如今的AI能作诗，能开汽车，甚至能通过高难度的数学物理考试和司法考试。但许多人类大脑轻而易举能完成的事情，比如摆好洗碗机中的餐具，AI至今无法做到。AI企业家麦克斯·班尼特（Max Bennett)提出了他的解释：答案深藏于人脑进化的10亿年历史中，而这段历程充斥着无数试错、灾难与精妙的创新。班尼特将庞杂的进化史凝练为“五次突破”，每次突破都标志着人脑进化的重要跃迁。结合AI科学的前沿进展，班尼特总结了当前AI系统在哪些领域已比肩或超越人脑，又在何处仍显不足。

本书广受当代顶尖神经科学家赞誉，它以恢宏的视野与颠覆性的洞见试图论证：唯有以远古智慧为灯塔，AI方能突破未来的可能性边界。

下文为本书译者林桥津撰写的书评。林桥津现任香港科技大学（广州）脑与智能研究所助理教授，曾任剑桥大学卡莱尔学院研究员，担任多本神经科学期刊审稿人。

《智能简史》（中译出版社，2025年7月）

撰文 | 林桥津（香港科技大学（广州）脑与智能研究所助理教授）

麦克斯·班尼特（Max Bennett)，经济学与数学出身、没进过一天实验室的创业者，用五年时间干了件疯狂的事：在经营人工智能（AI）公司的同时，他硬是从入门课本啃到最新论文，将40亿年生物智能演化的进程熔铸成了一部《智能简史：进化、AI与人脑的突破》（后文简称《智能简史》）。我们不禁好奇，这位既没博士学位，又非科班出身的“科学门外汉”，究竟靠哪些独门绝技叩开神经科学领域的大门？

Photo Credit：Gary O.Bennett

答案藏在商业实战与科学探索的碰撞中。身为多家AI公司的创始人、福布斯U30精英，班尼特的探索始于商业前线的切身体验。他与合伙人共同创立的Bluecore公司通过AI技术帮助中小企业对抗商业巨头，但越是深入算法底层，他越发现：现有的AI系统能够击败围棋世界冠军却学不会做家务。这种“高能低效”的反差，与生物智能的精妙形成鲜明的对比。

这个看似简单的问题，成了横在班尼特面前的一道坎。他起初只想找几本神经科学教科书补补课，却发现书上对“意识怎么形成”或“记忆怎么存储”这样的基础问题竟无定论。这个发现让他眼前一亮：既然专家还在争论不休，或许我这个搞企业的人能带来新视角？他先试着给几位神经学家发邮件请教，但所有邮件都石沉大海。面对学术高墙的沉默，这位创业家迅速启动商场上惯用的Plan B：与其被动等待指导，不如主动输出观点。他将自己的假设和理论整理成学术论文投稿，即便不被录用，至少能通过审稿意见获得专业反馈。意外的是，这篇“跨界作业”居然通过了同行评审并被杂志接受了。这份来自学术圈的意外认可成了班尼特的敲门砖，陆续有神经学家开始和他讨论，他们碰撞出的思维火花最终形成了《智能简史》的核心框架。从自购教材搭建知识地图，到用论文审评打磨理论精度，再到与顶尖学者头脑风暴，这种“用企业思维破解学术壁垒”的路径，正如他创办Alby公司时颠覆传统商业逻辑的策略：当既定规则失效时，创造新规则本身就是解决方案。

