打算机为何能够表现出智能？打算机警能与人类智能有何异同与联系？当我们说到智能的时候，其内涵是指什么？人工智能是否可以仿照出人类智能？智能的实质到底又是什么？

本文，首先将会从算力、逻辑、构造、数据、概率等诸多层面，深入浅出地揭示智能的来源与运作，然后会结合生物蜕变与物理规律，给出一个从宏不雅观到微不雅观的洞见，很好地阐明了智能的实质，末了还会从几个不同的层面，去看待智能与我们、及蜕变之间的关系。

相信本文的不雅观点和视角，将会让我们更加清晰地理解智能，以及更加深入地理解我们自身的智能。

主题目录如下：

智能与算力智能与逻辑智能与构造智能与数据智能与概率智能的实质不同的视角结语后记1：智能的定义后记2：通用智能的产生后记3：图灵测试后记4：连接与规模缩放智能与算力

算力，并不是产生智能的实质缘故原由所在。

人脑的算力有限，却可以进行逻辑推理和自主学习，而目前打算机的算力，已经远远超过了人脑“无数”倍，却依然无法进行类似人脑的逻辑推理和自主学习。

而在另一方面，虽然人类中的少数天才，相较于普通人，拥有极其刁悍的心算影象能力，但如果和打算机的打算存储能力比较，少数天才也一定是望尘莫及的。

那么在人类之间，虽然每个人的智能存在个体差异性，但显然我们并不会，只利用打算能力这个单一指标，来衡量一个人的智能高低。

由于，虽然高智能，会表现出高算力（如冯诺依曼、拉马努金），但也有很多其它情形，例如：

算力正常，表现出高智能（如政治家和艺术家），智能正常，表现出高算力（如打算干系从业者），智能偏低，表现出高算力（如非常基因携带者）。

可见，智能与算力有干系性，但绝不是打算能力产生了人类智能，或是打算能力的高低，决定了人类智能的高低。

不过，有趣的是：

在很多场景下，打算机不仅可以表现出智能，乃至可以显得比人类更有智能，而在其余一些场景，对付人类智能轻而易举的任务（如闲聊、说谎、诙谐感、道德判断等），但对打算机来说，却是非常困难。

这是为什么呢？

对此，我们须要从两个角度来看：首先为什么打算机会表现出智能，其次是打算机警能与人类智能有什么差异。

不过这两个视角，终极可能会指向同一个问题，即：智能的实质是什么？

智能与逻辑

虽然打算机，不能够进行逻辑推理和自主学习，但却可以进行逻辑运算（又称布尔运算）。

其基本事理就在于：打算机通过逻辑门，来进行逻辑运算，从而就拥有了映射逻辑关系的能力。

所谓逻辑门，便是一组基本的逻辑运算，包括了：

0——是假。
1——是真。
非——真假互换。
与——有一个假便是假。
或——有一个真便是真。
异或——有异为真，有同为假，类似连连看找到不同为真，否则为假。
大于、即是、小于、大于即是、小于即是、不即是——成立为真，否则为假。

比特位的加法就会用到——异或，如：1 + 0 = 1，0 + 0 = 0，1 + 1 = 0进位1。

以上便是最基本的逻辑门打算，通过组合它们，就可以实现任意繁芜度的逻辑运算，而组合它们的办法，便是逻辑电路。

所谓逻辑电路，大略来说便是指完成逻辑运算的电路。
详细一些，便是指一种以二进制（0和1）为根本，来实现（离散）数字旗子暗记逻辑运算的电路。

那么，在物理现实中，逻辑门由晶体管实现，逻辑电路由集成电路实现。

其基本事理就在于：晶体管可以（通过物理元件的属性）实现开关掌握，使得通过它们的电平旗子暗记，产生或高或低的结果，以此来代表逻辑上的“真”与“假”（即二进制当中的1和0），从而实现逻辑门的打算，进而集成电路就可以组合晶体管，实现任意繁芜的逻辑电路。

于是，打算机通过晶体管和集成电路，就拥有了逻辑关系的映射能力——这可以算作是，把抽象的逻辑关系，转换到了物理的逻辑电路上。

其处理过程便是：接管数据、剖析数据（利用逻辑关系）、得出结果，也便是经典的「输入-处理-输出」模型。

须要指出的是，逻辑电路不仅可以剖析数据，还可以通过实行逻辑来进行数据的存取，包括指令、地址、程序等等。

例如，通过组合逻辑门布局一个锁存器（Latch）——它可以保持一个比特位的数值（即0或1）不变，也可以让一个比特位的数值改变——而组合锁存器就可以布局寄存器或内存（RAM）——以是，内存也有运行频率，这是掌握逻辑门的速率，即时钟速率（Clock Speed）。

事实上，打算机的算力，便是来自于数百亿的晶体管，进行超高速掌握逻辑门的结果，显然物理电路的物理属性，决定了高算力的一定。

那么比较打算机，人脑的算力“弱鸡”，是由于逻辑判断的速率不足快，其根本缘故原由在于：

生物电路掌握逻辑门的速率，远远不如物理电路，这可以理解为——电化学反应的速率掉队于电物理反应，即：脑细胞构建的逻辑门构造（电突触与化学突触），其反应速率远不如物理元件构建的逻辑门构造。

详细来说，有三个方面：

第一，神经元放电依赖（钠钾钙）离子通道的开闭，这个过程速率缓慢，导致其放电频率大约只有每秒400次，而打算机物理元件的放电频率可高达每秒40亿次。
第二，神经元的导电性差、绝缘性差、又随意马虎泄电，以是电旗子暗记通报速率缓慢，大约只有每秒100米，而打算机设备的电旗子暗记，其通报速率可以靠近光速，达到每秒3亿米。
第三，神经元之间的信息通报，依赖化学突触，但电位差抵达化学突触，并不一定就会引发神经递质的开释（成分浩瀚、机制繁芜），其均匀开释概率只有30%旁边，而打算机构造的数据通报是100%确定的。

但主要的是，逻辑推理与逻辑判断的速率无关，只与构造和数据有关。

也便是说，逻辑门打算的快慢，并不影响逻辑推理的过程和结果，这个过程——便是数据经由逻辑门构造时的逻辑运算，这个结果——便是经由打算后的数据。

对应地来看：

打算机的构造——便是物理硬件构造，人脑的构造——便是神经网络构造，这两种构造均实现了逻辑门打算；前者的打算数据——是物理电旗子暗记，后者的打算数据——是生物电旗子暗记，这两种电旗子暗记均转化自环境数据与信息的输入；前者的输入数据——是来自物理设备（如键盘鼠标传感器），后者的输入信息——是来自生物设备（如眼睛鼻子耳朵）。

