哈佛大学的BKC探讨了人类智能和AI计算智能的实际上是否相同

在当今的专栏中，我研究了关于人类智能是否实际上是计算智能的一种形式的关键辩论。

前提是这个。一些人热烈地断言，我们已经弄清楚了如何使AI与人类智能相提并论，这是现代时代LLM，生成AI和计算变压器所证明的。此外，在这里，人类智能被认为与计算智能相同。大脑和思维是计算机制，尽管以生化方式与传统数字位和字节进行了。

This heady topic was the focus of Harvard’s Berkman Klein Center (BKC) kickoff event of its Fall Speaker Series on September 24, 2025. I was recently honored to have been an invited participant at a special AI Workshop at Harvard University that explored the expected advent of AGI, an outstanding get-together that took place on September 12-14, and I had an opportunity to learn about BKC and connect with BKC researchers, affiliates, and教师。

尊敬的演讲者开设了他们令人振奋的秋季系列剧集BlaiseAg -era Y Arcas，担任技术与社会的CTO，并在Google担任副总裁兼研究员。在他引人入胜的演讲中，他强烈拥护并强烈支持了心灵的前提。他新出版的书《什么是情报》？AI的经验教训关于进化，计算和思想（麻省理工学院出版社），解决了这种挑衅的立场。在挤满了624页的书中，他将作出此类索赔的基础锤击了。BKC执行董事亚历克斯·帕斯卡尔（Alex Pascal）精心调节了值得观看的令人难忘的开幕式。有关BKC的详细信息，请参阅这里的链接，以及有关活动的录制视频，请参阅这里的链接。

人类智能作为计算智能的表达情况是什么？

让我谈谈。

对AI突破的分析是我正在进行的《福布斯》列的最新范围的一部分，包括识别和解释各种有影响力的AI复杂性（请参阅这里的链接）。

关于思想的隐喻

无数的隐喻被用来描述人类思想的运作方式。我确定您听到了很多。考虑一些流行的例子。头脑是一个存储知识并允许您根据需要检索内容的库。头脑是一个乐团，使大脑的不同部分像各种专业仪器一样表现，它们需要和谐地运作以表现出色。ETC。

在当代时代，思想被隐喻地描绘成一台计算机。当我们想获得新的视角时，我们会重新启动大脑。分享我们的思想的行为类似于向我们周围的其他人提供输出。如果您的思想充满了太多的想法，那么您的内部记忆就会溢出。您可能会故障或需要调试您的想法。

准备好让您的思想吹来，因为关于与大脑有关的隐喻有一个另类观点，这可能会使您有些惊讶。

正如BlaiseAgéArcas在他的BKC演讲中所说的那样：“大脑是计算机并不是一个隐喻。他们不像计算机；它们是计算机。是的，提出的说法是大脑与计算机的性质之间没有区别。实际上，大脑是一个计算实体。它不使用机械齿轮或机器零件；但是，大脑在计算基础上发挥作用。

请注意，并不是每个人都同意这个粗暴的假设。

无论如何，该主题具有巨大的价值，是推动我们对人类思想的理解的一种手段，同样，我们也激发了我们将AI计算智能推向人工通用智能的努力，并最终达到了人工超级智能或ASI。

预测性脑假说

让我们短暂地深入LLM的内部运作，看看总体上发生了什么。

当您选择使用Chatgpt，Claude，Gemini，Grok或任何主要的大型语言模型时，在30,000英尺高的水平上发生了什么。您将文本作为提示输入到AI中。文本编码为令牌，这些令牌是单词和单词一部分的数字表示。令牌流过大规模结构，该结构称为人工神经网络（ANN）。ANN对可能从Internet扫描的可能数万亿个单词进行了数据训练，并在数学上和计算上对人类的写作方式进行了培训。

AI试图根据您输入的提示来预测应该将哪些词传达给您。这是通过使用令牌的计算过程来完成的。这就是数字。逐步，通过利用ANN，将响应放在一起时，将响应选中。然后将令牌解码为文字。瞧，LLM会产生一种反应，这可能是一篇论文，叙事，诗歌或某种形式的写作，这实际上是对人类撰写单词的方式的模仿。

有关此过程的深入解释，请参阅我的讨论这里的链接。

总而言之，AI研究人员将这种总体方法称为单词预测指标。AI试图在计算上确定一个适当的下一个单词应该是什么，一次是一英寸，并且这些单词希望将其凝胶凝胶化为自然语言的连贯通道。

