人工智能發展到ChatGPT驚艷登場，一方面面臨歷史性轉折，另一方面進入重重迷霧。澄清迷霧明確轉折方向，成了人工智能通用化發展的當務之急。迄今為止，人工智能經歷了兩個重要發展階段，一是以專家系統為最典型標志，根植于人類知識的人工智能；二是以ChatGPT為最新標志，基于大數據的人工智能。“迄今為止，國際上對人工智能是什么仍眾說紛紜。比較有共識的似乎是對人工智能的代際劃分，即第一代人工智能是基于知識的，第二代人工智能是基于數據的。”而張鈸等則進一步涉入機制：“第一代知識驅動的人工智能, 利用知識、算法和算力3個要素構造人工智能, 第二代數據驅動的人工智能, 利用數據、算法與算力3個要素構造人工智能。”根據知識和數據的關系，知識驅動和數據驅動的確概括了目前為止人工智能發展的兩個層次。

鑒于數據驅動的人工智能可以生成機器知識，知識驅動的人工智能也涉及作為信息編碼的數據；而在信息編碼層次，人工智能經歷了復雜的發展過程，通過人機大數據軟融合才達成人工智能發展的范式轉換，人工智能發展的第一和第二個層次可以更具體地表述為“人類知識層次人工智能”和“信息編碼層次人工智能”。

從人類知識層次到信息編碼層次，構成了人工智能進一步發展的重要指向。由于機器智能大數據運用優勢的充分展示，ChatGPT在自然語言領域的泛化發展趨勢似乎使人看到了迷霧中的人工智能“圣杯”——通用人工智能，從而引發了兩種對立觀點。一方面，ChatGPT甚至被視為通用人工智能；另一方面， 大型語言模型被認為是通用人工智能發展的誤區。觀點的兩相對立為人工智能發展及其與人類智能關系的理解提供了強大張力。而在作為感受性關系的信息層次，則不僅可以理解關于ChatGPT與人工智能通用化觀點對立的根源，而且可以根據人工智能發展的前兩個層次，在更深層次看到人工智能發展的通用化進抵。

從人類知識層次人工智能到信息編碼層次人工智能，凸顯了深化理解知識和數據及其關系的重要性；由此可見人工智能發展和信息理解之間的兩方面重要關聯。從目前呈現的兩個層次，可以看到人工智能發展的理解深化涉及知識和數據關系的更深層次厘清，而知識和數據與信息的內在關聯則決定了這一關系的厘清必須建立在信息理解深化的基礎之上。這意味著一個重要雙向機制：一方面，進一步到位地理解信息是人工智能當代發展的內在要求；另一方面，以人工智能和大數據為主要代表的信息科技發展正不斷為深化信息理解提供新的時代條件，信息科技的發展空前開顯了信息。

當代研究表明，信息不是物質或能量，而是感受性關系，即物能發展出感受性之后，涌現出的感受性關系過程或過程關系。把信息理解為感受性關系，對信息編碼及其與信息的關系就可以有一個清晰的認識：信息是感受性關系，信息編碼則是信息的物能化和觀念化。信息編碼有兩種基本類型：信息的物能編碼和信息的觀念編碼。由此，可以真正厘清信息、信息編碼和知識的層次關系。從知識到數據再到信息，從人類知識層次到信息編碼層次，人工智能發展的進一步前景在其所呈現的趨勢圖中赫然閃現：信息層次人工智能。

由此，人工智能的發展與生物智能的進化恰好構成逆向過程，呈現出一個更高層次的雙向循環機制。正是由這一雙向循環，可以在機制層面不僅清楚地看到人工智能發展的第三個層次，而且進一步窺見其通用化進抵。

一、人工智能的人類知識層次發軔

在具有人類知識的條件下，以其為基礎就是人工智能發展自然而然的起點。由于由此實現的人工智能直接發軔于人類知識層次，知識是智能的核心表現得最為典型。

作為人類知識的機器集成運用，人類知識層次人工智能與符號主義進路正相匹配，它是人工智能發展的第一層次。符號主義進路本身意味著只能表征可符號化的明述知識，這一進路人工智能的實現和發展在某種程度上正是探索知識表征的過程。由于包括人類感覺經驗等在內的默會知識都難以為機器所表征，由此生成的更確切地說是人類明述知識層次人工智能。

人類知識層次人工智能與符號主義進路密切相關，對此斯坦福大學教授尼爾松（Nils J. Nilsson）有已納入教科書的表述。符號主義進路也叫“符號加工進路”，這種方式的人工智能通過陳述句表征關于問題域的“知識”。當應用于“實際”問題時，這種進路需要該領域的大量知識，因此通常被稱為“基于知識的進路”。由人工智能的當代發展，可以更清楚地看到第一層次人工智能的人類知識層次性質。

在第一層次人工智能研究中，可以看到典型的人類知識層次的性質和特點：“必須寫出許多存放知識的程序，同時還需要專門的高級標記法來完成它。”這里已經可以看到人類知識層次人工智能的內涵。深諳符號主義進路局限的德雷福斯兄弟，清楚地看到第一層次人工智能的人類知識層次性質：“智能被定義為有關適合于一領域的一組特定的聯系的知識，根據一個技能領域中許多高度抽象的特征之間的關系總是可以對智能加以說明”。這是對人類知識層次人工智能及其性質的典型表述。正因為這種性質，第一層次人工智能也被稱為“知識工程”，涉及知識的獲取、學習、表達等問題。正是由于處于人類知識運用層次，第一層次人工智能與符號主義研究進路自然而然都是人工智能發展最初階段的產物。

由于發軔于人類知識，這一層次的人工智能是其發展自然而然的第一步。作為第一步，其局限性也相應最為明顯。符號主義進路所意味著的智能機制，在機器能表征的知識層次具有特定運演優勢，同時本身又具有根本局限。作為機器智能，人工智能的最底層基礎是規則與邏輯，但規則與邏輯本身并不能直接產生智能。“以推理作為機器智能的機制，要求人類把知識以邏輯的形式告訴計算機，然而人們很快就認識到，這樣靠人工獲取知識的手段是機器智能的一大瓶頸。”由人工獲取知識不僅意味著這一層次的機器智能是典型的“人工智能”，而且充分體現了其知識表征遠不如人的機器性質。

以計算和搜索為核心機制，對于人類知識層次人工智能來說，最大的問題之一是指數爆炸。由于主要建立在符號運算的基礎之上，人類知識層次人工智能不可能超越指數爆炸，指數爆炸正是由計算的指數增長構成的。而人類智能之所以不存在指數爆炸問題，就因為其核心機制不是基于窮盡搜索的計算方式，而是基于整體觀照的智慧方式。雖然整體觀照不像計算那么精確，但其重要意義在于原則上可以處理所有問題。