须要指出的是，能被人脑处理的数据，便是信息，不能被处理的数据，便是无法感知，以是对人脑来说，环境数据便是环境信息，输入数据便是输入信息。

那么，人脑的逻辑门打算，在宏不雅观上便是利用「如果怎么样，就怎么样，否则怎么样」的条件判断——这个「如果」的真假，便是进行「与、或、非」等等的逻辑运算（可任意组合），那么在微不雅观上便是——从输入信息、到脑细胞激活、到电化学反应、到愉快电位（代表1）或抑制电位（代表0）。

而脑细胞的连接办法——多个胞体的轴突（输出信息），可以连接到一个胞体的多个树突（吸收信息）——就可以形成各种“神经逻辑门”，与物理逻辑门的事理同等，即：多个轴突的输入信息组合（抑制与愉快的叠加），抵达某个阈值，才能激活某个胞体的信息处理及通报。

例如，人脑的视觉系统，并不处理光点信息，而是处理光几何信息（如各种角度的长条、长方形等），实在现办法便是：多个感知光点的视觉细胞（轴突），连接到同一个脑细胞（树突），当这些“光点细胞”同时输入信息时（即感知到多个光点），对应脑细胞才有反应，而这些“光点细胞”的排列形状，便是视觉系统可以处理的光几何形状。

须要指出的是，数学运算 = 逻辑运算 + 读写操作——而读写并没有逻辑（只有运动），如果没有逻辑运算，就会是没有逻辑的（大概率缺点的）读写。

例如，实现二进制加法的抽象过程是：读取数字，比较数字（逻辑运算）——如果是0，写入1，即完成了加法打算——如果是1，写入0，移动高位，写入1，即完成了进位打算——而有了加法根本，就可以实现其它的数学运算。

可见，打算机可以同人脑一样，进行无差别的逻辑门打算，其底层支撑在于：如果说“0是关1是开”，那么打算机（CPU）与人脑，就都可以抽象地算作是一个繁芜的——“开关网络”（Switching Network）。

这个开关网络，即是逻辑门打算的物理模型（物理模型表示构造，数学模型表示关系），它可以由不同的介质来承载实现——这正是让打算机可以表现出智能的根本缘故原由所在。

而打算机警能明显受制于人类智能的缘故原由，就在于：

第一，逻辑推理中的数据，打算机须要依赖人类供应输入。
第二，数据中的逻辑关系，打算机须要依赖人类剖析描述。
第三，逻辑门打算的过程，打算机须要依赖人类编程掌握。

那么，打算机可以抛弃人类的帮助，自行剖析数据中的逻辑关系，并自动掌握逻辑门打算的过程吗？

换言之，打算机可以在逻辑门打算之上，构建出类似人类智能的智能吗？再换言之，人类智能在逻辑门打算之上，所具有的根本性的“质变”是什么呢？

智能与构造

如前所述，逻辑推理取决于逻辑门构造与数据，算力只是逻辑门构造的特性，推理过程是逻辑门构造对数据的打算，推理结果是打算后的数据——其与打算前的数据具有逻辑关系。

而打算机虽然拥有逻辑门构造，但推理过程须要人类智能供应——数据与算法，个中算法卖力掌握逻辑门构造，去完成对数据的打算，并得到结果。

详细来说，算法由程序描述，程序被转化成指令，指令被硬件（逻辑门构造）实行，这就实现了数据的逻辑运算，而人类智能通过编程，就可以掌握打算机完成逻辑推理。

当然，算法（Algorithm）可以是一个更抽象的观点（与打算机无关），即是指办理问题的完全描述，由一系列准确可实行的步骤组成，其代表着办理问题的策略。

在此我们会创造，人类智能可以布局算法，但打算机却弗成，而算法才是逻辑推理的关键，那么这个中的奥秘是什么呢？

答案便是，构造——事实上，人脑的构造是逻辑门构造的超集，在此根本之上，比较打算机物理硬件构造的大略固定，人脑构造具有极大的繁芜性和极强的可塑性。

对付繁芜性，打算机的存储构造、传输构造与打算构造是独立分离的，但人脑神经网络构造，既是存储构造，也是打算构造，乃至还是传输构造。

因此，数据与算法，会存在于同一个脑构造之中。

详细来说，便是神经元细胞之间的几何关系、密度、数量，膜内外的身分、浓度、电位，以及电化学反应的过程，等等——都是一种信息的记录和打算，从而信息的形成、通报与处理便是共用神经元细胞的，于是信息在脑构造中，自然就会相互关联与影响。

换言之，环境信息被人脑捕获之后，其“运动”的某种模式——如带电离子的流动、神经递质的扩散——就对应了算法，而这种物理意义上的“运动算法”，是意识运作的底层，不受意识的掌握，其结果就包含了直觉与潜意识，而直觉可以算作是潜意识的打算。

这里须要指出的是，信息与数据之间的关系，即：信息是从数据中提取的关系，同样的数据看到不同的关系，便是不同的理解，就会有不同的信息，可见信息是数据的简化抽象，即过滤了很多不同维度的关系——类最近看「数据-信息」就像「质量-能量」。

那么显然，打算机构造并没有“运动”的特性，也没有数据存储处理“一体化”的特性，相反打算机的数据，是独立于其构造的——构造的改变（如规模、架构）不会影响数据，数据的改变（如数量、关联）不会影响构造——以是，打算机的数据可以无损复制到另一台打算机上，但人脑的信息就无法复制，除非重修相同的脑构造。

最为关键的是，打算机的构造无法产生算法，也便是无法从数据中提取逻辑关系，也便是无法从数据中提取信息，因此打算机哀求输入数据“自带信息”——这是如何做到的呢？

首先，须要数据构造，它是一种描述数据关系的构造化数据，即关于数据的数据，称之为元数据。
其次，须要代码算法，它是一种可实行的数据，用于掌握硬件构造完成打算，包括逻辑运算和读写操作，这两者可以实现数学运算。
末了，代码算法的实行，将会把数据映射到数据构造，从而实现数据中逻辑关系的提取，也便是信息的提取。

由此可见，打算机哀求输入数据（含有数据构造和代码算法），既要有逻辑关系，也要有逻辑处理，而这些都被转移到了由人类智能来供应。

对付可塑性，输入信息可以改变人脑神经网络构造本身（包括生物逻辑门），从而改变对输入信息的获取和处理，于是构造和信息之间就形成了「构造接管信息，信息塑造构造」的相互浸染，这就犹如——河床（是构造）约束勾引河流（信息），河流（是信息）冲刷塑造河床（构造）。

