數(shù)據(jù)一致表明內(nèi)在和外在獎(jiǎng)勵(lì)在選擇和穩(wěn)定創(chuàng)造性任務(wù)（如藝術(shù)創(chuàng)作）相關(guān)的神經(jīng)元配置中起著核心作用（Changeux，2019）。此外，“退化性”原則（即許多神經(jīng)元組合可能導(dǎo)致相同的功能結(jié)果）是人腦可塑性和創(chuàng)造力的基礎(chǔ)，而在人工智能中這一點(diǎn)似乎顯著受限，盡管神經(jīng)網(wǎng)絡(luò)剪枝和神經(jīng)形態(tài)硬件取得了一些相關(guān)成果。
總之，可以幫助當(dāng)代開發(fā)有意識(shí)AI系統(tǒng)的大腦特征包括：有意識(shí)與無意識(shí)表征之間的清晰區(qū)分（例如通過點(diǎn)燃現(xiàn)象劃分），以及由此產(chǎn)生的有意識(shí)表征的獨(dú)特聯(lián)想特性；大腦的語義能力，這體現(xiàn)在符號(hào)理解及互助能力上；有意識(shí)表征的獨(dú)特關(guān)聯(lián)特性，將其組織成有意義的序列，最終發(fā)展出推理和理性思維能力。
7. 人工智能意識(shí)與社會(huì)互動(dòng)對(duì)理性思維和語言的挑戰(zhàn)
從進(jìn)化和神經(jīng)科學(xué)數(shù)據(jù)出發(fā)，我們已在上文列舉了人工智能研究在嘗試推進(jìn)人工意識(shí)開發(fā)時(shí)可能需要考慮的一系列特征。我們所概述的當(dāng)前人工智能的一些局限性已被其他作者指出，例如具身性、情感和動(dòng)機(jī)在機(jī)器意識(shí)中的作用，以及機(jī)器人體驗(yàn)的問題（Chella & Manzotti，2009；Montemayor，2023），而其他一些問題則較少被探討。其中，個(gè)體在社會(huì)群體中互動(dòng)的能力引發(fā)了許多人類特有的傾向，包括心智理論、文化體驗(yàn)和倫理責(zé)任。
原則上，人工智能構(gòu)造具有不同于生物系統(tǒng)的物理結(jié)構(gòu)和功能組織（即使是可能有意識(shí)的生物系統(tǒng)，例如人類與其他物種，包括果蠅（Grover等，2022）），這并不意味著人工智能系統(tǒng)無法或不能變得有意識(shí)。上述分析揭示了一些數(shù)據(jù)表明與人腦中有意識(shí)處理相關(guān)的因素，但這不足以得出這些因素是人類、其他生物系統(tǒng)或人工系統(tǒng)中有意識(shí)處理的必要條件。值得注意的是，人工形式意識(shí)的實(shí)際存在問題是重要的實(shí)證問題：我們需要可靠的指標(biāo)來識(shí)別人工智能系統(tǒng)中的非生物意識(shí)處理（Bayne等，2024；Dung，2023；Pennartz等，2019）。然而，這一挑戰(zhàn)不僅是實(shí)證性的，也是概念性的：我們?nèi)绾胃拍罨环N非生物形式的有意識(shí)處理？我們通常用來指代意識(shí)的語言和概念類別可能并不合適（例如，它們過于擬人化和以人為中心），應(yīng)該被替代。正如Pennartz等人（2019）所述，我們可以使用相同的術(shù)語并相應(yīng)擴(kuò)展其應(yīng)用范圍，或者我們可以創(chuàng)造一個(gè)新術(shù)語來指代機(jī)器。這種選擇在認(rèn)知層面上非常重要。事實(shí)上，“語言創(chuàng)新必須有充分的理由以避免概念膨脹。然而，如果我們過于受制于常用的傳統(tǒng)用法，就會(huì)阻礙新思想的發(fā)展。我們的語言需要進(jìn)化，以便能夠表達(dá)新的思想、知識(shí)和規(guī)范體系。”（Pennartz等，2019）