书中贯穿的跨界智慧，源自作者对学科边界的主动突围。从主动抽离充满竞争的金融交易行业转向AI创业，再到深潜神经科学破解智能密码，班尼特的轨迹印证了“兴趣是最高效的驱动力”。在书中，他将这种探索精神具象化为生物进化史的关键跃迁：线虫靠趋利避害的本能应对环境动荡，哺乳动物为躲避恐龙进化出风险预判能力，每一次突破都是生命对生存困境的创造性回应。当2023年全网为GPT-4狂欢时，班尼特却从25亿年前蓝藻制造的氧气灾难中，看到算力军备竞赛可能引发的“生态危机”；又从灵长类心智进化史中，揭示AI伦理的根本挑战——真正的智能跃迁不在于模型参数的堆砌，而在于能否像语言系统重构人类认知那样，重塑AI的底层逻辑。正如线虫用持久的行为偏好化解环境不确定性，未来AI需在类脑架构中植入生物级能耗意识，将智能发展模式从“恐龙式盲目扩张”转变为“线虫式精准生存”。

作为同龄人，译者在字里行间读到的不仅是知识密度，更是一个跨界破壁者对认知边疆的敬畏与热望。班尼特用5年时间搭建的“神经科学-AI”对话桥梁，恰似他书中揭示的智能本质：既要读懂生命进化的说明书，也要掌握技术创新的核心算法。

AI与神经科学的双向赋能

“老师，我们怎么从生物学上理解卷积神经网络？有没有好办法改进强化学习模型？”我任教的本科基础生物课程中，不少学生对AI和大数据有着强烈的兴趣，也时常期待我从神经生物学角度对这些AI难题给出答案。“神经网络”“强化学习”“工作记忆”这些词语对于我来说既熟悉又陌生，因为它们在AI和神经科学领域中有相关却又不同的含义。比如，神经网络在AI领域往往代表着高纬度数据运算，而在神经科学领域则表示生物体内由神经元通过突触连接形成的网状结构。这种术语的认知错位，让我看见两个领域如同互补的拼图：算法中的神经网络映射着生物突触的联结逻辑，而神经科学对意识涌现的探索，正不断重塑机器学习可解释性的边界。

正是这种跨学科研究的魅力，让我接下《智能简史》的中文版翻译邀约。作者在序言中的自白深得我心：“我写这本书只是因为我想读这本书”。作为译者，我翻译此书的最大动力，同样源于对书中提出的核心命题的强烈好奇：生物智能与AI的共性与差异，能否为我们揭示智能的本质？

我的课题组聚焦神经元内的RNA代谢与蛋白合成机制，观察这些微观分子如何编织学习记忆的神经网络。博士期间，我曾花费大量时间手动分析显微成像数据，甚至连续十多个小时坐在电脑前，标注上百张神经元图像中每个突触的荧光信号强度。如今AI图像工具能在几分钟内完成我们团队好几天的工作量。这让我既惊喜于技术突破，也开始思考一个关键问题：为什么机器能高效处理实验数据分析这类技术活，却无法解释其背后的生物学意义？

显微镜下的神经元图像，高亮的结构是荧光标记的突触蛋白

这种矛盾在实验室日常工作中愈发凸显。我们和大多国内外以湿实验为主的课题组一样，大部分实验仍保持着最传统的手工操作流程。比如需要将装有细胞的培养皿从三楼送到一楼的显微镜室时，若遇到电梯故障，人类研究员会立刻改走楼梯，并根据皿内状态调整步速；而自动化物流系统只会机械地等待程序响应。这种“最后一公里”困境恰似当前AI发展的缩影：它能处理封闭场景的标准任务，却复现不了实验员面对突发状况时的急中生智。而那些糅合经验与直觉的应变智慧，正是智能难以被编码的奥秘。

正是这些日常教学和科研中的真实困境，让我在翻译《智能简史》时产生强烈共鸣。作者对生物智能独特性的剖析，既解答了我对AI技术边界的困惑，也成为我翻译此书的最大动力：AI智能的提升需要从生物进化中汲取灵感，而神经科学对大脑奥秘的追问，也需要借助AI技术的工具箱。谨以此译本，献给所有在神经科学与人工智能交叉地带拓荒的探索者。当我们教会机器识别人脸时，或许更该思考婴儿如何从母亲眼神中建立情感连接；当我们试图构建更聪明的机器时，或许更应回归生命科学最本真的追问。智能革命的终极答案，或许正藏在生命系统通过亿万年进化来打磨的“笨功夫”里。