事实上，抽象地来看，逻辑即是构造所固有的关系，不同的构造（或同样构造不同角度）有不同的关系就有不同的逻辑，而构造的改变即是逻辑的改变。

例如，人在梦境中的想法逻辑，会与复苏时有很大的不同，这便是由于人脑神经网络在就寝时的激活结构不同，这种构造的不同，就会产生不同的想法逻辑。

因此，人脑可以捕获环境信息，接着剖析学习个中的逻辑关系，然后（将逻辑）存储进动态的人脑神经网络（构造）中（比如履历与知识），并参与后续（环境信息）的逻辑处理，这即是自主学习的能力。

那么比拟人脑，打算机的构造固定，完备没有动态性和自组织性，转而只能依赖人类智能供应——数据构造与算法（数据构造 + 算法 = 程序），于是打算机警能也就无法进行——自主学习与自主推理了。

简而言之，人类智能是由于人脑的构造非常繁芜，而打算机的构造如此大略，其“智能表现”是把繁芜算法都转移到了程序设计之上，也便是让人类智能来思考产生。

综上可见，我们“自诩”的智能，实在便是来自于——繁芜构造的动态性与自组织性，其功能就在于——从环境信息中建模映射真实天下的逻辑关系，继而可以准确地预测未来。

当然，人脑构造中存储的都是——简化模型，而对这些颅内模型的打算与建模，便是由智能所主导的——认知打算与认知建模。

有趣的是，人脑的认知模型不仅简化，其认知模式还偏好简化，但它（模型和模式）可以繁芜——这是一种蜕变冗余的结果。

而普通地说，人脑构造——决定了晶体智力（取决于学习，如技能和技艺，不受朽迈影响），神经运作——决定了流体智力（取决于基因，如影象力和算力，随朽迈减退），智能——则建立在晶体智力与流体智力之上。

那么，打算机警能有没有办法，打破固定构造的局限性，从不同的蜕变路径去“仿照”出人类智能呢？

智能与数据

如前所述，能够创造出算法是智能的关键所在，而在编程领域，《Unix编程艺术》一书中有这样一个实践性的洞见——算法和数据构造有一个关系，即：

数据构造越繁芜（如哈希表），算法就可以越大略，数据构造越大略（如数组），那么算法就须要越繁芜。

例如，编程措辞越是动态化（如Python、JS、Lua），就越随意马虎构建繁芜构造，用其编写算法也就越随意马虎，相反编程措辞越是静态化（如C、C++、Java），就越难以构建繁芜构造，用其编写算法就困难，而编程措辞的蜕变是越来越动态化（如C#）。

其事理就在于，算法实现——是逻辑关系的“打算映射”，即动态地进行逻辑关系的转化；数据构造——是逻辑关系的“固化映射”，即将已经打算好的逻辑关系，存储在了却构之中。

可见，算法比数据构造多出了打算的过程——前者须要根据逻辑关系进行逻辑运算，后者仅须要根据构造的逻辑关系直接读写——以是运用数据构造进行逻辑关系的转化，会更加高效。

而人脑可以从环境信息中，提取数据构造并习得算法，终极将两者存储到脑构造之中——可见，「神经构造、数据构造、算法」三者之间可以相互转化，或说相互表征。

表征——是指用信息描述某一事物的状态，即：信息符号可以代替某一事物本身。

换言之，如果数据构造足够强大，它就可以充当繁芜算法的功能，乃至可以替代繁芜的神经构造。

因此，打算机警能“拟人”的一个路子，便是通过强化数据构造来仿照神经构造，以及弱化人类智能所供应的代码算法，转而利用构造去天生算法，而这便是目前人工智能的发展方向——以下利用“人工智能”来替代“打算机警能”。

那么，问题就回到了，人工智能的数据构造从何而来呢？

显然，“人工”二字已经解释，依然由人类智能来供应，只不过这不是一个针对详细问题的数据构造，而是一个仿照人脑神经网络的通用数据构造——它是对人脑构造的简化抽象，并由程序措辞编程实现的数学模型（以矩阵为根本，想象黑客帝国的母体），可称之为“类脑数据构造”，更形象的描述是“类脑神经网络”。

接下来，人类智能连续供应一种算法——机器学习算法（如深度学习、强化学习等等，每种又有不同的详细实现），这种算法可以通过拟合与打算，试图在海量的大数据中找到各种各样的算法——从而把特定的输入问题与输出结果对应起来——这相称于实现了一种可以创造算法的“算法”。

大数据——是指拥有多维度信息的大量数据，也便是说，不仅数据量大，信息量也大，而“大量数据”，仅仅是数据量大，信息量却不大，乃至可能很少。
概括来看，大数据有4个明显的特色，即：数据量大、多维度、完备性、和实时性。

大数据中的“薄数据”——是那些可量化、可丈量，但未必主要数据。
大数据中的“厚数据”——是那些不可量化、不可丈量，但主要的数据。

而将类脑数据构造与机器学习算法结合起来，就可以动态地自组织类脑数据构造（通过构造连接关系的权重），以存储算法创造的算法——于是人工智能就表现出了自主学习与自主推理。

有趣的是，有一种机器学习算法（强化学习，Reinforcement Learning）与人脑多巴胺强化学习的机制是相同等的，即：

概率来自权重（历史权重决定了算法的概率打算），权重来自褒奖，褒奖来自行为，行为来自决策，决策来自褒奖，褒奖来自概率（现实概率决定了褒奖的终极获取）——这解释机器可以利用人脑相同的学习机制进行“自我学习”。

那么，这里算法习得的权重（也称权值），实在就相称于人脑神经元之间的连接强度，通过数据反复地演习与调度，无论是机器还是人脑，终极都可以把输出结果逼近精确答案。

事实上，早在1950年，图灵就阐述了这样的不雅观点——沃尔特·艾萨克森在《创新者》中指出，为了回嘴“洛夫莱斯夫人的异议”（即埃达·洛夫莱斯认为剖析机无法像人脑一样事情），图灵在论文中提出了一个极具独创性的不雅观点，即：

“机器也容许以进行学习，从而逐渐发展出自己的主动性，并节制产生新想法的能力。
……图灵提出了一种褒奖和惩罚机制，它可以匆匆使机器重复或者避免某些行为，终极这台机器将会培养出自己对付思考的观点。
”

由上可见，人工智能是在通过「输入数据、数据构造、学习算法」之间的相互转化，来形成“拟人智能”的——也便是从数据中找到构造，再从构造中产生算法，末了将算法存入构造。

