隨著人工智能的飛速發展，各種大模型的能力獲得了極大的提升，應用日益廣泛。但是，從自然演化的角度來看，人工智能的方向走對了嗎？

文|張軍平

復旦大學計算與智能創新學院教授、博士生導師，中國自動化學會普及工作委員會主任，《科學畫報》編委會人工智能專委會委員。研究方向包括人工智能、圖像處理、生物認證、智能交通等。連續5年（2021—2025年）入選全球前2%頂尖科學家榜單和終身科學影響力排行榜。

2023年年初，美國人工智能研究公司OpenAI的chatGPT快速出圈，隨后引發了人工智能模型的“百團大戰”。

兩三年過去了，人工智能領域出現了大量新的突破。例如，OpenAI的新一代視頻生成模型Sora-2的短視頻制作水平提升，谷歌公司推出包括大語言模型Gemini-3、人工智能筆記本電腦NotebookLM和圖像編輯模型Nano Banana Pro的人工智能套餐。2025年12月，Meta公司宣布收購智能體公司Manus，引發爭議。這些都意味著人工智能又向前邁進了一個臺階。

但是，我們還是需要思考一下：人工智能的方向是否走對了？

01.

大模型的能力

關于這個疑問，我與我的研究生孫睿進行了一段有趣的討論。我們先討論了Transformer模型架構到底能不能像人一樣做長思考。孫睿說，Transformer這樣的架構已經可以對足夠長的Token（字符或字符序列，是大型語言模型的輸入輸出基本單位）進行回溯和關聯，如25萬字的長篇小說。因此，大模型可以擁有比人更強的長思考能力。

我的觀點是這種能力需要付出代價。因為它需要大量的數據來學習和訓練，模型的參數調整又需要好的并行能力，所以現在的大模型方案基本上都是高耗能的。

這在自然界幾乎是不可想象的。試想：在一個能源需要自給的自然環境中，高耗能的動物有沒有可能生存下來？自然界能生存下來的動物往往都是比較節能的，像七星瓢蟲，也許幾只蚜蟲的能量就能夠支撐它飛一天。這可能是自然界長期隨機演化的結果。雖然這種演化不一定時時刻刻都朝著最優的方向，有的時候還會倒退，但總體來看，它獲得了一種平衡。

如果用人工智能對大模型的調參來比擬，這種平衡是自然界通過上億年的調參獲得的。只不過，它在結構上與目前人工智能的做法可能是完全不同的。

大模型是建立在巨量參數基礎上的，但受限于人類所能提供的算力影響，輸入的特征卻不多。例如，面向圖像的深度網絡的輸入特征一般是256像素×256像素、1024像素×1024像素等，而特征層則會將需要學習的參數變得異常巨大。類似的，受自然語言處理和注意力啟發的Transformer、大語言模型也是如此，中間層的參數非常大。從某種角度來看，這兩種網絡更多地關注對“抽象層”的統計特征學習。要學習好這些參數，巨量數據是必不可少的。為了獲得高計算效率，我們不得不依賴顯卡或圖像處理器（GPU）集群來加速。

與之相反，人類或其他生命的輸入層要復雜得多，有著極其豐富的傳感器。這也導致了一個無法攻克的莫拉維克悖論的出現：人類覺得簡單的，機器覺得復雜；人類覺得復雜的，機器覺得簡單。機器所認為的復雜主要表現在學習上，一旦學習可以程序化、流程化、規范化，機器必然會覺得簡單。這一點在圍棋上已經得到印證，所有與學習相關的任務也逐漸驗證了人工智能的強大。

人類覺得簡單的，卻是自然演化出來的豐富傳感器導致的。這些傳感器的設計大多數遠比人類設計得要精妙且難以模仿。例如，蚊子的刺吸式口器、蝎子的尾刺，相較于人類的注射針頭要復雜得多。與學習相比，這些傳感器可能會導致與身體技能相關的一些工作很難被人工智能取代。

02.

自然界與人工智能

由此推開來，我和孫睿同學似乎有了一個更有意思的觀點：如果把自然界的演化看成是一種神經網絡或深度網絡，那這個網絡的輸入層會是巨量的參數，如10的22次方或更高數量級的，而網絡也許很淺，模型的優化也并不一定聰明，甚至還會有極強的隨機性摻雜其中。

但是，和人類相比，自然界的優化最不缺乏的不是能源，而是時間。它可以用上億年來優化這個模型。相反，單個人類能夠貢獻出來的工作或投身人工智能研究的時間就少得可憐，只有自然界認為可以忽略不計的一瞬間。

因此，我們不得不退而求其次，只針對智能的某一個方面來窮極一生進行優化。現在能找到的并能獲得成就感的優化點都是與預測相關的，或任何能轉成預測問題的，如人臉識別、大語言模型等。為了能讓它們的性能變好，人類會通過消耗大量的能源來換取時間上的加速。

事實上，這種用能源換時間的做法不僅在人工智能方面是如此，在氣候變化方面，人類也有類似的行為。例如，自汽車發明以來，人類短時間內消耗的能源總和可能相當于自然界千萬年的積累，于是它不可避免地影響了全球氣候。

也許，從自然界的角度來看，人類就是一種極其貪婪的動物，即使現在有了人工智能的加持和賦能。從短期來看，人類通過這種做法可以獲得巨大的收益。但是，如果放到自然界的時間尺度來看，人類的這種加速就不一定是對的，甚至目前人工智能的做法也不一定是對的。

*本文刊登于《科學畫報》2026年第3期人工智能專欄，更多相關內容歡迎訂閱。

全年訂閱