五步解锁40亿年智能密码

翻开《智能简史》，你会见证一场颠覆认知的“生物算法展”——没有大脑的珊瑚虫的捕食机制堪称海洋版二进制开关：当浮游生物触碰它的触须、神经元所产生的信号超过阈值时，这个海洋程序员的“if-else语句”立即触发“张口捕食程序”；而当刺激消失，触手又像关闭的电路般恢复平静。这种基于阈值反馈的生存智慧，正是扫地机器人Roomba的灵感原型。初代Roomba的碰撞转向系统，复刻了5.5亿年前原始生物的避险绝技——当秀丽线虫用头部感受器探测到前方出现的盐分剧变时，会像触电般猛然调头，正如你家扫地机器人撞到桌腿时“咔嗒”一声自动转向。从远古海底到现代客厅，这场智能革命的核心密码从未改变：不需要构建环境地图，不依赖中央处理器，用即时反馈替代复杂计算，让生存需求驱动行为逻辑。当Roomba的碰撞传感器在桌腿间反复修正路线，它正重演着线虫在远古海洋摸索前行的神经脉冲。
 

第一代扫地机器人Roomba（左），珊瑚虫（中），秀丽隐杆线虫（右）丨图源：《智能简史》

作者以五次在生死边缘锻造出的“智能升级”为主线，串起一部生命与机器的进化史：

第一次突破：转向

6亿年前，最早能分清左右的两侧对称动物，靠着“遇食物前进，遇危险转向”的原始算法称霸海洋，为今天的自动驾驶程序写好了底层代码。

第二次突破：强化

5亿年前，寒武纪鱼类在黑暗洞穴中冒险时，多巴胺分泌机制锁定了“高风险高收益”法则，成为强化学习的生物模板。

第三次突破：模拟

2亿年前，松鼠在枝头蓄力跃起的刹那，大脑新皮层已能在一秒内预演多种落地姿势。这场进化催生的“生存策略模拟器”，成为现代AI生成式推理的神经生物原型。

第四次突破：心智化

1500万年前，灵长类动物看穿同伴心思的能力，演化成了社交平台的博弈算法，至今还在影响短视频的推荐机制。

第五次突破：语言

10万年前至今，人类将百万年生存智慧打包成语言符号，就像把整座图书馆压缩成二维码，这种分布式存储模式直接催生了ChatGPT的对话能力。

然而，这些用亿万年进化打磨出的智能模板，在照亮AI前路的同时也投下认知阴影。书中描述的“飞机寓言”直指当前AI研究困局：假设19世纪末痴迷于人工飞行的研究者们，偶然穿越到20世纪90年代并登上波音747客机。当他们带着对“未来飞行科技”的震撼回归后，却陷入致命的认知误区——误将客舱的倾斜座椅、双层舷窗和塑料内饰当作核心技术，倾尽全力复现这些表象特征，却对空气动力学原理、涡轮引擎设计等本质突破视而不见。正如今天的AI研究过度聚焦人脑终局形态，可能正在错过线虫导航算法这类原始智慧。作者用进化论的阶梯思维指明道路：智能革命需要复现从风筝（线虫趋利避害）到滑翔机（鱼类强化学习），最终抵达喷气时代（人类语言系统）的完整路径。

黑猩猩的江湖与AI的社交困境

在刚果雨林的密影中，一场跨越物种的“猩球谍战”悄然上演。雌黑猩猩贝儿与雄性首领洛克的较量，堪称1500万年前的《权力的游戏》。起初，贝儿天真地分享藏食地点，却眼睁睁看着洛克蛮横地夺走所有果实。这场背叛点燃了她的“黑化”之路：她先是像守财奴般一屁股坐在藏食点上，用身体筑起防线；发现洛克会暴力推开她后，她进化出“声东击西”的绝活——等洛克看向别处时迅速刨土，抢在对方回神前狼吞虎咽；甚至发展出高阶骗术，故意误导洛克走向错误的方向。而洛克这位“猩族影帝”也不遑多让，他学会假装心不在焉，但用余光追踪贝儿的微表情，判断她究竟是不是在“演我呢”，并在她松懈时突然转身飞扑，抢走食物。[1]