值得一提的是，实践表明，人工智能模型可以通过数据演习，得到非常精准的预测能力，但这种预测能力不具有可阐明性，即无法阐明预测结果的形成路径。

换言之，类脑数据构造（或说类脑神经网络）是一个——“黑盒模型”，犹如人脑一样。

那么，从此也可以看出，构造呈现智能的规律与力量——就犹如化学中构造决定性子，物理中构造决定引发，程序中构造决定功能，措辞中构造决定语义，等等——或许构造决定了统统，这被称为“构造主义”。

按此视角，“听不懂”、“不明白”、“搞不清”、“难明得”——实在质都是无法重现相同（或相似）的构造，即脑神经网络构造，如：动物听不懂人话，学渣不明白公式，平民搞不清政治，男人不理解女人。

换个角度来看，一个人哪怕履历再丰富，与“大数据”比较也只是“小数据”，但“小数据”并不影响人脑具有强大的预测能力——其缘故原由就在于，从有限的数据中得到（或说提取存储）有效故意义的构造，而“构造”可以预测未来。

那么，如果拥有了足够大的“大数据”，这就像拥有了一张分辨率足够高的“照片”，任意放大“照片”的某个局部，都可以看到足够多的信息与连接，这就有更多的可能性，从这张“照片”里创造某些规律，即构造——这便是人工智能的路径与意义，即连接了数据与构造。

然而除了数据构造，在拟人智能的道路上，仍有一个显著的问题，即是人脑的模糊性与打算机的精确性，它们之间的差异性该当如何办理？

智能与概率

事实上，打算机一贯是基于精确逻辑的事情模式，任何眇小的逻辑缺点，都会在打算积累中不断地被放大，直到逻辑崩塌或程序崩溃，终极导致任务失落败。

人脑的逻辑处理则完备不同，人脑基于“贝叶斯算法”利用概率模型，通过统计的结果来得出可能性，从而创造出各种假设，并随着吸收到的新信息而不断调度模型，同时又会根据最新模型连续地皮算，不断逼近最真实准确的答案，以是人脑可以忽略不具有规模的非常和缺点。

贝叶斯算法——是根据先验概率，进行概率打算，结合客不雅观信息，调度先验概率，以此迭代循环，从而让后期预测，不断逼近准确的客不雅观现实。
普通地说，便是预测随着新信息而不断改变，或结论随着新证据而不断改变。

例如，人脑处理措辞，便是概率模型的最佳表示，显然人类措辞具有很强的容错性和纠错性——什么语法缺点、二意性、口音语调、反讽诙谐等等，都可以在稍纵即逝之间被人脑大概率的精确处理，这是打算机和编程措辞所望尘莫及的，由于编程措辞错一个分号，程序就会“满盘皆输”——并且在人类措辞之上，人脑还可以支撑精确的推理模型。

而人类智能可以利用的推理，紧张有四种：

第一，演绎推理，又称逻辑推理，由一样平常到分外。
第二，归纳推理，由分外到一样平常。
第三，类比推理，由分外到分外，可以理解为：抽象的外推，有抽象才有类比，抽象靠近实质，实质通用可以外推，通才的“学习迁移”即是利用类比。
第四，溯因推理，又称反绎推理（或反向演绎），由分外到阐明，可以理解为：大脑迢遥区域的长连接，以及潜意识的打算，即直觉。

个中，演绎与归纳，（在数学上）是基于精确逻辑的（在人脑中是相瞄准确的），类比与溯因，则是基于概率统计的，而推理的根本浸染便是——捕获因果，预测未来。

事实上，直觉、闪念、灵感、顿悟所带来的洞见，每每便是利用类比与溯因的推理结果，其过程看似没有逻辑，实则背后是神经网络“迢遥连接”所引发的信息的“自由”排列组合——显然，概率会让这种“洞见”，有时是灵光乍现（即蕴含着深刻实质的逻辑），有时则是胡说八道（即类比缺点、溯因荒谬）。

类比——是形式不同，但逻辑相同的连接。
溯因——是根据征象，探求最可能的阐明。

可见，人类智能在构造与打算之上，必须要引入概率统计的事情模式，才能够展现出其强大的推理预测能力。

那么，基于精确逻辑的打算机，能够基于概率统计来事情吗？

在经典奠基性教材《深度学习》（Deep Learning）一书中，作者指出：

“在人工智能领域，概率论紧张有两种用场：首先，概率法则见告我们，人工智能系统如何推理；其次，可以用概率和统计，从理论上剖析人工智能系统的行为。
……概率论，使我们能够提出不愿定性的声明，以及针对不愿定性的情景进行推理；而信息论，则使我们能够量化概率分布中不愿定性的总量。
”

是的，从某种角度来看：人工智能 = 打算机 + 概率论 + 信息论 + 大数据，个中概率论便是能够让算法创造算法的机制——就犹如人脑中概率模型的运作。

对此，作者在《深度学习》中，这样说道：

“学习理论表明，机器学习算法能够在有限个演习集样本中，很好地泛化——这彷佛违背一些基本的逻辑原则。
常日，归纳推理（即从一组有限的样本中推理出一样平常性的规则），在逻辑上不是很有效。
由于，为了逻辑推理出一个规则去描述凑集中的元素，我们必须具有凑集中每个元素的信息——这是很难做到的。
但在一定程度上，机器学习仅通过概率法则，就可以避免这个问题，而无须利用纯逻辑推理全体确定性的法则。
终极，机器学习可以担保找到一个，在所关注的大多数样本上可能精确的规则。
”

那么，运用了概率，就须要接管概率的模糊性与不愿定性。

没有免费午餐定理（No Free Lunch Theorem）已经清楚地表明，没有最优的学习算法，特殊是没有最优的正则化形式。

正则化（Regularization）——是指向模型中加入某些先验的规则（如正则项，或称规则项），以减小模型的求解偏差。
普通地说，便是把人类的知识，以数学的形式见告模型。
那么，没有最优正则化形式，意思便是人类的知识，没法用完美的数学形式见告模型。

因此，机器学习研究的目标，不是找一个通用学习算法，或是绝对最好的学习算法，而是理解什么样的概率分布，与人工智能获取数据的“真实天下”有关，以及什么样的学习算法，在我们所关注的数据分布上，效果最好。

事实上，我们该当彻底放弃，用人类智能去探求“算法”来“更新”人工智能，而是用人脑源源不断产生的数据，去“喂养”人工智能，然后让它从大略构造开始，向着繁芜构造不断地“自我蜕变”——就像当初的人脑一样。

例如，历史上的天才，他们对天下的认知和理解，可能还不如今天一个普通人，便是由于天才短缺了当现代界的「数据-信息」，可见——平庸 + 信息 > 天才，机器 + 数据 > 人才。