我們無意重新發(fā)明術(shù)語，而是希望推薦在將意識(shí)概念應(yīng)用于人工智能時(shí)改進(jìn)術(shù)語和概念的清晰度。這種需求可以被視為新技術(shù)發(fā)展導(dǎo)致概念適應(yīng)更廣泛呼吁的一部分，正如概念工程中所表達(dá)的那樣（Hopster & Lohr，2023）。我們建議的另一個(gè)具體理由源于意識(shí)的多維性，這對(duì)任何試圖開發(fā)人工意識(shí)的努力都至關(guān)重要，即明確目標(biāo)是哪一維度和/或哪種形式的意識(shí)。雖然將注意力和智能等其他心理術(shù)語擴(kuò)展到非人類動(dòng)物和人工智能系統(tǒng)可能比意識(shí)顯得不那么成問題，但在將任何心理術(shù)語應(yīng)用于人工智能時(shí)，我們需要區(qū)分兩個(gè)語義維度：認(rèn)識(shí)論維度（即該術(shù)語所指特征的本質(zhì)是什么？）和功能維度（即該術(shù)語所指特征如何運(yùn)作？其相關(guān)架構(gòu)是什么？即結(jié)構(gòu)與功能的適當(dāng)組合）。雖然將第一個(gè)維度擴(kuò)展到人工智能存在問題，但只要能夠在適當(dāng)?shù)囊?guī)?；蚣?xì)節(jié)水平上復(fù)制相關(guān)結(jié)構(gòu)和功能，則第二個(gè)維度的擴(kuò)展可能更為直接，如上文所述。無論如何，基于神經(jīng)科學(xué)的語言和概念發(fā)展似乎是有道理的。
總之，在將意識(shí)歸因于人工智能時(shí)需要謹(jǐn)慎，特別是在進(jìn)行這種歸因時(shí)改進(jìn)概念的清晰度。這不僅僅是溝通的問題，還涉及思想發(fā)展的過程，因?yàn)檎Z言在認(rèn)識(shí)論上塑造思想（即我們能思考和知道什么）和規(guī)范性上塑造思想（即我們所發(fā)展的價(jià)值觀）。因此，這些問題為我們提出了需要做出的概念選擇，這些選擇既要在哲學(xué)上（就清晰度、簡(jiǎn)潔性和邏輯一致性而言）也要在實(shí)證上（就科學(xué)依據(jù)、實(shí)驗(yàn)驗(yàn)證和解釋力而言）進(jìn)行。
8. 結(jié)論
我們?cè)诖嘶仡櫫舜竽X的一些結(jié)構(gòu)、進(jìn)化和功能特征，這些特征在實(shí)現(xiàn)和/或調(diào)節(jié)人類意識(shí)方面發(fā)揮了重要作用（見表1）。這些特征可能有助于使人工意識(shí)成為可能。在此背景下，我們也指出了當(dāng)前計(jì)算機(jī)硬件和人工智能模型的一些局限性，并建議改進(jìn)這些方面以加速人工意識(shí)開發(fā)的研究（見表2）。
即使從理論上講，開發(fā)具有非類人形式意識(shí)的人工系統(tǒng)是可行的，我們認(rèn)為，考慮到上述目前尚未完全轉(zhuǎn)化為人工智能的大腦特征，可能會(huì)加速和豐富有意識(shí)人工系統(tǒng)的發(fā)展。這并不意味著實(shí)際上可以開發(fā)出類人的有意識(shí)人工系統(tǒng)。事實(shí)上，要公平地模擬人類的意識(shí)處理過程仍然有很長的路要走，甚至可能永遠(yuǎn)無法實(shí)現(xiàn)。鑒于這種不確定性，我們建議暫時(shí)不要對(duì)人類和人工系統(tǒng)使用相同的通用術(shù)語（即“意識(shí)”）；應(yīng)明確指出它們之間的關(guān)鍵差異；最后但同樣重要的是，必須非常清楚人工系統(tǒng)可能具備的意識(shí)維度、規(guī)模和水平。
https://www.sciencedirect.com/science/article/pii/S0893608024006385
熱門跟貼