科学家们用脑科学实验破解了这场宫斗大戏的神经密码。当贝儿策划骗局时，她的前额叶皮层，也就是大脑的“谋略中心”，会像谍战片里的情报官一样高速运转，分析洛克瞳孔的收缩幅度、解码他肩膀肌肉的紧绷程度，甚至模拟“如果我把食物埋在西边，但指向东边，洛克上当的概率有多高？”。

灵长类动物学家埃米尔·门泽尔（Emil Menzel）笔下这场“雨林版《甄嬛传》”的背后，藏着心智进化的残酷真相：没有尔虞我诈的江湖，就炼不出七窍玲珑的头脑。就像人类在办公室政治中磨砺情商，黑猩猩每撒一个谎、每识破一次骗局，都在为大脑刻写更深层的社交算法。这种嵌套式心理博弈（“我知道你知道我知道”），正是当前AI最渴求却最匮乏的“心智化”能力。

当自动驾驶的汽车因误判行人意图引发事故时，问题根源与雨林中的博弈如出一辙。现有AI能识别人体轮廓，却无法像贝儿解读洛克那样，从行人抓握手机的手臂角度推测对方是因接电话而驻足，还是因分心而即将闯红灯。家庭机器人更是频频遭遇“社死”：当它递出茶杯时若人类突然抬手揉眼，机械臂会僵在半空，因为它不理解这是眼睛进沙的生理反应，而非对递茶动作的拒绝。这些尴尬暴露了AI的认知盲区，它们的思考被困在了行为表层，它们既读不懂动作背后的动机，也构建不出“人类此刻在想什么”的心理模型。

正如贝儿需要数百万年进化出递归推理的神经环路，AI的心智化革命可能要重走进化阶梯。第一步要像初代扫地机器人Roomba那样，掌握线虫级的“趋利避害”本能；接着在虚拟丛林里模仿鱼类的强化学习；最终复现黑猩猩的嵌套心智，让AI在多智能体博弈中自发生成欺骗策略。比如购物推荐算法不仅能预测你的消费偏好，还能推演“如果推送奢侈品广告，用户会认为我在诱导透支，还是提供品质生活参考？”。这种动态意图建模的能力，正是人类用千万年进化写在基因里的社交算法。

语言突破：深度学习和大模型的腾飞

非洲草原上森林的逐渐消失，迫使我们的祖先离开树木来到地面，生存竞争骤然加剧。正是在这样严酷的生存压力下，智能发展的第五个突破——语言应运而生。

想象这样一个场景：当其他动物还在靠吼叫示警时，早期人类已经能够通过语言传递“三里外有狮群在喝水”这样的具体信息。更神奇的是，他们还能分享“昨天谁偷吃了大家的存粮”这样的八卦。正是这种独特的信息交流能力，让人类实现了认知的飞跃。语言就像一台“思维加速器”，它让知识不再随着个体死亡而消失。老一辈可以把生存经验口口相传，年轻人则在这些经验基础上继续创新。这种代际间的智慧累积，最终让人类在进化长跑中脱颖而出。可以说，没有语言这个“智能催化剂”，就不会有人类文明的诞生。

开发AI的关键目标之一，就是教会机器说“人话”。这就像教一个外国朋友学中文——不仅要记住词语的意思，还得理解话里的潜台词和言外之意，以及人类文化积累带来的丰富上下文背景。只有让计算机真正掌握人类语言，它们才能像朋友一样和我们自然交流。