那些相信大脑是一个计算实体的人会宣称头脑的工作方式类似。这通常称为预测性脑假说。假设是，当某人与您交谈时，您的大脑和思维会吸收数据，将声音转换为内部生物化学令牌（如它），这些令牌通过您的Noggin中的生物神经网络流动。接下来，您的内部基于心理的神经网络试图预测合适的输出，首先通过生化代币进行此功能，然后将它们转换为可理解的口语。

关键是建议大脑和思想的功能完全类似于计算智能的发生方式。扔掉隐喻。大脑与计算机不类似。这是计算智能的一种形式。

理论的美丽

有一种固有的美感与信念的信念相关，即大脑被计算。

您可以断言人类的智能和认知可以作为信息处理器解释。大脑和我们的思想本质上是在生物硬件上运行的计算算法。这将我们带到了诱人的概念上的亲属关系，即思想与著名的教会繁琐论文一致，该论文指出了所有有效的计算过程（请参阅我在这里的链接）。

计算主义提供了一个干净直接的框架，以掌握大脑和思想的所作所为。我以前指出，可以使用同样的思维方式来说明思想理论（汤姆）不仅是人类思想省。AI计算智能可以看作是汤姆的模拟版本，因为我在这里的链接。

另一个很大的优势是，这似乎减少了ANN和生化神经网络之间的摩擦。目前，ANN与真正的神经网络相去甚远。ANN充其量是真实事物的高度简化计算模型的粗略表示。尽管存在巨大的差距，但我们大概是在正确的道路上，试图将大脑神经元视为基于计算机的信息处理单元。ANN的说法是，数学和计算方面需要神经发火，突触权重，并使用了我们在脑电路映射中观察到的加权输入输出转换。

这仅仅是一种方便的用语方式，还是我们撞到了头上的指甲？

相信我们当今的AI方法与人类的智力完全一致，这将是一个很大的放心。前提是一个巨大的解脱。计算智能正在做与人类智能所做的相同的事情。人类智能正在做与计算智能相同的事情。

我们击中了金，发现了隐藏的金矿。

缩放使我们到达那里

如果我们已经拥有适当的AI建筑和设计，即它类似于人类智力的出现，那么问题就浮出水面，即为什么当前的AI在人类智能层面上不完全表现出色。我们还没有AGI。我们现在不应该有AGI吗？

啊哈，有人说，原因是由于规模造成的。

这个想法是我们需要扩展现有的AI。我们必须建立庞大的计算机中心，并具有大量的高端服务器和计算能力。这种策略的逻辑是这样。到目前为止，似乎通过分配更多的计算机处理，更快的GPU等，LLM和Generative AI越来越好。Ergo，让我们继续做同样的事情。

人工智能内部人士非常熟悉现在经典的论点，即通过添加更多的计算，AI领域在历史上似乎取得了进步。

理查德·萨顿（Richard Sutton）在AI的一位著名先驱的著名短篇文章中，他在六年前于2019年3月13日发布了他的文章，他相信更多的计算将是推进AI的最明智的途径：

• 从70年的AI研究中可以读取的最大教训是，利用计算最终是最有效的一般方法，并且幅度很大。造成这种情况的最终原因是摩尔的定律，或者是其对每单位计算的持续下降成本的概括。”
• ``大多数AI研究都已进行，好像代理商可用的计算是恒定的（在这种情况下，利用人类知识是提高绩效的唯一方法之一），但是，比典型的研究项目更长的时间，不可避免地可以进行大量计算。”
• `寻求改进的改进，从而改变较短的术语，研究人员试图利用他们对领域的知识，但从长远来看，唯一重要的是杠杆化。
• 我们必须学习以我们认为如何从长远来看不起作用的痛苦的教训。

担心撞墙

等待一秒钟，一些AI内部人士劝告，这可能是您认为这将是至关重要的。也许我们正在走错路线。在实现AGI方面，LLMS和Generative AI的架构和生成AI的架构和设计可能是一个死胡同。

也许我们现在正在愚蠢地追求一条幼儿园。数十亿美元的计算将旨在扩大将撞向不屈方间的墙壁的设计和架构。可悲的是，当我们意识到这发生在发生时，我们将把所有鸡蛋都放在一个失败的篮子里。

我们必须多样化并积极探索有价值的选择，而不是偶然地跟随当代LLM的警笛声。不幸的是，所有通话时间和美元几乎全部流向现有的AI方法。几乎没有激励措施，只有边缘资金才能在框外面思考。我强调了各种表达的替代方案，这些替代方案将AI架构和设计朝着不同的方向这里的链接。