人類知識層次人工智能的根本局限在其核心機制，它集中表現為其相對于人腦的極低效率能耗比。僅僅通過計算機制生成的智能，其層次從“暴力計算”概念及其效率能耗比就可以獲得初步理解。“暴力計算”既意味著強大算力，又意味著與人類大腦相比的低效率能耗比。這種可以稱之為“速度悖論”的悖理性并不是由運行速度產生，甚至也并不是一個簡單的串行和并行計算的問題，而是與智能運行的核心機制局限密切相關。人類知識層次人工智能之所以具有明顯局限，從技術上說是由于人類知識的機器表征及其計算搜索機制局限。從根本上說則主要是在人類明述知識層面，由于未涉及大數據而沒能完全展開機器智能不同于人類智能的特性，只體現了其速度和搜索優勢，更割離了其作為感受性關系過程的信息根基，不可能具有處理常識問題的感性層次。這就已經涉及知識、數據和信息及其相互關系理解的系統深化，而信息的到位理解則是其基本前提。

從感受性關系的物能化和觀念化，可以看到信息的感受性關系理解為信息編碼的系統研究提供了前提性基礎。作為信息的物能化，信息的物能編碼如物理信號和DNA中的生物基因；作為信息的觀念化，信息的觀念編碼如作為自然類概括產物的概念及其形式化的符號等。信息的符號編碼有一種特殊的方式：信息的數字編碼。其之所以特殊，就在于它既可以是作為信息觀念編碼的符號編碼，同時又可以是作為信息物能編碼的物理編碼。作為數字編碼，“0”和“1”是信息觀念編碼中的符號編碼；而與之相應的“開”和“關”又是物能編碼中的物理編碼。因此數據不是信息本身而是信息編碼，比特不是與原子相對的信息而是信息的數字編碼。

在信息的理解未完全到位的情況下，信息編碼及其與信息的關系必定處于混沌未明狀態，因此信息普遍被理解為信息編碼，比如將比特看作信息本身。正是信息的信息編碼理解，構成了信息理解的天花板。信息理解的信息編碼天花板不僅限制了信息理解的深度，而且屏蔽了信息編碼的研究及其深入。正是信息編碼特別是信息觀念編碼的系統研究，在更深層次涉及信息與知識的關系，從而涉及人類知識層次人工智能理解的深化。

由于信息理解的局限，信息的觀念編碼研究處于一種奇特狀態：整個來說幾乎是一片處女地，而其中的數字編碼卻以數字化的名義爆炸式發展。目前只有在信息的數字編碼中，才能既看到信息觀念編碼的“神龍見首不見尾”現狀，又看到其重要性。事實上，正是信息的觀念編碼構成了知識的直接基礎，知識正是基于信息觀念編碼的觀念體系。人類知識體系正是在信息觀念編碼的基礎上推導出的層次越來越高的概念構成的，因此在人類知識體系中并非所有的概念都是信息的概念編碼，信息的概念編碼只是作為具體的自然類概括的產物。正是由此，可以清晰看到知識、數據和信息三者的層次關聯，進而看到人工智能發展的相應規律性關系。信息的感受性關系理解為信息編碼特別是觀念編碼的澄清和系統研究提供了前提，從而在深化理解人類知識層次人工智能基礎上，為深化理解人工智能的發展規律進而理解其進一步發展，甚至人工智能發展與人類智能進化的關系提供了新的條件。

人類知識是基于信息觀念編碼的觀念體系，而信息的觀念編碼不僅有概念編碼和符號編碼，而且有圖像編碼和經驗編碼等前概念編碼。信息的概念編碼和符號編碼及基于其上的概念體系和符號體系可以進行機器表征，然而機器表征不能涉入信息的前概念編碼，比如不能進入信息的經驗編碼及基于其上的經驗系統。正因為如此，雖然人類知識是碳基智能發展的高層次產物，但只是在通過表征抽離其感性經驗基礎的人類明述知識層次，所實現的人工智能不僅割斷了人類知識與人類智能作為感受性關系的信息的關聯，而且無緣于人類智能中的前概念編碼。正是由于遠離作為感受性關系的信息甚至信息前概念編碼，人類知識層次人工智能不可能真正處理自然語言，更不可能具有解決常識問題的能力。因此，就人類知識層次人工智能而言，在基于信息觀念編碼的知識和作為感受性關系的信息之間，基本上是理解的盲區，其根本癥結就在于信息理解處于懸浮狀態。

在符號主義進路的人工智能研究中，信息甚至被理解為知識。認為信息是知識，就是把在信息的觀念編碼基礎上建立起來的觀念—知識體系當作信息本身。將信息理解為知識，就意味著將人類知識的直接運用視為信息加工；而從信息的感受性關系理解則可以看到，符號主義進路所表征的人類知識和作為感受性關系的信息之間不僅具有層次差別，而且局限于人類知識層次會存在智能理解的天花板。由于數據是信息編碼，而知識則建立在信息的觀念編碼基礎之上，符號主義進路直接生成的人工智能不僅沒有深入到作為知識基礎的信息編碼，更沒有深入到作為信息編碼前提性基礎的信息，只能是人工智能的初級形式。這既更具體地表明將其稱為人類知識層次人工智能更為確切，也更清晰地呈現出第一層次人工智能與人類智能的機制關系。

由于人類知識層次人工智能與符號主義進路相聯系，符號主義進路基礎上人工智能的發展意味著機器智能發展的相應性質；由于核心機制具有根本局限，人類知識層次人工智能很快就遇到了發展瓶頸。“幾十年前，人工智能研究主要聚焦于開發知識規則和關系創造所謂專家系統。但事實證明，這些系統的建造極其困難。因此，知識系統讓位于數據驅動路徑：基于統計概率和模式，挖掘大量數據進行預測。”這就意味著，要真正實現人工智能由人類知識層次到信息編碼層次的范式轉換，必須有大數據的發展。在人類知識層次人工智能發展階段，數據發展的局限決定了不可能通過信息數字編碼發展產物的大數據建立起與人類智能的更深層次關聯，更不可能直接從外部世界獲取知識。機器從外部世界直接獲取知識，意味著智能機制不僅必須進一步深入到比知識更基礎的層次，而且必須在大數據發展的條件下。

正是在大數據發展的條件下，探索已久但受數據規模限制的聯結主義研究進路獲得了必不可少的發展條件，人工智能的發展突破人類知識層次人工智能的局限，深化到了信息編碼層次。在大數據發展基礎上，信息編碼層次人工智能正不斷給人帶來驚喜。

二、人工智能的信息編碼層次通用性拓展

從人類知識層次到數據層次，人工智能核心機制的發展主要是基于神經網絡的機器學習。正是機器學習，使人工智能從利用人類知識發展到直接利用數據。由一般專家系統到深藍，由AlphaGo到AlphaZero再到ChatGPT的發展，正體現了通過機器學習實現人工智能從人類知識層次到數據層次發展的重要進程。