那么在运用中，大多数机器学习算法都有“超参数”，它是在开始学习过程之前设置值的参数，而不是通过演习得到的参数，设置它可以掌握算法的行为，常日情形下，须要人工对超参数进行优化，即给出一组最优超参数，以提高学习的性能和效果。

换言之，我们该当是设计一个循环嵌套的学习过程，让一个学习算法为另一个学习算法，学习出“最优超参数”，而不是人工供应这个“最优超参数”。

更为主要的是，机器学习短缺一种内在的驱动力，即是痛楚与压力，而对生物体来说，一个环境信息的“好坏”，就关联着痛楚与压力，即是生存。

因此，我们须要让机器“感想熏染”到痛楚与压力，或说是给机器植入痛楚与压力，即想办法给机器编码出“痛楚与压力”，这样机器学习才能在数据流中，自发地进行学习，自动地推理因果，从而得到自我蜕变。

末了可见，精确的预测（或说预测的精确率），取决于信息量（信息可以肃清不愿定性），而信息来源于数据，没有更多的数据，便是没有更准确的预测，那么在迭代打算中，用构造去捕获数据，进而掌控预测的概率——这便是人工智能与人类智能的“同构蜕变”。

智能的实质

前文谈论了智能的诸多层面，现在我们将从生物蜕变和物理规律的视角，来阐明智能的实质到底是什么。

首先，从生物蜕变角度。

蜕变压力哀求，生物体构建出趋利避害的功能，否则就会被淘汰，那么如何才能趋利避害？——首当其冲的便是，准确地预测利与害。
那么如何才能准确地预测利与害？——自然是，通过智能的推理能力（即演绎、归纳、类比、溯因）。

事实上，基因本来是利用神经元，来掌握运动和反射的，其存在的目的仅仅是掌握肌肉的运动，以是植物不须要神经元，动物才须要。

而显然，运动的机遇与环境信息密切干系，于是后来神经元就开始对信息进行影象、剖析、预测、终极是仿照（仿照是为了更好的预测）——这个过程，也是从神经元到大脑、到人脑、再到产生智能的蜕变过程。

换言之，是环境在匆匆成神经系统对环境信息的仿照和预测，从而逐渐把神经系统蜕变成了智能系统，以是大脑是由神经元构成的神经网络。

而终极，基因设定了一套根本规则，即本能，然后就放手让大脑去接管险些所有的决策与选择行为，即智能。

由此可见，智能来源于对运动掌握的迭代升级——它是根据环境信息制订“运动算法”的算法，或说为了应对环境，智能提高了运动对环境的反应策略——它是（凭借推理能力）对环境信息的理解（即捕获了因果关系）。

一个有趣的类比是：程序环境中的——数据与行为（行为详细是指函数或方法的实现），对应了自然环境中的——信息和运动。

以是，OOP（Object Oriented Programming，面向工具编程）把数据与行为“打包”，实在是符合蜕变模型的，从某种角度说，OOP具有分形递归的特性，即：整体可以由局部递归组合而成，且整体与局部具有自相似性——这让它可以仿照生物体的蜕变特性。

而更宏不雅观地看，智能是生物体在蜕变压力之下，不断升级的一定产物，也是无数次随机试错的有时产物。

例如，有个物种，由于基因突变得到了一个蜕变上风，但在一段韶光后，它的”竞争者“也会蜕变出新的上风，来抵消它的上风，以是蜕变出比基因突变，更具趋利避害上风的”智能系统“，便是一种被迫”武备竞赛“般的”随机一定“。

或许有人会说，基因构建的本能，也能够预测未来，动物也可以针对环境信息，做出预测性的行动反馈——但事实上，本能并没有推理，而只是做出有限模式的“套路化”反馈，即：应激反应与条件反射。

因此，我们可以将智能算作是——通过推理的预测能力，即：推理能力越强，预测能力就越强，智能就越强，反之智能越弱，预测能力就越弱，推理能力也就越弱。

那么，生物体通过智能最大化趋利避害之后，会怎么样呢？

当然便是，高效地吃喝、一直地繁衍、长久地生存，末了还会发展出越来越前辈的科技——这显然会花费更多的能量，制造更多的熵增。

其次，从物理规律角度。

一个层面，熵增定律哀求，局部自组织有序熵减，以推动整体更加的无序熵增，由于坚持局部有序，须要注入能量，而花费能量的过程，会在整体产生更多的无序。

另一个层面，系统能量足够，就可以保持对称性（无序），能量不敷就会对称性破缺（有序），如：水的能量高于冰，水的（旋转）对称性高于冰，水比冰更无序。

那么，结合以上两个层面来看：

熵增会使令局部有序，坚持有序须要注入能量，于是有序就会蜕变出，越来越高效的耗能系统来获取能量，而拥有足够的能量，就可以保持干系系统（即耗能系统所能够影响的系统）的对称性。

那么，对称性意味着蜕变的可选择性，可选择性则可以通过选择权的不对称性，让系统局部从干系系统中受益，进而得到更多的能量，这又会推动局部更加的有序和耗能，终极令系统整体走向不断熵增的蜕变过程。

选择权——大略来说，便是具有选择的权利，可以放弃这个权利。
可选择性——大略来说，便是具有选择的选项，选项可以是选择权。

类最近看：

局部有序便是——人体，耗能系统便是——人脑，干系系统便是——生存环境，有对称性便是——具有智能，可选择性便是——表现智能，局部受益便是——趋利避害。

合起来即：人脑通过智能得到趋利避害，以让人越来越长于花费能量，从而顺应宇宙熵增的蜕变。

而对称性破缺产生有序，便是利用智能的过程，也便是行使选择权的过程，详细如下：

在智能选择之后，系统就会进入不对称模式，此时连续向系统注入能量，系统内部就会开始构造的排列组合和远近连接，并以内部折衷的办法产生新构造，从而形成更大的对称性，拥有更大的可选择性，同时也须要更多的能量，才能坚持在这个状态，而这个状态便是更强大的智能——或说可以表现出更强大的智能。

类最近看，利用智能可以使人脑产生新构造，而人脑的可塑性可以折衷新构造，使得人脑构造具有更大的对称性，这相称于人脑神经网络拥有更多的最短连接路径，以及更多的发展可选择性（由于对称性带来更多耗能相同的选项），结果在相同耗能下，前者可以激活更多的思路，后者可以应对更多的情形，这即是增强了人类智能。