然而在很长一段时间里，由于算法不够成熟和计算能力有限，AI“学说话”这件事一直进展缓慢。直到21世纪初，随着GPU显卡和分布式计算技术的突破，计算机的运算能力突然像坐上了火箭。这个关键突破，为AI的腾飞铺好了硬件跑道。 

突破首先来源于识别图像这个略微简单的任务。2012年，AI领域迎来了一场“大地震”。深度学习泰斗杰弗里·辛顿（Geoffrey E. Hinton）带领的团队，在被誉为“计算机视觉奥林匹克”的ImageNet大赛中，用AlexNet这个新型神经网络惊艳了全世界。这场胜利不仅终结了手写数字识别这个困扰学界多年的难题，更像点燃了一根导火索，引爆了全球AI研究的热潮。从此，深度学习开始在各个领域大放异彩，开启了AI的新纪元。2024年，凭借对神经网络和AI发展的卓越贡献，辛顿获得诺贝尔物理学奖。

2015年，残差神经网络（ResNet）诞生。它创新性地引入“残差连接”设计，就像学生学习时准备了一本小抄，学习新知识点时仍然不会忘记旧知识点，完美解决了超深层网络的训练难题和梯度消失问题，为后续语言大模型的出现奠定基础。它在ImageNet大赛中以4.94%的错误率夺冠，首次超越人类水平 (约5%)。

2017年，Transformer横空出世，谷歌提出的这个新架构彻底改变了AI的游戏规则。它模仿人类大脑的注意力，采用“自注意力”机制，让模型像人类一样学会抓重点，这为后来的GPT等明星语言模型奠定基础。2019年，OpenAI推出GPT-2，它能写出流畅的文章并与人类对话。一时间，AI写作从实验室走向现实，机器终于能像模像样地“说人话”了。这不仅是技术突破，更是人机交流史上重要的里程碑。

在语言模型的基础上，2020年，DeepMind推出的AlphaFold解决了困扰生物学界50年的蛋白质折叠难题，其预测准确度达到实验水平，被誉为“世纪突破”，为药物研发开辟新途径。2024年，DeepMind公司的丹米斯·哈萨比斯（Demis Hassabis）和约翰·乔普（John M.Jumper）因其在蛋白质结构预测方面的贡献获得诺贝尔化学奖。

2024年末，深度求索（DeepSeek）震撼发布DeepSeek-V3，成为当时最强大的开源大模型之一，在语言理解、代码生成和数学推理方面表现卓越。2025年初，DeepSeek再掀浪潮，推出 DeepSeek-R1，该模型凭借极致的算法优化，以远低于行业平均的训练成本，实现了全球领先的性能，甚至超越了一些闭源商业模型（如 OpenAI 的最新 GPT 系列）。相比 OpenAI 等公司的模型，DeepSeek-R1 在同等性能下，训练成本降低95% 以上，这意味着AI研发的门槛被进一步拉低，让更多研究机构和企业能以更低成本训练高性能AI。同时，它证明了“大算力”并非唯一出路，算法优化同样能创造奇迹。

AI虽然进步神速，但背后暗藏危机。现在的AI大模型就像个“数据黑洞”，模型变得越来越复杂，但能提供给它训练的真实数据却快不够用了。更麻烦的是，这些AI的工作原理就像在玩“文字接龙”，总是选择最可能的下一个词和下一句话。这就导致两个致命缺陷：

第一，AI会选择性“失明”。那些不常见但重要的信息，很容易被当成“噪音”过滤掉；而网上泛滥的虚假信息，反而可能被AI当成“正确答案”。结果就是AI经常一本正经地胡说八道，产生所谓的“幻觉”。例如，一个广泛流传的谣言，“中国80后死亡率超过5.2%”，据上海网络辟谣平台推断，数据的最初来源很可能是与AI对话所得。