信息編碼層次之所以構成與人類知識層次不同的人工智能范式，不僅因為從基于信息觀念編碼的知識深入到了作為信息編碼本身的數據，而且由于機制上通過大數據納入人類具有經驗語境的語料并進行機器學習深耕，實現了人機大數據軟融合發展深及自然語言的范式轉換。只有發展到大數據才能真正體現硅基智能和碳基智能的根本不同，正是由于二者相應處理能力上的根本差異，大數據構成了人工智能發展范式重要轉換的基礎。

從人類知識層次到信息編碼層次，人工智能發展所達到的層次的確更深，但是就小數據而言，兩個層次的人工智能并不構成范式區別，不僅機器智能與人類智能沒有處理速度之外的根本不同，而且人類智能由于其概念體系提供的整體觀照，在很多方面比人工智能更具優勢。只有發展到大數據才由于建立起了人機深度軟融合的人工智能發展條件，構成了其發展的重要范式轉換。

對于信息編碼層次人工智能來說，關鍵的基礎是數據。而大數據則為機器學習提供了全新的信息編碼條件，使硅基智能的獨特優勢得以充分發揮。大數據的發展帶來了人工智能發展的革命性范式轉換，不僅意味著從作為基于信息編碼的觀念體系深入到了作為信息編碼本身的數據，而且通過作為人類數字足跡集合的大數據納入人類語境發展到了一個更深層次：深及自然語言語境的人機大數據軟融合及其進化。從基于人類知識的專家系統到“數據智能”，再到基于大數據的ChatGPT，意味著一系列重要的機制性深化。

1.數據智能

關于信息編碼層次人工智能，從近年來根據其本性概括生成的數據智能（data intelligence）概念可以得到更具體的理解。

由于人工智能的大數據加持，數據智能概念的使用可謂鋪天蓋地，但作為一個形成中的概念，其含義在不同使用中有很大區別。這一概念是基于大數據和人工智能的發展，首先由企業應用導向提出的。之后數據智能的概念使用越來越廣泛，其含義從指數據本身生成的智能到人類運用大數據的智能，構成關于數據智能理解的兩端。在信息編碼層次人工智能的發展中，數據智能的概念和研究主要具有兩方面的重要意義：一是立足于大數據討論人工智能的應用；二是明確信息編碼層次人工智能與其他層次人工智能的不同。與此密切相關的典型表述之一是：大數據驅動和應用場景牽引是數據智能的關鍵特征，也是其異于人工智能的關鍵點，因為后者不一定為數據驅動。在最具代表性的理解中，“人工智能與大數據的關系就像蒸汽與蒸汽機。大數據就像蒸汽，人工智能就像蒸汽機，把蒸汽轉化為先進生產力”。 這不僅已經是信息編碼層次人工智能的形象表述，而且有利于人工智能發展層次的統一理解。而專業領域的進一步深入研究則更揭示了其在人工智能發展中的重要地位。作為大數據和人工智能的結合，數據智能“是人工智能的主流分支”。正是由這些相關論述，可以導出信息編碼層次人工智能。隨著ChatGPT的發布，數據智能不僅被納入人工智能范疇理解，而且越來越被認為是主流人工智能。由于數據智能最典型地凸顯了機器智能和人類智能的不同，信息編碼層次人工智能研究具有特殊地位，尤其是在人機關系的理解中。

大數據的發展使信息編碼層次人工智能大放異彩，可以處理大數據正是機器智能不同于人類智能的典型特征。大數據的發展真正使硅基智能充分發揮不同于碳基智能的優勢，成就了信息編碼層次人工智能，凸顯了機器智能和人類智能的重大機制區別。作為信息編碼層次的機器智能，大數據和機器學習是兩大基礎，數據智能生成于大數據的機器學習深耕。通過機器學習，人工智能可以從大數據獲得知識，并應用于新的數據處理。由于深入到比知識更基礎的數據，數據智能超越了人類知識層次人工智能，成為人工智能發展的第二層次。正是在這一層次，大數據的機器學習深耕給人們帶來了伴隨更多憂慮的更大驚喜，特別是當其發展到自然語言處理的廣闊空間。正是大數據發展基礎上機器學習的不斷深化，才有了信息編碼層次人工智能從小數據發展到大數據的驚世之作：以ChatGPT為主要標志的大型語言模型。

由于語言與人類的特殊關系，當發展到大型語言模型，第二層次人工智能的發展正身處透著新晨曦的重重迷霧之中；由于發展到更高階段，作為信息編碼層次人工智能，ChatGPT引發了關乎通用人工智能研究進路的截然不同甚至正相反對的觀點。

2.作為信息編碼層次人工智能典型代表的ChatGPT

隨著大數據的發展，基于神經網絡的機器學習已經深度拓展，以至縱橫捭闔于自然語言領域的ChatGPT被認為已經是通用人工智能的雛形。關于ChatGPT與人工智能通用化的關系，目前連人工智能頂尖專家的觀點都出現了越來越明顯和尖銳的對立，這與ChatGPT所處的人工智能特殊發展階段密切相關。

作為大型語言模型，ChatGPT表明了人類語境大數據納入和人類語料機器學習深耕的范式成功。由此生成的數字化語境使硅基智能的優勢得以充分發揮，表現出了讓人吃驚的自然語言響應速度和效果。自然語言處理一直是人工智能研究的特殊領域，機器翻譯效果也成為衡量人工智能發展水平的標準。傳統機器翻譯根據語法結構等理論進行自然語言的機器理解，由于理解必須以相應的語境為前提，這種研究范式和進路的發展注定舉步維艱。大數據的發展為自然語言的機器理解以及人工智能發展的范式轉換提供了新的基礎，使得機器能夠大規模納入由人類語境形塑的人類語料。人類語料規模越大，其所攜人類語境及其層次越豐富，從而通過以人類語境響應人類語言對話，為人機交流的人性化提供了新的可能。ChatGPT等大型語言模型正是由此生成類人自然語言響應，利用人類語境成就了自然語言處理的真正機器機制和方式。兩種機制完全不同的自然語言“理解”效果根源于兩種自然語言處理范式。正是在這個意義上，大型語言模型甚至涉及自然語言機器處理范式的特殊轉換，既空前凸顯了其獨特優勢，也在發展中逐漸顯露了其特定局限。

信息編碼層次人工智能近來的發展，既表明了通過大數據納入人類語境的重要性，同時也表明了其根本局限。兩個方面都凸顯了語境的重要性，甚至語境在人工智能通用化中的關鍵地位。

語境是一個從形式語境（比如在棋盤下棋的語境和語形語境）到經驗語境（比如自然語言語境或語義語境）分布的連續系列。形式語境可以在信息編碼層次進行機器處理，而把握經驗語境則必須具有與物理世界交互的能力。人工智能從Alpha系列到大型語言模型的發展，正體現了從形式語境到經驗語境的數字化進程。