而更强的智能，又可以使人脑从生存环境中得到更多的可选择性，这表示在可以看到环境中更多的可选择性（由于识别更多的对称性），以及让环境具有更多的发展可选择性（由于对环境有更多的操作），这即是趋利避害的蜕变最优解。

可见，智能的实质，便是通过耗能坚持系统对称性的能力。

那么结合前文，人类智能是人脑构造繁芜性的呈现，现在来看会有更进一步的理解，即：构造的繁芜性在于——规模性和动态性，前者可以通过能量产生增长，后者可以通过能量产生对称，两者的结合就可以产生——繁芜系统的对称性，这即是人类智能。

而在构建繁芜智能的过程中，最为关键的地方在于——新构造是有序，但构造的对称可以产生无序，就像圆形比三角形更加的对称（旋转对称性）、更加的无序、也拥有更多的最短连接路径。

须要指出的是，构造对称，虽然在整体产生无序，但在局部会产生更多有序——这是一个通过耗能熵减的过程，刚好与熵增（整体无序，局部有序）相反。

按此理解，“智熵”——便是通过智能，在环境提高非对称无序熵（整体熵增），在系统提高对称无序熵（局部熵减），终极推动熵增的编码能力。

而对称性的意义，就在于供应了——可选择性，即：可以利用更多的路径选项，来对抗环境压力的使令，从而坚持自身状态的不变，或向着自身有利状态的改变。

显然，拥有可选择性，就可以表现出智能——就像有一个开关、多个开关、感应开关、语音开关、自定义开关、可编程开关等等，可选择性越多，就越表现出智能。

而可选择性的意义，就在于选择权的不对称性，即：能量不对称，我有的选，你没的选；信息不对称，我知道怎么选，你不知道怎么选——这意味着，拥有趋利避害的生存上风。

值得指出的是，随机性也可以带来可选择性，如继续与运气——以是随机性可以创造智能，也可以在某个层面超越智能，即：随机试错具有超越迭代试错的概率。

事实上，任何耗能系统，都可以由于注入能量而保持构造的对称性，从而具有可选择性，进而表现出某种智能，只不过人脑是自然界蜕变出的，最繁芜的耗能系统，以是人类智能是自然界中，最强大的智能。

例如，宇宙奇点具有对称性（高温无序），接着大爆炸之后，由于空间膨胀（的环境压力），宇宙的对称性破缺（低温有序），然后又向着无序熵增的方向蜕变——可见宇宙本身，就具有某种智能，它在试图坚持自身处在“无序对称具有可选择性”的状态。

那么归根究底，可选择性带来适应性，这是蜕变对智能的哀求，而对称性（无序）须要注入能量，这是熵增对蜕变的哀求。

可见，适应性（蜕变）= 可选择性（表现智能）= 对称性（具有智能）= 有序（信息不对称） + 能量（能量不对称）——信息可以肃清不愿定性，有序即确定，意味着具有更多的信息。

而如果没有适应性（或适应性不敷），就解释短缺对称性，也便是「有序 + 能量」中的能量不足，此时有序，就会被环境压力分解为「无序 + 能量」，其能量会被用来支撑其它「有序 + 能量」的蜕变，只剩下无序熵增。

换言之：

能量不敷——会匆匆使「有序到无序」并开释能量（即淘汰），能量足够——会匆匆使接管「有序到无序」开释的能量（即留存），结果永久——是「有序到无序」的熵增（即方向）。

因此，智能可以算作是，熵增驱动蜕变的结果，而熵增就可以算作是，蜕变压力的压力，或说是宇宙蜕变的“终极压力”。

末了，更抽象地看——智能只是能量流动中的一种模式，更大略地看——智能只是趋利避害中的一种模式（本能与智能是两种模式），更一样平常地看——智能便是得到可选择性的能力。

不同的视角

人工智能，虽然来源于对人类智能的仿照，但如果仿照到了蜕变算法，它就会有自己的发展，并且开还会反浸染于人类智能本身，比如从机器学习的有效算法，去反思人类学习的神经模式。

事实上，人工智能与人类智能的智能竞赛，可以倒逼我们找到自身智能奥秘的底层逻辑，由于越高等繁芜的智能，其蜕变路径就越是狭窄的，就像人类眼睛与章鱼眼睛，是独立蜕变出的两种相似构造，以是人工智能与人类智能，在智能蜕变的道路上，终极也可能会“殊途同归”。

那么，从这个角度来看，人工智能目前还不及人类智能的事情，一方面是它的智能蜕变才刚刚开始，另一方面则是由于人类还不足理解自己，还无法供应人工智能加速蜕变的关键技能。

然而，如果仅从繁芜构造的「连接性、动态性、随机性」来标度智能，我们会创造全体互联网就像一个人脑。

个中，互联的打算网络就像是人脑的神经网络，连入网络的每台打算设备，就像是一个神经元细胞——不，实在是每个利用设备的人，才是一个神经元细胞——每个人都在贡献着数据与构造，人与人之间的连接和关系，以及数据交互的动态性和自由意志的随机性，就构成了一个“类脑”的繁芜构造。

换个角度来看，为什么说互联网是我们大脑的延伸，而不是“眼耳手腿”，便是由于互联网连接的是我们大脑。

这样，全体互联网会蜕变出自己的智能吗？

同理类似，一个超大规模的城市，通过其不断变革又极其繁复的交通网络与根本举动步伐，将个中数以千万的“人类神经元”连接起来，进行信息的通报和交流，从而构成了一个“类脑”的繁芜构造。

这样，全体城市会蜕变出自己的智能吗？

答案是否定的，即互联网与城市都无法产生智能，其关键缘故原由有两点：

其一，人类自身的蜕变，限定了人与人之间的连接——150定律（即邓巴数）表明，人类拥有稳定的社交网络人数大约是150人——而在人脑神经网络中，一个神经元与其它神经元的连接数，均匀是7000~10000个。
其二，人脑神经元总数大约有860亿个，而环球人类总数大约只有70多亿。