第二，AI正在成为“隐形操盘手”。科技巨头掌握着调整AI偏好的生杀大权，可以悄无声息地让AI选择性输出信息。试想一下，如果一个AI聊天程序被刻意调教，它可以批量制造以假乱真的谣言，甚至操控舆论风向。这种技术特权实在太危险了！

正如《智能简史》揭示的进化法则，真正的智能革命从不在无约束中野蛮生长。当参数膨胀的AI列车在数据轨道上狂飙，我们亟须植入生命历史进化出的安全基因。AI若想跨越当前困局，就必须重拾这份被验证了40亿年的生存哲学：创造力的绽放，永远需要安全边际的托举。毕竟，当AI开始影响现实社会运转时，我们得确保它不会变成脱缰的野马。

人工智能的下一次突破：具身智能

AI的发展，让计算机在“看”和“听”方面取得了巨大进步。比如：

·通过小区门禁时瞬间完成的人脸识别；

·网购时24小时在线的智能客服；

·从照片里提取文本信息的文字识别软件；

·能自动生成文案的AI写作助手；

·新能源汽车上辅助驾驶的自动驾驶系统。

这些技术都属于"离身智能"。它们就像是一个个聪明但"没有身体"的数字大脑，擅长处理图片、文字或者语音数据，但无法像人类一样直接触摸、移动或与物理世界互动。比如：

·人脸识别系统能认出你，却不能端茶倒水；

·智能客服能解答问题，但不能帮你拿快递；

·文字识别软件能帮你提取文本信息，却无法帮你整理文件柜；

·AI写作助手能生成报告，但不会帮你打印装订；

·自动驾驶系统能辅助驾驶，却不能帮你修理汽车。

而“具身智能”则让AI真正“活”了起来！它不仅会思考，还能像人一样动手动脚、感知世界。如书中所言，未来的智能体可能会出现在人类所创造的计算机乃至机器人上。2025年蛇年春晚，宇树科技会扭秧歌的人形机器人凭借灵活的舞姿惊艳全场，这正是具身智能技术突飞猛进的最好证明。这背后离不开两大“智能法宝”：“小脑”系统就像人类小脑控制肢体动作一样，确保每个动作行云流水；“大脑”系统则整合视觉、语言和行动，让机器人能看会想还能做。

想象一下，在不久的将来，你家的机器人管家不仅能听懂指令，还会主动收拾散落的玩具；医院的机器人护士可以精准地协助医生完成手术；救灾机器人能在废墟中灵活穿梭，拯救被困人员。

图片来源：文心一言。提示词：机器人护士协助人类医生手术

这些曾经只存在于科幻电影中的场景，正在通过具身智能一步步走进现实。这一切的突破都源于离身智能三大技术支柱的协同发展：深度神经网络就像机器人的“神经元”，通过模拟突触的连接方式，让AI不仅能识别图像和语音，还能学会控制身体动作；GPU等高性能芯片充当机器人的“线粒体”，为复杂的动作计算提供动力；而数以百万计的动作视频、传感器数据就像机器人的“教科书”，让它们能通过持续试错自主优化运动技能，在动态环境中进化出精准的动作控制能力。正是这些技术的融合，让原本只会“纸上谈兵”的AI真正获得了动手能力。从能说会道的智能助手，到能跑会跳的机器人，AI正在完成从“数字大脑”到“实体智能”的华丽转身。

然而目前，具身智能的发展仍然还有一段路要走。虽然目前的AI工具能生成流利对话，但其认知本质上是通过海量数据建立的统计相关性网络。正如维特根斯坦（Ludwig Wittgenstein）揭示的困境“语言界限即世界界限”，当机器没有感知过热水的灼烫和冰水的寒冷时，那么它对温度的理解就永远停留在词语层面上。这种具身经验的匮乏不仅表现在“触觉记忆”的缺失，更导致多感官协同的协调短板。物理交互中的基础数据（物体形变时的压力梯度场、运动关节的扭矩反馈曲线），还未被有效转化为神经网络的表征语言。而正是这些“身体记忆”的缺失，让具身智能暂时还难以突破“数字幽灵”的边界。