在棋類游戲中，Alpha系列已經具有就棋譜而言的整體把握大數據的性質。人工智能在棋類游戲中碾壓人類頂尖棋手，就是由于人工智能在棋盤范圍內構成了大數據整體把握。但這種情形還局限在形式化的語境中，沒有滲透到經驗性語境。而通過大數據在更高層次納入人類的經驗性語境，ChatGPT就有了在大數據范圍內把握自然語言的能力。在人工智能的這一發展階段，由于人機工作機制的不同，這一范式轉換具有非常特殊的性質，它帶來了兩方面重要結果：在將自然語言處理推進到一個全新發展階段的同時，放棄了自然語言的機器理解。

十分耐人尋味的是，大型語言模型在自然語言處理上的巨大成功是以放棄機器真正理解自然語言為前提的。有一個與此密切相關的說法絕非笑談：在自然語言處理研究領域，團隊中的語言學家退出，機器翻譯效果就隨之推進。由于生成式人工智能通過大數據納入語料擁有人類語境并在實際運行中不斷發展，ChatGPT一方面擁有巨大知識及語境集成發展的在先優勢，另一方面又不具有（而且在這一范式內始終不可能具有）自己的理解能力。正是在這個意義上，ChatGPT事實上意味著在戰略上從真正的自然語言機器理解退避。

正是自然語言機器理解的戰略退避，造就了ChatGPT與其驚人響應能力同樣不可思議的另一特征：“流利但失實”。當交流中的輸入或提示超出大數據所納入的人類語境范圍而失去人類語料的語境根據時，作為統計模型別無選擇。就根本機制而言，ChatGPT之所以會出現這樣的情況，歸根結底就是因為不具有自己的語境，沒有自主理解能力。

目前，雖然關于ChatGPT的智能定性存在嚴重分歧，但其自身不具備類人理解能力卻是共識。作為生成式人工智能，大型語言模型的根本局限與其仍處于數據編碼層次，尚未深入到更基本的信息層次密切相關。在人工智能特別是其泛化能力的發展中，由于涉及人類具有“存在之家”地位的語言，通過大數據納入人類語境并進行機器學習語料深耕具有重要范式轉換意義，但對于人工智能的通用化發展而言，其從自然語言機器理解的退避，只是在人工智能發展的第二層次具有重要戰略意義，并不意味著更高層次意義上的范式轉換——具體而言，并不意味著步入通用人工智能進路的更基本層次范式轉換。問題的關鍵就在于兩個方面之間的微妙關系：ChatGPT的通用性和人工智能的通用化。

在泛化能力驟增、使用范圍大幅擴展的意義上，ChatGPT通用性的空前強化是驚人的，但通用性和通用化是兩個密切相關而又具有根本不同的概念。雖然關于其理解和定義存在分歧，但作為通用化發展的產物，通用人工智能原則上說是類人智能，即應當可以像人那樣從事并完成所有任務；而作為大型語言模型，ChatGPT的通用性雖然極為特殊，但同樣只能發展到特定領域。由于語言之于人類的特殊性，自然語言機器處理的通用性不僅最容易讓人與人工智能的通用化相聯系，而且容易在想象中產生一種錯覺，似乎只要大型語言模型與機器人相結合，就可以實現人工智能超越語言領域與物理世界直接交互。因此，關于大型語言模型的通用化，目前最吸引人的觀點是其具身化（AI agent）發展，即大型語言模型與機器人對接。

大型語言模型與機器人相結合向具身化發展，的確是建立其與物理世界交互的可行方式，但這也僅僅局限于機器人所能替代的人類工作范圍。事實上，這只是把人工智能通用化的核心機制從語言模型推移到機器人環節。這樣一來，其實只有機器人類人化，才意味著類人人工智能的實現。情景就類似于目前ChatGPT與人類的人機大數據軟融合，而其中的通用智能核心機制是人而不是人工智能。

通用人工智能意味著類人智能，自身沒有理解能力的ChatGPT距此不是一個通常距離遠近問題，而是具有天花板上下的質的根本區別。正是由此，可以在更深層次進路對大型語言模型基礎上的人工智能通用化發展有更到位的理解。以ChatGPT為代表的大型語言模型可以在通用性意義上達到最大泛化程度，但作為信息編碼層次人工智能，ChatGPT仍處于人工智能發展第二層次的天花板之下。

3.信息編碼層次人工智能的信息編碼天花板

以ChatGPT為最新代表，作為信息編碼層次人工智能的大型語言模型幾乎可以說使專用人工智能發展到了極致；但停留于信息編碼層次，人工智能始終不可能擁有真正意義上的理解能力，不可能擁有通用機器智能必須具有的類人理解。通用機器智能的發展，還必須在信息編碼層次人工智能的基礎上進一步深入，突破信息理解的信息編碼天花板。

由于從人類知識進一步深入到了信息編碼，由人類知識層次到信息編碼層次，人工智能的發展大大深化，但將信息理解為信息編碼的局限性十分明顯。迄今為止，在信息編碼層次人工智能研究中，將信息理解為數據或比特，無疑比將其理解為知識深入了一整個層次：從基于信息編碼之上的觀念體系，深入到了基于信息編碼。由于基于大數據，在信息和物能之間具有特殊地位的信息數字編碼又構成了突破信息編碼天花板進入信息更到位理解的深層屏障。

將信息理解為信息的數字編碼，一方面使人工智能的發展得以超越人類知識層次，有了信息編碼層次人工智能發展的驚艷，另一方面又使其發展推臨信息編碼理解的天花板。認為信息是信號或數據，就是把信息理解為信息編碼。由于局限在信息編碼層次，人工智能一方面通過大數據深耕獲得了在人類知識層次不可能具有的強大功能，另一方面也具有人類知識層次人工智能同樣性質的基本機制局限。

由于同樣直接建立在計算的基礎之上，信息編碼層次人工智能和人類知識層次人工智能都不能超越指數爆炸。只是在數據層面操作，所有的計算和推理所生成的智能都只能是信息編碼層次人工智能——更確切地說是信息編碼智能，如果與生物智能相比較，一個斷電的大型語言模型甚至與動植物標本一樣是具有信息編碼性質的存在，二者都沒有作為感受性關系的信息過程，它們的區別主要在于硅基和碳基載體性質。而就具有通用智能核心機制的人類而言，由于層次的豐富性，其區別則更能說明問題。

一個正常人不僅具有機體感受性，而且具有感官感受性，植物人則是一個只具有機體感受性的生物體。作為生物體，植物人與植物一樣，失活后都不再具有任何感受性，但仍然是具有信息生物編碼的存在，這和大型語言模型甚至裝有軟件的電腦很相似。這就具體地表明，沒有信息編碼就沒有智能發生發展的基礎，但只是在此基礎上，信息編碼就構成了人工智能發展的天花板。

