夜雨聆风人的智能和AI的智能，究竟有什么共同之处？
如果是在过去，有人问我这个问题，我大概会回答：无论人还是AI，都需要从外部获取信息，经过内部加工和处理，最后形成某种理解、判断或者输出。
也就是我们经常说的：
输入—处理—输出。
如果再往前走一步，我们还会发现，人脑和当前主流AI都使用了某种“神经网络”。
人脑由大量生物神经元连接而成，人工智能则通过人工神经网络调整参数和权重。
这些理解当然不能说错。
但它们仍然停留在智能的表层现象：一个系统接收了什么，又输出了什么。
上周参加世界人工智能大会时，我听了郭毅可院士的一场分享。他从生命演化、信息处理和认知机制的角度，讨论了碳基智能与硅基智能之间的关系，并提出了一个让我印象深刻的洞见：
物理同源，数学同构。
01
人脑和AI，都不能脱离物理世界
先来说“物理同源”。
这里所说的物理同源，并不意味着碳基生命与硅基机器由相同的材料构成，也不意味着今天的AI已经成为一种完整的生命形态。
我更愿意把它理解为：
无论人的智能还是机器智能，都不能脱离物质、能量和环境独立存在。它们都必须通过能量消耗、信息交换和结构维持，才能持续运行。
人脑依赖神经元、血液循环、氧气和葡萄糖。
AI则依赖芯片、电力、存储设备、网络和数据中心。
我们平时讨论智能时，很容易只看到语言、判断、推理和生成，却忽略了这些能力背后的物理基础。
一个人长时间缺乏睡眠，身体能量不足，认知能力、判断能力和情绪稳定性都会下降。人工智能如果脱离芯片、电力和计算基础设施，同样无法完成任何推理和生成。
所以，智能并不是一种漂浮在物质世界之上的神秘能力。
智能首先是一种发生在具体物质载体之上的过程。
郭毅可院士在分享中还提到了“负熵”或者“反熵增”。
我最初对它的理解，就是系统从无序走向有序。
更准确地说，一个能够持续运行的系统，需要通过能量消耗和信息交换，维持自身结构以及内部关系的相对稳定。
无论是生命体，还是人工计算系统，一旦失去了这种结构，原本可以持续进行的信息处理也就无法继续。
当然，人的智能所依托的是具有代谢、感知、自我维持和生存需求的生命体；当前AI所依托的，则主要是由人类设计和维护的技术基础设施。
两者并不完全相同。
但它们至少共同揭示了一点：
智能的形成和运行，都需要付出物理成本。
智能不是免费的。
一次思考需要大脑消耗能量，一次大模型推理也需要芯片完成大量计算。看起来极其抽象的认知活动，最终都必须落到具体的物质变化和能量消耗上。
从这个角度来看，“物理同源”所强调的，或许不是两种系统拥有完全相同的生命基础，而是它们都处在同一个物理世界中，都受到能量、结构和环境的约束。
02
智能的核心，可能是压缩、生成和修正
相比“物理同源”，我觉得“数学同构”更有启发。
这里的“同构”，并不是说人脑和AI在每一个细节上都相同。
生物神经元与人工神经元显然不是同一种东西，人类的学习过程与大模型训练也存在巨大差异。
它更像是在说：当我们抽象掉具体的物质材料之后，人脑和AI的一些运行过程，可能呈现出相似的关系结构。
例如概率推断、预测误差、反馈控制、连接权重调整和目标优化。
在昨天关于学习的文章中，我讨论过一个观点：
学习的过程，可以被理解为从压缩到生成。
所谓压缩，并不是简单地删除信息，而是从大量信息和经验中提取相对稳定的规律。
当我们读完一本很厚的书，真正留在大脑中的，并不是每一个句子，而是一些核心概念、关系、结构和判断。
我们把原本庞杂的信息，压缩成了一个更加简洁的内部模型。
这也是所谓“把书从厚读到薄”的过程。
但学习不能止步于压缩。
当我们能够利用压缩形成的概念和结构，重新解释问题、连接新的知识，甚至形成新的判断时，我们又完成了一个从薄到厚的生成过程。
AI的学习也具有类似特征。
它并不是简单地把所有训练数据原封不动地储存在模型中，而是通过大量参数，学习词语、图像、声音和概念之间的关系。
这些参数可以被理解为模型对海量经验进行压缩之后形成的内部结构。
当内部模型形成之后，系统就可以进行生成。
生成并不是凭空创造，而是利用已经形成的内部模型，对没有直接出现的信息进行补全、解释和推断。