现实世界永远充满变数，但机器人的行动方式却像被程序卡死的齿轮。比如让机器人拿水杯，人类能轻松应对桌上物品的挪动，但机器人哪怕遇到毫米级的位置偏移，都可能像迷路的小孩一样手足无措。它得重新扫描桌面、计算轨迹，最后还不一定能准确放回原位。人类的学习是摸爬滚打出来的真功夫，就像小孩折纸飞机：随手一扔看它栽进花丛，换个折法再试，摔个十次八次就摸到门道。而现在的AI更像一个“数据学霸”，它能从百万次实验数据里总结出“翅膀角度30度时飞行距离最长”的规律表，但你要它根据风向变化实时调整投掷角度？它只会僵在原地重复失败动作。

要让机器人真正突破动作迟滞的困境，不仅需要更灵巧的算法，更要掌握生物“省着用能量”的诀窍——人类大脑只需20瓦的能耗（相当于一个普通电灯泡），就能展现出惊人的智能。而训练当前的大模型需要上万张GPU，耗电量堪比一个小城市，带来的智能提升却越来越有限。近期，中国科学家团队在《Science》上发表了一项突破性研究[2]，他们发现，哺乳动物的大脑就像一座精密的“智能城市”，里面有一套独特的“按需供电”系统。具体来说，大脑在每个“信息传递站”（突触）附近都配备了“智能发电站”（线粒体）。当神经细胞开始工作时，这些发电站能自动感应到，并立即启动“发电模式”。更神奇的是，它们还能根据工作量大小，智能调节发电量，确保能量供应刚刚好。这项发现让我们更清楚地认识到：大脑不仅会处理信息，还很会“精打细算”地管理能量，这可能是人类智能如此高效的重要原因之一。

与此同时，来自澳大利亚的团队将微电极阵列芯片（Multielectrode Arrays; MEA）与人类神经元相结合，构建了一个由80万神经元组成的体外神经智能系统[3]。这个“迷你大脑”在实时电生理实验中展现出惊人的环境适应性，它不仅学会玩复古电子游戏《乒乓》，更催生出近期发布的全球首款可编程生物计算机CL1[4]。这项突破的本质，是让机器首次实现了环境驱动的“自主认知进化”，神经元在电信号刺激下自发形成了信息处理路径。这一科技突破呼应了《智能简史》带给我们的启示：“用硅基芯片模拟碳基智能，如同用蒸汽机设计航天飞机。”具身智能的突破不会来自更大规模的GPU工厂，而必须回归生命最原始的生存策略：在物理约束中迭代，于环境反馈中塑形。当机器学会像胚胎发育般在硬件限制中自我优化，像人类神经元网络那样在环境中延展感知，才是智能真正挣脱数字囚笼的时刻。

培养在微电极阵列芯片上的人类神经元（左）；这些神经元正在预测“乒乓球”的运动轨迹，并通过电信号指挥“乒乓”球拍的实时移动（右）丨图源：[3]和Brettet al., Neuron, 2022 [4]

参考资料

[1] Menzel Jr, E. W. (1974). A group of young chimpanzees in a one-acre field. In Behavior of nonhuman primates (Vol. 5, pp. 83-153). Elsevier.

[2] Li, W., Li, J., Li, J., Wei, C., Laviv, T., Dong, M., ... & Ma, H. (2024). Boosting neuronal activity-driven mitochondrial DNA transcription improves cognition in aged mice. Science, 386(6728), eadp6547.

[3] Kagan, B. J., Kitchen, A. C., Tran, N. T., Habibollahi, F., Khajehnejad, M., Parker, B. J., ... & Friston, K. J. (2022). In vitro neurons learn and exhibit sentience when embodied in a simulated game-world. Neuron, 110(23), 3952-3969.