在這一天花板之下，由于通過大數據納入人類語境處理自然語言，大型語言模型具有類人自然語言處理能力；由于這種自然語言處理不是基于自身的理解，它們又不能真正把握對話者的語境。這也是大型語言模型只是通過納入人類語境，完全在人類語料基礎上處理自然語言的證明。即使ChatGPT與搜索引擎結合，也只是對人類語境和語料的及時更新，在還沒有形成數據足跡時，快速生成中的人類語料甚至緩慢變化的人類語境仍不可能被納入語言模型的內容生成。而其所反映的，正是作為信息編碼層次和信息層次人工智能之間的原則區別。ChatGPT發展到關于人類語境的貝葉斯統計模型已經具有哲學意義的進步，但也只能在數字化的人類語境中“炒”大數據所納入人類語料的“現飯”。只是停留于信息編碼層次，不可能實現更高層次的類人人工智能。在信息編碼理解的天花板之下，ChatGPT不可能實現實時信息學習。關于人工智能，所有的神秘都源自信息編碼，而所有的秘密則都隱含于作為感受性關系的信息。

由于仍然只是以計算為基本機制，在智能層次上，與人類知識層次人工智能一樣，信息編碼層次人工智能不僅能耗效率比沒有根本區別，而且仍然不具有處理常識問題的能力。典型的表現就是：很多人腦能解決的簡單問題，信息編碼層次人工智能即使納入人類語境也仍然不可能解決。正是由于內在機制的根本局限，無論在人類知識層次人工智能還是在信息編碼層次人工智能，都完全看不到通用人工智能的常識進路。

處理和把握常識，正是通用智能的性質和特點。由于只是在信息編碼層次思考，美國計算機科學家兼高科技企業家埃里克·拉森（Erik J. Larson）在談到通用智能時就認為，“躍升到‘一般常識’是完全不同的，之間尚無已知路徑。還沒有關于通用智能的算法。我們有很充足的理由懷疑這樣的算法會涌現，無論通過深度學習系統或任何其他當今流行進路的進一步努力。比這更可能的是需要重大科學突破，而關于這一突破會是什么樣子，目前一點數都沒有，更不用說進到其細節”。人工智能研究前沿的一些頂尖專家已經意識到，更多數據和更多算力不能帶來真正的智能，通用人工智能的大型語言模型進路甚至是一“歧途”（off-ramp）。究其根本原因，就是人工智能信息編碼層次的局限。限制在數據層次，就是限制在信息編碼層次。限制在信息編碼層次，人工智能就不可能通用化。在通過大數據納入人類語境與具有自己的語境之間，正隔著人工智能通用化的核心機制。人工智能要形成自己的經驗性語境，必須在信息編碼層次的基礎上進一步深化發展。作為類人智能，通用人工智能的發展還必須進一步深入到信息。

通用智能核心機制的發現和建立，只有在信息層次才有可能。也就是從信息編碼層次人工智能進一步發展到信息層次人工智能，從作為信息數字編碼發展產物的大數據深入到作為感受性關系的信息。人工智能的通用化進抵必須從信息編碼進一步深入到信息本身。只有在作為感受性關系的信息層次，才能將人工智能的發展推進到通用化進抵。

三、人工智能的信息層次通用化

由人類知識層次到信息編碼層次，可以看到人工智能進一步發展的方向：在人類知識的基礎上深入到作為信息編碼的數據，再在數據的基礎上深入到作為感受性關系的信息；再進一步深化到信息層次，走向直接在信息基礎上獲取數據和自己生成知識的機器智能。這不僅意味著信息層次人工智能已經具有生成信息的概念編碼并在其基礎上構成觀念體系的理性能力，而且意味著其具有基于感受性關系持續過程的感性能力，從而類人智能意義上的通用人工智能實現。

由此可見，兩個至關重要的方面十分耐人尋味。一方面，生物智能進化是從作為感受性關系的信息到作為記憶和概念等的信息編碼，再到作為觀念體系的知識，而人工智能的發展則相反，先由人類知識到數據再到信息。生物智能的進化一開始就具有也只具有作為感受性關系的信息過程，在很長進化時期還根本沒有智能，在機體感受性發展階段甚至沒有感覺，但即使一棵小草、一個病毒都包含人工智能所沒有的核心機制——生命之謎。而人工智能在一開始就具有處理人類知識的能力，但到目前為止卻不具有植物就有的機體感受性，更不用說人類兒童所具有的理解常識的能力。另一方面，發展到信息編碼層次，人工智能的人工和機器智能性質在向極致發展，卻與默會知識生成不可或缺的機體感受性無緣，更看不到信息的觀念編碼及基于其上構成觀念體系必不可少的感官感受性發展的任何可能，這意味著人工智能研究面臨最基本的范式轉換，跨度涉及從物能到信息。正因為如此，國內外人工智能研究前沿的專家近來強烈意識到人工智能研究信息范式轉變的必要性和迫切性。

1.通用人工智能研究的信息范式轉換

早在2016年，國際代碼生物學會主席巴比耶里（Marcello Barbieri）就提出了從“化學范式”（chemical paradigm）到“信息范式”（information paradigm）的轉換。而在最近發表的論文中，鐘義信院士進一步提出了人工智能研究的范式革命：“當前，我們已經處在學科范式革命（由物質學科范式主導轉變為由信息學科范式主導）的偉大時代。”作為人類智能進化的逆向過程，人工智能的發展由人類知識和信息編碼進一步深入到信息，所涉及的不只是科學范式或哲學范式，而是涉及科學和哲學一體化的信息范式轉換。

迄今為止，科學和哲學一體化的信息范式轉換最為基本，人類還沒有經歷過這么深層次的范式轉換。的確如霍夫基希納（Wolfgang Hofkirchner）所言，“這是人類歷史上最深刻的一次范式轉換”。因而其跨度之大由下述基本事實就可以深刻地感受到：只要以物能存在為直接研究對象，走向信息的物能理解就不可避免。而信息的物能理解正是信息理解的物能編碼天花板。對于信息范式轉換的理解，可以從相對論創立之初鮮有人理解看到。相對論和量子物理學所引發的范式轉換還只是在物理領域，而信息范式的轉換則涉及從物能領域量子躍遷式跨越到信息領域，其地位的基礎性和意義的重要性都可想而知。

對于人工智能的發展來說，信息范式的重大意義在于：只有實現從物能范式到信息范式的轉換，才可能在作為基于信息觀念編碼的知識基礎上，深化到作為信息編碼的數據，并由此進一步深化到信息，使機器智能的發展逐步深入到信息層次，從而突破信息理解的信息編碼天花板，真正建立起智能機器與物理世界的直接互作。