人看到乌云，会预测可能下雨；听到房间里有异常声音，会推断声音的来源；读到一句话的前半部分，会预测后面可能出现什么。
大语言模型同样会根据前面的文本以及内部参数，预测接下来更可能出现的内容。
因此，压缩与生成其实是一对紧密联系的过程：
压缩，是从经验中形成模型；生成，是利用模型解释和预测世界。
从这个角度来看，人脑和AI的相似之处，并不只是它们都能够接收信息、处理信息并形成输出。
更深层的共同点在于，它们都需要从复杂的信息中提取规律，形成某种内部结构，再利用这些结构完成理解、判断、预测和生成。
这也让我想到昨天文章中提到的“把书从厚读到薄，再从薄读到厚”。
把书从厚读到薄，是压缩。
把书从薄读到厚，是生成。
前者要求我们找到信息背后的结构，后者要求我们利用结构产生新的理解。
如果只有压缩，我们得到的可能只是一些简化后的结论；如果只有生成，又很容易变成没有约束的联想。
真正有效的学习，需要压缩和生成相互配合。
而无论是人类学习，还是AI训练，都在面对同一个问题：
如何用有限的内部结构，去表达和处理一个远比自身复杂的世界？
03
自由能最小化，究竟在追求什么？
在郭院士的分享中，还有一个非常重要、也很容易被误解的概念：
自由能最小化。
第一次听到“自由能”时，我们很容易把它理解成某种物理能量，或者认为系统是在追求能量消耗最低。
通俗地讲，自由能最小化关注的是：一个系统当前形成的内部模型，能够在多大程度上解释它所接收到的信息。
假如一个人的内部模型预测今天不会下雨，但出门之后却发现正在下暴雨，预测和现实之间就出现了明显的偏差。
为了降低这种偏差，他可以重新查看天气信息，改变自己对天气的判断；也可以拿伞、改变路线或者取消户外活动。
所以，自由能最小化并不是追求绝对没有误差，更不是追求永远不遇到意外。
它更接近于：
用一个相对简洁的内部模型，尽可能准确地解释外部感知，并让未来发生的事情保持在系统可以理解和应对的范围内。
这里其实存在一个非常重要的平衡。
如果模型过于简单，它就无法解释复杂的世界。
例如，只用“好”或者“坏”来理解一个人，就无法解释真实的人性；只用某一个声压级指标评价声音，也无法解释完整的声音体验。
但如果模型为了记住每一个细节而变得极度复杂，它又会失去抽象、迁移和泛化能力。
一个人如果只能记住某一道题的答案，却不能提取其中的规律，就很难解决新的问题。
这与压缩和生成正好连接起来。
压缩，是用更少的结构表达更多的经验。
生成，是利用这些结构解释当前的信息，并预测未来可能发生的变化。
自由能最小化，则可以被理解为对压缩和生成质量的一种约束：
模型既不能过度简单，也不能无限复杂；既要保持简洁，又要能够有效解释现实。
这也让我对智能有了一个新的理解。
智能并不只是掌握了多少知识，也不只是能够多快地给出答案。
真正的智能，可能体现在一个系统能否从复杂经验中提取结构，形成内部模型；能否利用模型解释当下并预测未来；又能否根据现实反馈，不断修正已有的认识。
从这个角度来看，郭毅可院士提出的“物理同源、数学同构”，为我们提供了一个很有启发的观察框架。
所谓物理同源，是人的智能和机器智能都无法脱离物质、能量和环境，都需要通过能量消耗、信息交换和结构维持，才能持续运行。
所谓数学同构，是它们虽然依托不同的物质载体，却可能在压缩信息、形成模型、生成预测和降低偏差等过程中，呈现出相似的关系结构。
所以，讨论人的智能与AI的共性，不是为了得出“硅基必然取代碳基”的结论。
它真正的价值在于，让两种智能可以彼此映照。
我们可以通过研究AI，更清楚地理解人的学习、压缩、生成与预测机制；也可以把对人类认知的理解，转化为更好的人工智能系统。
当我们不再只问“AI会不会取代人”，而开始思考“碳基智能和硅基智能如何相互补充”，问题就会变得更加有意义。
碳基与硅基走在两条不同的道路上，却可能在压缩、生成、预测和修正这些机制上彼此相遇。
真正值得继续讨论的是：
当人的智能与AI都能够参与感知、认知、决策和行动时，我们应该怎样分工，又如何形成一种更有创造力的共生关系？
这也是我准备在下一篇文章中继续讨论的问题。