神经元的连接数：Do we have brain to spare神经元的总个数：The human brain in numbers

可见，用“人类神经元”去构建一个“类脑构造”，不考虑别的，仅在标度上就有数量级的差距，而量变显然决定了却构的质变与呈现。

由此看来，智能不仅在于构造和能量，还在于规模和尺度，也便是关乎于韶光和空间——规模取决于构造的存在韶光，尺度取决于构造的活动空间。

结语

生命是化学的一种形式，智能是生命的一种形式（生命可以没有智能），而智能也是生命理解其自身的一种形式。

但有智能并不一定就故意识，按照智能的定义（耗能、推理、预测、可选择性），人工智能已经拥有了智能，但它还不具故意识。

本文的主旨是“构造主义”，即构造决定了统统，因此构造是智能的详细实现（就像程序是算法的详细实现），而这也是人工智能（或许）可以实现人类智能的根本所在。

那么按此理解，意识便是构造在呈现智能之后的另一个呈现产物，可能是在于某种分外的“回路构造”，其承载的是有关“打算的打算”——这是回路构造的构造特点。

事实上，打算驱动了蜕变过程中的状态改变，打算的实质是用一个别系去仿照另一个别系的蜕变——就如颅内仿照是人脑的打算，程序仿照是机器的打算，前者是生物系统的仿照预测，后者是物理系统的仿照预测——显然，打算也是依赖于构造的，而这便是人工智能与人类智能，可以“同源打算”的蜕变。

回到算法，从某种角度看，基因的算法是本能，人脑的算法是智能——前者源于基因构造，后者源于人脑构造，差异在于后者是一种通用算法，它可以创造其它算法，而人工智能通过数据构造与算法的相互转化，也做到了这一点。

不得不说，“构造主义”为人工智能的“拟人”，扫清了障碍，铺平了道路——乃至说，就算我们无法完备理解“智能构造黑盒”的事理，也没有关系，我们只须要将“黑盒”整体打包成一个算法，然后注入打算，任其蜕变——剩下的只要交给韶光即可。

那么，就目前而言，人工智能还只是人类智能的一种工具（或说玩具），就像数学和物理是一种工具一样，但从蜕变视角来看，人类又何尝不是基因的工具（或说奴隶）呢？

而我们都知道，智能如果超越了某个别系，系统的规则就无法再束缚住这个智能的蜕变——这便是人类智能与自然系统的历史关系。

因此，对付人工智能的未来，或许“构造主义”蜕变出的结果，是一种全新的“智能”，“祂”不仅仅是“拟人”的强人工智能，而是超越人类智能系统之上的——“机器智能”，这条蜕变之路，或容许以被称之为——“机器主义”。

后记1：智能的定义

前文，一共对智能有哪些定义：

智能是——通过推理的预测能力。
智能是——通过耗能坚持系统对称性的能力。
智能是——得到可选择性的能力。
智能是——趋利避害中的一种模式。
智能是——能量流动中的一种模式。
智能是——动态构造的动态打算。
智能是——在整体提高非对称无序熵，在局部提高对称无序熵，终极推动熵增的编码能力。

那么，关于智能的未来，只有一个主要的问题，即：全能又“随机所欲”的宇宙，会不会通过“人类基因构造”向“机器模因构造”注入通用智能呢？

后记2：通用智能的产生

非常简化地看，智能便是——预测未来的能力，假如智能不能预测未来，要它有何用？

显然，预测未来带来了生存上风，生存（更好的生存）便是智能蜕变的选择压力，而为了更好地预测未来，智能可以从数据中构建模型，然后用模型来预测未来。

以是，智能行为总是环绕着模型来展开的——如抽象、分类是在创建模型，如比拟、识别是在演习模型，如判断、选择是在测试模型——有了成熟准确的概率模型，就可以推理预测、决策未来。

而模型，实在是一种构造，即模型构造，并且构建模型，依然须要构造，即大脑构造。

事实上，智能预测，不仅须要构造（模型构造与大脑构造），也须要数据，如果没有环境数据中的有效信息，就很难进行有效的预测，乃至都不知道该预测什么——由于预测目标，便是以「数据-信息」的形式，进入智能系统的。

那么，从物理角度看，数据便是构造，构培养是数据，进入智能系统的数据，与其来源的构造，是一个不可分割的整体，拥有密切的“逻辑关系”。

为什么特天命据，演习特定的模型，不能通用？

由于，预测来自于数据之间的逻辑关系，以是数据演习的模型构造，可以预测特定类型的数据及其变革。

为什么人类智能可以通用？

由于，人脑可以不断学习，利用各种数据演习各种模型，而显然人脑如果不学习某些知识，就无法在这个领域进行有效的预测，即不具备这个领域的智能。

为什么动物的智能上限远不及人类？

由于，动物的大脑短缺强大的“学习网络”，即：新皮质不足发达——要么不存在、要么不足繁芜、要么不足动态。

如果说，智能在于预测，预测在于模型，模型在于构造，那么通用智能的关键就在于：利用学习来塑造构造形成模型——而学习须要褒奖，褒奖来自环境。

换言之，通用智能 = 动态构造 + 学习塑造 + 褒奖目标。

那么，对人工智能来说：

动态构造——可以利用数据构造来仿照。
学习塑造——可以利用学习算法来仿照。
褒奖目标——可以利用编程驱动来仿照。

末了，关于智能预测，我们都知道，微不雅观系统是不可预测的，繁芜系统也是不可预测的——但微不雅观的不愿定性可以在宏不雅观相互抵消，繁芜的不愿定性可以被超高算力求解。

那么，通用智能的终极目的便是：精确地预测未来——或说是精确地仿照这个天下，蜕变出一个确定的未来（包括“三体问题”的运动轨迹）。

后记3：图灵测试

以下史实内容，来自沃尔特·艾萨克森的《创新者》一书。

在1950年10月的哲学期刊《心灵》（Mind）上，图灵揭橥了论文《打算机器与智能》，个中提出了一个观点——“图灵测试”（Turing Test），它为人工智能模拟人类智能，供应了一个基线测试，即：

“如果一台机器输出的内容和人类大脑别无二致的话，那么我们就没有情由坚持认为这台机器不是在「思考」。
”

图灵测试，也便是图灵所说的——“模拟游戏”（The Imitation Game），其操作很大略，即：

“一位讯问者将自己的问题写下来，发给处于其余一个房间之中的一个人和一台机器，然后根据他们给出的答案确定哪个是真人。
”

对付图灵测试的异议，哲学家——约翰·希尔勒（John Searle）在1980年，提出了一个叫作“中文房间”（Chinese Room）的思想实验，即：

“在一个房间里面有一个以英语为母语，而且对中文一窍不通的人，他手上有一本详细列出所有中文搭配规则的手册。
他会从房间外收到一些以中文写成的问题，然后根据这本手册写出中文的回答。
只要有一本足够好的辅导手册，房间里的回答者就可以让房间外的讯问者相信他的母语是中文。
只管如此，他不会理解自己给出的任何一个回答，也不会表现出任何的意向性。
”

“按照埃达·洛夫莱斯的话来说，他不会主动地创造任何东西，只是根据得到的任何指令完成任务。
同样地，对付参加图灵测试的机器来说，无论它可以如何成功地模拟人类，也不会理解或者意识到自己所说的东西。
我们不能因此认为这台机器可以「思考」，正如我们不能认为利用一今年夜型辅导手册的人，可以理解中文一样。
”