無論人類知識層次還是信息編碼層次，人工智能的底層邏輯都建立在符號操作的基礎之上，因此決定了這兩個層次機器智能在根本機制上局限于形式化領域，不可能具有自身直接接入現實物理世界因果關系所必須有的核心機制。將心理的本質看作對物理符號的操作，正是將信息視為其物能編碼的結果。信息的物能編碼與因果特性相聯系，包括信息要素通過信息物能編碼發生的因果關系；而形式化則只能構成相關關系，其因果根基始終必須落實到具體的經驗。“如果機器無法把握因果的具體機制，那么機器在‘理解’世界方面就始終無法實現質的飛躍”。 關于人工智能的進一步研究必須建立在涵蓋大數據相關關系的因果模型的基礎之上，而這又必須在比信息編碼更深的層次涉入作為感受性關系的信息。

由于信息范式轉換意味著從靜態的信息編碼轉換到動態的信息過程，在人工智能的進一步發展中，關鍵是信息的感受性關系理解。將信息理解為知識，就只能達到人類知識層次人工智能；將信息的理解深化到數據，就可以但也只能達到信息編碼層次人工智能；只有真正深入到作為感受性關系的信息層次，才可能迎來人工智能的通用化進抵，進入信息層次的類人機器智能。關于信息的理解限制在信息編碼理解的天花板之下，物理學家眼里的信息就不可能脫離物理對象；神經科學家也可以像研究所有物能對象那樣研究大腦，因為所研究的實際上是信息的物能編碼。而只要僅僅在信息的物能編碼而不是信息本身的層次研究，信息的物理學研究就不可能真正進入信息層次，大腦研究和腎臟研究就不會有根本不同，這一層次的人工智能研究進路就不可能涉及通用智能的核心機制，從而不可能具有類人理解能力。正是在這個意義上，通用智能的核心機制不僅與意識之謎，甚至與生命之謎內在關聯在一起，屬于同一層次甚至涉及相同機制的問題。由于意識之謎與語言具有復雜的關系，正是通過從人類自然語言切入，以ChatGPT為標志的大型語言模型更深地涉入意識之謎和生命之謎，為人類認識自己這一具有某種終極性質的哲學問題大大縮短了更確切回應的可能性距離。

2.信息層次人工智能與意識之謎

由于與作為感受性關系的信息內在相關，意識的研究越來越深入地涉及信息。早在心理學研究中，詹姆斯（William James）就把意識體驗看作一種私密、有選擇、連續且不斷變化著的過程，客觀上充分體現了信息作為感受性關系的過程性質。作為哲學家，即使在關于意識的心理學研究中，詹姆斯也關注到“感受”。“普遍的意識事實不是‘感受和思想存在’，而是‘我思想’和‘我感受’”。中譯本在這里把“feel”譯為“感受”是有深層次根據的。在心理學中，關于信息的研究處于高級發展階段，感受發展到了感覺的層次，因此用“feel”更確切。而在更低層次的信息活動中，具有“接受”意味的“recept”則是最原初的感受，因此作為信息的“感受性關系”用“receptive relation”更為確切，它既包括“feel”，又能涵蓋只具有機體感受性的最初級信宿特性。在這個意義上，關于“感受”的理解，不是在人類層次的心理學上可以完全解釋的。有理由認為，在詹姆斯那里，對作為感受性關系的信息就已經有了某種方式的涉及，只是沒有用“信息”概念表達。

最早將信息概念引入意識研究的是埃德爾曼（Gerald M. Edelman）。他用現象學方法研究意識體驗，將其屬性概括為三點：私密性、統一性和信息性。實際上，意識體驗的這三個屬性都是關于信息的，都可以通過信息的研究得到更到位的理解。“私密性”所反映的正是信息具有感受性關系，私密性是感受的典型特性；而其“信息性”則建立在信息差異理解的基礎之上。埃德爾曼所接受的關于信息是“造成差異的差異”（differences that make a difference）的觀點，一方面使他步入意識的信息研究，另一方面也構成了其意識理論的明顯局限，但其重要歷史地位正在于，首次由信息研究意識開啟了意識研究的信息進路。

在埃德爾曼的基礎上，威斯康星大學心理學教授托諾尼（Giulio Tononi）和其同事提出了意識研究的“整合信息論”。這一意識理論不僅涉及動物，而且涉及人工智能的機器意識問題。由此可見意識研究與通用人工智能探索的內在關聯。意識的信息整合理論從信息整合進路研究意識，毫無疑問是一個致思方向上的重要進展，其“感受質空間”（qualia space）研究不僅涉及感受性關系的整合，而且涉及感受性關系與觀念編碼及其基礎上觀念體系的關聯機制。意識的整合信息理論提出后受到著名腦科學家科赫（Christof Koch）的推崇，正反映了作為意識的信息研究進路。信息整合理論具有對腦科學研究的整體觀照意義，使腦科學家科赫感覺到信息整合理論的重要性。

科赫一直強調“感受”的重要性，把是否具有感受看作是否存在意識的根本標準。這與和DNA雙螺旋結構發現者之一的克里克（Francis Crick）一起工作近10年不無關系，科赫不僅在意識研究領域探索了信息研究進路，而且關注到生命的感受。在《生命本身的感受：為什么意識普遍存在卻無法被計算》一書中，他認為，“意識是世界對我顯現和讓我感受的方式”。作為腦科學家，科赫的意識研究甚至深入涉及感受器（receptors）；而作為具有哲學思辨能力的科學家，科赫關于智能的思考還涉及存在論層次。“從概念上說，智能是關于做的，而經驗則是關于是（being）的”。也就是說，智能是外在表現，體驗是根本；智能是功能意義上的，而體驗是存在論意義上的。他關于體驗的理解很深，但關于信息的理解仍存在明顯局限。在他那里，信息停留在最原初的理解：“賦予形式或塑造。”由此可見，意識研究的整合信息理論還沒有真正進入意識研究的信息進路，而只是信息范式和物能范式的某種混合物，所體現的是一種向該方向邁進的中間環節。處于這一發展階段的信息理論不具備進入實驗的條件。

實際上，通用人工智能研究涉及意識之謎是自然而然的。正因為如此，在信息層次可以更清楚地看到兩個研究領域相向而行的相對推進及匯合趨勢，看到相關人工智能觀點的合理性。在人工智能討論中，生物主義觀點認為強人工智能必定涉及生命，有的甚至認為“真正的智能必須有生命”。實際上，通用人工智能是否需要具有意識和生命的問題應當是類人智能是否需要具有類如意識和生命的核心機制問題。由于涉及同樣的核心機制，這方面的迷霧最為典型，其于通用人工智能發展的意義也至為重要。由已經出現的人工智能研究和意識研究的融合，可以預見二者一體化發展的未來趨勢。