有趣的是，理查德·萨顿（Richard Sutton）似乎正在演唱类似的曲调，这表明我们正在沿着一条途径沿着一条途中沿着富有成果的途径走去。在2025年9月26日播出的最近播客中，他说我们需要AI的新体系结构，该体系结构远远超出了LLMS和计算变形金刚。他的评论包括LLM未能涵盖地面真理，并且预测接下来的令牌的行为并不是获得AGI的正确目标。

他的期望是由AI领域中越来越多的其他人分享的，这是需要一个新的范式。正如我们今天所知道的，LLM不可避免地会过时。对于那些拥有整个猪选择将其研究，名望和财富与生成的AI和计算变压器联系起来的人来说，这是一个令人痛苦的拳。

解释性和解释性

为了讨论，假设大脑基于计算智能。如果是这样，那将是一个令人兴奋的前景。收集大脑和思想如何完成事情的可能性大概在我们的掌握之内。

请允许我详细说明。

我们面临着两个尚未屈服于夏洛克·福尔摩斯（Sherlock Holmes）努力使他们神秘面纱的重要未知数。

首先，就大脑而言，这仍然是一个巨大的谜团，大约860亿个神经元和100万亿个突触如何产生人类的思维。众多且极其激烈的神经科学研究继续衡量大脑活动，并试图展示与我们掩盖思想和有意识生物的能力的联系。我对最近的一些新的脑电路映射AI驱动的基础模型感到特别兴奋，这些模型可能会使我们对无法解释的谜团有一条腿（我将在即将到来的帖子中介绍这一点）。

其次，就LLM和生成性AI而言，关于这些大社会如何产生看似人类的思维或至少是人类思维的外观，存在一个巨大的谜。当然，您可以努力地追踪人工神经网络中从这里到那里的代币和数字的流动，但是我们仍然在黑暗时代，即ANN内的元素在逻辑上如何产生如此令人印象深刻的结果。

我的专栏中的狂热读者很清楚，我是能够破解代码并揭开AI模型的内部工作的热情倡导者。我们必须破译AI并弄清楚如何在内部解释正在发生的事情，并使AI透明且可以解释。我们的未来和AI的未来取决于这一点。

AI可解释性的最先进

AI的解释性和解释性仍然是新兴的探究领域。

例如

• 使用IRT方法和Thurstonian实用程序模型的AI可解释性，请参阅我的覆盖范围这里的链接。
• 一开始就将解释性构建到AI中，称为XAI（可解释的AI），请参阅我的描述这里的链接。
• 通过ANN的计算中介机构对功能进行概念映射并利用单体性，请参阅我的探索这里的链接。
• 依靠角色向量所代表的激活空间中线性方向的识别，请参阅我的评估这里的链接。
• 和其他帖子。

开箱即用的思考是，我们了解的关于解密AI的知识都可以应用于解密人类的思想。另外，这是双向的，即，无论我们了解的关于破译人的思想的知识都可以应用于揭示当代AI的内在机制。

如果您采用人脑在计算智能中根深蒂固的前提，尤其是这样。

值得注意的另一个值得注意的是，许多人没有意识到心理学领域和人工智能领域具有历史上交织在一起的，共同的纽带。心理理论和思维方式可以协同帮助AI的进步。同样，AI理论和实践可以协同促进心理学和人类思想的本质方面的进步。

如果您感兴趣的双重性话题，请考虑以下内容：

• AI和心理学继续相互促进的方式，例如对AI进行心理分析的优点，请参阅我的讨论这里的链接。
• 心理学方面的最新进展是追求统一的认知理论，以及这如何揭示有关解释和解释AI的见解，请参阅我的分析这里的链接。

未来是我们决定的

对于那些热心相信人类智能确实是计算智能的人，我祝您在证明这一争论方面做到最好。继续前进。让我们知道您要说的话。

同时，对于那些坚决认为人类智能不是计算智能的人，我同样敦促您继续进行案件。确定思维型的一面是出错的地方。也许这个隐喻是正确的，因此我们只能明智地想到心智上的成就，即，思想绝对不是计算智能。这只是一个隐喻。坚持自己的位置并分享您的见解。

目前，最终想法来自约翰·肯尼迪（John F. Kennedy）：变革是生活法则。那些只关注过去或现在的人肯定会错过未来。同样的话可以说到人类的未来，尤其是在揭示和理解人类智能的本质和计算智能本质方面。

展望未来，从过去学习，但过去不会陷入困境。对这些紧迫问题的开放思想值得在黄金中重视。