当然，对付希尔勒提出的“中文房间”的异议，有人提出了回嘴，即：

“虽然房间中的人本身不是真正理解中文，但是这个房间包含的完全部系——人（处理器）、辅导手册（程序）、以及写满中文的文件（数据），这三者作为一个整体是确实能够理解中文的。
”

对此，我的意见是：

如果说，人脑作为一个整体，是可以“理解”中文的，这是人类智能的表示，那么对付人脑中的每个局部，是否能够“理解”中文，并具有人类智能呢？——显然，局部到一个神经细胞，是一定没有人类智能的。

可见，我们须要搞清楚，所谓人类智能的“理解”到底是什么？

从前文论述可知，“理解”——实在是来自数据构造内在的逻辑关系，即：人脑的神经构造，捕获仿照（或说影象存储）了数据构造的逻辑关系，便是人类智能的“理解”。

例如，一个人真正的“理解”，即是在大脑中有对应的“构造”，而假装“理解”，则是大脑中没有对应的“构造”，只是在措辞上试图“插值”，以是也无法阐明清楚——让别人理解（即在别人大脑里重修构造）。

那么，在构造映射关系的过程中，就会有不同尺度层级的视角——在“中文房间”中，不会中文的人脑并没有形成“理解”的构造，但不会中文的人脑加上辅导手册，就形成了“理解”的构造。

以是，群体智能 = 个体构造 + 个体构造 + 个体构造 > 个体智能——这是构造上的扩展，也是智能上的增强。

当然，考虑到“乌合之众”，人类群体的智能不一定就高于人类个体，这是基因算法局限性的又一种表示。

末了，从图灵测试的描述来看，貌似“智能尺度”是——房间，但在现实中，“房间”的背后，我们并不知道其连接着什么与哪里，即有了网络，智能可以变得无形与无限。

但在构造视角下，智能的限定会来自“连接”，而“连接”的上限，即“光速”。

以是，宇宙中的智能蜕变，会存在一个上限，即最大智能。

后记4：连接与规模缩放

杰弗里·韦斯特（Geoffrey West）在《规模》一书中指出：

“公司（收入）的规模缩放指数约为0.9，而城市（根本举动步伐）的规模缩放指数为0.85，生物体（代谢率）的规模缩放指数则为0.75。
”

换言之，公司规模增加一倍，其收入增加2^0.9 = 1.87倍；城市规模增加一倍，其根本举动步伐增加2^0.85 = 1.8倍，生物体规模增加一倍，其代谢率增加2^0.75 = 1.68倍。

可以看到，规模缩放指数越小，其增长率就越低，反过来看便是效率越高。

例如，生物体重增加一倍，代谢率只须要增加1.68倍；城市大小增加一倍，根本举动步伐只须要增加1.8倍；公司人数增加一倍，收入只须要增加1.87倍（更少的钱养活了更多的人，用人效率提高）。

那为什么会涌现，这样不同指数的规模效应呢？

可能的缘故原由就在于——“连接密度”，由于从连接角度来看：

生物体内（代谢运作）的连接密度 > 城市内（举动步伐利用）的连接密度 > 公司内（职员互换）的连接密度。

显然，连接密度越大，效率常日就会越高，但其改变、适应、重塑，就会变得越难以实现——随意马虎产生“构造僵化”，由于连接之间会相互浸染，产生限定与约束。

例如，在大脑的神经网络中，连接密度越大，信息的连接路径就越多，影象就越持久（也更随意马虎提取），但这样的信息也不随意马虎改变——须要新证据建立新连接才能改变，但新证据常日都会被已有信息的大量“连接信息”给否定。

例如，改变影象中一个字词的意思是随意马虎的，但改变影象中一个不雅观念的对错是非常困难的，由于这个不雅观念会有很多的连接——代表着其本身的影象强度，以及与其它信息的交互。

事实上，效率性与可塑性，每每不可兼得。

例如，婴儿的大脑：连接少、效率低、可塑强；成人的大脑：连接多、效率高、可塑低。

可见，人脑在连接密度与可塑性之间，会涌现此消彼长——在此别忘了，人脑细胞数量在抵达上限之后，就会随着年事增长不断低落——这解释脑细胞的数量远不及它们的连接主要，并且用可塑性换取连接密度，是人脑的学习过程。

例如，就算丢失了很多脑细胞，但凭借可塑性构建的大量新连接，剩余的脑细胞依然可以支撑正常的脑功能。

然而，随着连接密度远远超过连接可塑时，构造僵化就会不可避免的发生。

例如，履历会压制对新知的获取，专业会压制对认知的改变，效率性超过可塑性就会涌现“思维定势”——这是“思维快捷办法”带来的副浸染。

再从蜕变角度来看，可塑性低落，适应性就会低落（即学习能力低落），终极就会由于僵化而被淘汰——可见，要想在蜕变的选择压力中脱颖而出，大脑不仅要有效任性（即本能与智能的快捷办法），还要有可塑性。

因此，并不是脑容量越大、脑细胞越多、连接密度越高，智能就会越高——而是在于连接密度与连接可塑之间的平衡——前者依赖后者（连接来自可塑），又会限定后者（连接抑制可塑）。

事实上，从自然界普适的规模缩放规律，我们可以看出：通过增加连接密度，来提高运作效率，是一条比较宽泛的蜕变道路，但通过增加连接可塑，并与连接密度达成奇妙的动态平衡，来得到“通用智能”，便是一条比较狭窄的蜕变道路，而这便是人类智能的蜕变路径。

其道路狭窄的缘故原由，可能在于：

第一，连接密度须要达到一个阈值，即颅内限定。
第二，连接可塑须要一个动态构造，即神经元构造。
第三，连接密度与连接可塑的动态平衡，须要动态掌握，即神经递质。

那么，对应到机器智能上，连接密度与连接可塑，都可以通过数据构造来构建达成，至于它们之间奇妙的动态平衡与掌握，则可以交给迭代试错的学习过程来“拟合”。

末了，更抽象地来看，连接密度取决于不同构造（如颅内），连接可塑取决于动态构造（如神经元），两者的动态平衡取决于掌握构造（如突触与递质），可见智能最底层的基石，即是——构造与连接，而推动构造与连接变革的，便是——相互浸染。

简而言之，构造会通过连接关系的相互浸染改变构造本身，而长连接则会带来构造的呈现质变。

因此，我们须要带着「第一事理」的视角，去重新认识与思考：构造、连接、长连接与相互浸染。