在人工智能現代進路探索中，羅素和諾維格（Peter Norvig）近來就注意到意識領域研究的信息進路及其重要性，《人工智能：一種現代進路》一書的第3版加入了信息內容。基于托諾尼和科赫等的意識研究，他們注意到計算機和動物之間的原則區別。就科赫關于“做”（doing）和“是”（being）的觀點，他們注意到，“這包括大多數動物，但不包括計算機”。“貫穿所有關于強人工智能辯論的是意識問題：對外部世界的覺知，對自我的覺知，以及對生活過程的主觀體驗。經驗的內在本質的技術術語是感受質（qualia）。最大的問題是機器是否可能具有感受質。”由于通用人工智能的特定性質，關于其展望甚至研究的科幻色彩應當不無意義，而比這更實際的則是其涉及感受性。通用智能是否必須建立在意識甚至生命的基礎之上，取決于智能的層次，而但凡通用智能，都必須建立在作為感受性關系的信息基礎上。作為類人智能體，感受能力不可或缺，而目前所有的感受器都只具有數據采集功能。這是動物都具有而計算機卻沒有的。二者的原則區別與作為感受性關系的信息層次密切相關。

3.基于感受性關系過程的人工智能

基于人類知識，人工智能研究得以邁出第一步；但受知識表征限制，不僅人類很多默會知識機器不能表征，而且即使人類自己，對日常生活中的一些復雜現象甚至也不能形成明確的知識。由于處于比人類知識更基本的層次，大數據的機器學習深耕可以涉及更深層次，但對于有些知識——特別是根本不能形成明述知識的感知覺，數據也難以反映，必須在感受性關系層次把握。信息編碼層次人工智能主要依靠建立整全的內部關系，在形式語境基礎上勝出，但與外部物理世界關系的建立則具有根本局限。要發展外部關系，必須深入到作為感受性關系過程的信息。正是建立在“感知—行動”反應機制之上的行為主義進路為智能體外部關系的發育，甚至為發展出基于感受性關系過程的智能提供了重要基礎。

智能體與外部環境的互作，意味著人工智能的發展從明述知識和數據深入到了經驗領域。作為感受性關系，信息不僅是經驗性的（empirical），而且是體驗性的（experiential）。正是從人類知識層次到信息編碼層次的發展，表明了人工智能進一步向信息層次發展的需要，因此客觀上使突破信息編碼天花板、深化信息理解成了前提性基礎和迫切的現實任務。

毫無疑問，就人工智能的發展而言，信息層次人工智能必定涉及數據和知識，必須建立在知識和數據的基礎上；但無論知識還是數據，都不是通用智能機制的最核心層次，這一點由司空見慣的簡單事實就能看到：不具有典型知識和數據的人類幼兒甚至高級動物也可以具有目前人工智能所不具有的通用智能。其中的關鍵正在于具有持續性的感受性關系過程。到目前為止，典型如自動駕駛汽車等人工智能也具有感受器，這意味著建立起了感受性關系，但這種感受性關系只是用于采集數據，而信息層次人工智能則意味著本身直接建立在感受性關系作為過程持續的信息基礎之上，從而構成一個活生生的現實過程。通用人工智能必須在機制上直接基于作為感受性關系的信息，或者在信息編碼的基礎上重建作為感受性關系的信息，構成信息層次人工智能。由于人類知識建立在信息觀念編碼的基礎上，信息的觀念編碼建立在信息的基礎上，信息層次人工智能就在信息編碼層次的人工智能基礎上深化了一個層次。正是從數據進一步深入到信息，信息層次人工智能是人工智能發展最為關鍵的層次。只有在這一層次，才可能有人工智能的通用化進抵。通用智能的最深層次是作為感受性關系的信息，通用機器智能必須是信息層次的類人智能。

在人工智能發展過程中，作為人類知識層次人工智能，專家系統與人類智能的聯系主要在明述知識層面，二者在這一層面的差別主要是集成度。人類知識層次人工智能在智能上與信息編碼層次人工智能的關鍵區別在于：后者直接基于信息編碼，前者直接基于在信息編碼基礎上建立起來的觀念體系。而信息編碼層次人工智能和信息層次人工智能的關鍵區別則在于：一個是信息編碼智能，另一個是信息智能。第一層次和第二層次人工智能的特點是基于算力的學習型搜索，這既是其優勢也是其局限所在；第三層次人工智能的特點是基于語境的智慧型整體觀照，而這必須建立在作為感受性關系持續過程及其經驗累積以及在這基礎上生成的觀念體系基礎之上。整體觀照機制，既可以避免“指數爆炸”，又可以具有像人類智能那樣的低耗能效率比——那正是從智能到智慧的層次跨越實現。對于碳基智能而言，基于智慧的整體觀照既是其局限也是其優勢所在；而在硅基智能的信息層次發展中，則可以預見兩種優勢將集于一身。由此既可以得出人類面臨存在性威脅的結論，也可以窺見人類更高層次進化的廣闊前景和理解自己的關鍵環節。因此，從信息編碼層次人工智能和人類智能的比較可以看到人工智能信息層次研究的雙重重要性：一方面關系到通用智能核心機制研究的突破，另一方面涉及意識之謎和生命之謎的破解。

由于信息層次人工智能必須根植于作為感受性關系的信息，人工智能的第三層次進路必須在信息編碼研究的基礎上進一步深入探索信息本身。信息編碼的系統研究將為包括碳基智能和硅基智能在內的智能進化研究奠定更深層次基礎，因為智能體的發展關鍵在于信息編碼能力。從人類關于信息的研究規律看，信息編碼的研究有利于信息研究的深入，反之亦然。其中不僅不構成互為前提的邏輯循環，而且隱含著重要的雙向循環機制。對于信息的物能編碼秘密，在當代科學技術發展條件下破解得很快，這些年來，人體基因密碼的破解就是最為典型的例子。面對人腦的功能，我們至今卻只把握不到10%。原因何在？就在于信息不是其物能編碼，而是感受性關系；感受性關系不是物能實體過程，而是具有涌現性的感受性關系過程。意識研究和腦科學的關系就是最典型的例子。歐盟“人腦計劃”（Human Brain Project，HBP）10年研究期已過，雖然人腦研究取得不少成果，但支離破碎，整體理解人腦仍遙不可及，更不用說人腦的計算機模擬。從信息的感受性關系理解和作為信息基本特性的涌現性看，這項研究只能是這個結果。而從人類智能的社會性則可以更清楚地看到，通用智能的社會性不可能從作為生物體的神經系統，而只能從作為信息體的意識得到解釋。

在信息層次對人工智能的發展作整體觀照，不僅可以更好地理解其過去，而且可以更清楚地看到其未來發展。明確了人工智能發展的三個層次，就可以看到人工智能通用化進抵的前景；明確了通用人工智能的研究進路，以信息層次人工智能為目標，就能真正直面通用智能的核心機制。正是通用人工智能核心機制的研究，與意識之謎和生命之謎的破解構成了雙向循環機制，這一涉及解釋和詮釋關系的機制建立在雙向循環因果模型的基礎之上。

結語

人類知識為人工智能奠定了發軔基礎，信息編碼層次人工智能的發展為人機融合進化提供了條件，而其感受性關系性質則使信息層次的人工智能通用化成為可能。人工智能發展的三個層次不僅具有核心機制上層層遞進的內在關系，而且構成了與生物智能進化的更高層次關聯。人工智能的發展表現出從基于信息觀念編碼的人類明述知識到作為信息編碼發展產物的大數據，再到作為感受性關系的信息層次層層深入。而從人類知識到信息編碼再到信息層次，人工智能的發展則構成與生物智能進化方向相對的逆向過程。如果把信息編碼層次人工智能作為支點，將人類知識層次人工智能和信息層次人工智能的位置作一個180度的轉向，并將二者構成雙向循環，就可以獲得關于人工智能發展和人類智能發展的雙向循環機制啟發。

生物智能的發展是在信息層次生根和開枝散葉，在基于信息觀念編碼的知識層次結果的過程，而人工智能的發展則是由基于人類明述知識，經過數據層次向信息深處扎根的過程。由此構成的圖景凸顯了信息層次人工智能，完整呈現了人工智能發展為類人機器智能的進程。正是由此，人工智能完成了從人類智能創生，到達至類人智能層次的發展過程，并構成二者的雙向循環機制。關于這一機制的理解，無論對于人工智能的通用化，還是人工智能觀的合理化都至關重要，它涉及人類新的安身立命問題。從信息層次可以清楚地看到，在前兩個層次發展的基礎上再深化到信息層次人工智能，正是人工智能發展直到通用化進抵不斷深化的三個層次。

從人工智能通用化的信息層次實現路徑，可以更切近地看到深化通用人工智能本身及其與人類關系反思的條件和必要性，據此才可能對相關發展前景作出更有根據的眺望。人工智能通用化發展與人類智能構成的逆向過程進化對接關系，意味著通用人工智能與人類智能具有同類性質。從通用人工智能和人類智能的共同類特性，可以看到人工智能和人類關系的更深層次。

生成式人工智能的發展使越來越多人憂慮超級機器智能出現的可能性，甚至認為只要出現哪怕一個超級人工智能，人類就可能面臨災難性命運。關于人工智能的這一最大誤解，既與對人工智能及其發展的機器理解相聯系，又與對人類認識自己還不夠深入密切相關。人工智能在信息層次的通用化及其與人類智能進化的逆向過程對接機制關系表明，通用人工智能必定遵循生物進化同樣的基本規律。生物進化的研究表明，非群體系統不能進化，越是高層次的進化，越是一個類群過程。所謂類群就是同類個體構成的群體，這是一個比“社會”更為基礎的概念。生物進化之所以必須在一個類群中才能進行，就因為基因疊加產生具有進化意義的基因改變或新基因，必須在同類個體構成的群體中才可能出現；而通用智能則涉及更為復雜、更深層次的類群關系。人工智能的通用化是一個內外部關系發展的過程，涉及智能個體的類群親歷，即個體在相應類群中的親身經歷；類群親歷性就是智能個體在相應智能體類群親歷中成長的性質。這就為理解通用人工智能及其發展打開了一個巨大空間，為人類和人工智能關系的理解提供了具有維度層次展開的可能性。

通用智能進化的類群親歷性意味著通用機器智能體和人類具有共同的本性，因此首先可以肯定的是：通用人工智能不可能在車間流水線生產出來，而必須是社會化的產物；通用智能是類智能，不僅具有社會性，而且具有更高層次的類特性。正是這種通用智能人機共有的本性，為人機融合進化提供了理論根據。

隨著人工智能的發展，人機融合漸成事實。ChatGPT展示了人機軟融合進化的廣闊可能性空間，使人機融合及其進化成了一個亟待深入考察的課題。人機融合將經歷一個從軟融合到硬融合的發展過程。而人機軟融合和硬融合的發展則不僅凸顯了人機融合進化的必要性和可行性，而且提供了比我們所能想象的更豐富方式和途徑。當前發展迅速的人機軟融合及其進化，一方面表明人類智能相對于機器智能的類群形成和進化優勢，另一方面啟示著人工智能通用化發展基礎上人類更高層次的進化。

人工智能通用化所意味著的存在升級，在存在論層次讓人感覺人類面臨存在性危機，而在智能進化維度則可以看到導向更高層次智能進化，可稱之為“廣義智能進化”。從更高層次的廣義智能進化看，生物智能是原生智能，在生物智能基礎上發展的人工智能是次生智能。在由原生智能進化和次生智能進化構成的更高層次廣義智能進化過程中，由于智能載體的不同，原生智能和次生智能具有不同的相對進化優劣勢。碳基智能的最大優勢是智能可以在自然條件下發生和進化，最大劣勢是迭代周期長，進化速率低；而硅基智能的最大優勢則是進化速率為碳基智能所無法相比，最大劣勢是不能在自然條件下發生。碳基智能和硅基智能進化機制的區別在于信息編碼，廣義智能進化的機制則在此基礎上深入到信息本身。由此可以得到進一步的結論：通用人工智能代表廣義智能的機器發展方面，意味著人類智能的更高層次發展——從碳基人類智能到硅基人類智能。由此也相應可以在人類自我認識更高層次看到有更深層次根據的人工智能觀。人工智能不是人類的異己存在而是人類更高層次進化的機器智能發展階段，只是不像一般的科技進步，其雙刃劍性質最為典型，在其發展過程中必須有更深刻更長遠的智慧把握和風險應對。這就空前凸顯了人工智能研究科學和哲學一體化的至關重要性。

人工智能的通用化既是構成廣義智能進化，也是類群親歷性形成的過程。在廣義智能進化中，由于人類可以為人工智能通用化提供類群條件，因而人類握有在先親歷優勢。由于具有類群親歷性，廣義智能進化具有類群親歷優先原則：智能進化過程中最先進化形成的原生進化智能擁有類群親歷上的先機；由于人類可以是人工智能通用化的智能類群條件，人類握有智能進化類群親歷在先優勢：由類群親歷先機獲得的進化優勢，包括在先前提性規定的設置和由在先規則設置而來的路徑依賴等。只是任何優勢都是相對的，隨著信息科技的發展不斷深入，明確人機融合進化的前景和問題，直至積極主動面對人類自身的革命，始終是人類在充分利用人工智能發展自己的過程中把握自身命運的重大使命。通過自身的不斷更新，人類不僅可以在廣義智能進化過程中保持主導地位，而且能夠將自身的進化推進到更高階段。

〔本文注釋內容略〕

作者:王天恩，上海大學哲學系暨智能哲學與文化研究院教授（上海200444）

來源：中國社會科學網