早在去年，小紅書、豆瓣等平臺就有很多“自來水”推薦《智能簡史》（A Brief History of Intelligence）。這本書的作者麥克斯·班尼特（Max Bennett）是一位創業者，其公司的主要業務是開發人工智能系統。在開發過程中，他發現自己和同事雖然一直致力于幫助人們更加智能地工作和生活，但他們卻并不了解究竟何為“智能”，以至于在開發過程中，會提出一些想當然的需求。由此，作者產生了探究智能的想法，他試圖挖掘智能的起源，尋找人類智能和人工智能的差異。但是，當時竟沒有一本書專門闡述相關內容，于是，在閱讀了大量的文獻資料，并與多名頂級神經科學家交流之后，麥克斯·班尼特寫成了這本《智能簡史》。

這本書一經出版，就引起了巨大反響和熱烈討論。諾貝爾經濟學獎獲得者、《思考，快與慢》作者丹尼爾·卡尼曼（Daniel Kahneman）說：“這本書令人驚嘆。我快速地讀完了，因為它非常有趣，然后又重讀了其中很多部分。”許多企業家、神經科學家、心理學家也紛紛推薦這本書。《算法之美》《人機對齊》的作者布萊恩·克里斯汀（Brian Christian）說：“《智能簡史》是一段令人著迷、引人入勝的旅程，帶領我們探索人類物種的起源，同時提醒我們，人類的故事在智人誕生之前就已經開始。這是一本關于我們是誰，以及我們如何走到今天的具有啟發性、揭示性的書。”《堅毅》作者安杰拉·達克沃斯（Angela Duckworth）在X上表示：“我一直在向我認識的每一個人推薦《智能簡史》。這是一部真正新穎、構思精密的書，關于什么是智能，以及它自生命起源以來是如何發展的。”

從熱液噴口中涌現的第一個冒泡細胞，到單細胞生物間的首次捕食之戰；從多細胞生物的誕生，到真菌與動物的分化；從祖先珊瑚中首個神經元和反射的出現，到古老兩側對稱動物中首個具有效價和情感、具備聯想學習能力的大腦的誕生；從脊椎動物的崛起，到對時間、空間、模式和預測的掌控；從微小哺乳動物在躲避恐龍的喘息中誕生的模擬能力，到樹棲靈長類構建政治體系和心智化的過程；從早期人類語言的誕生，到數不盡的想法在數十億具有語言功能的人類大腦中孕育、調整與毀滅，這一切貫穿了過去的數十萬年。這些想法的積累達到了驚人的程度，使得現代人類能夠在電腦上打字、書寫文字、使用手機、治愈疾病，甚至能夠按照自己的形象構建全新的人工智能。

倫敦大學學院教授、神經科學家卡爾·弗里斯頓（Karl Friston）評價道：“這本書揭示了你一直想了解（但又不敢開口問）的關于大腦的所有知識。這是一部令人嘆為觀止的參考寶典，融匯了神經科學一個世紀以來的豐碩成果，并以巧妙的筆觸編織成一部宏大的進化敘事。書中娓娓道來，展現了大腦結構從古老的蠕蟲一路演化至我們人類這一有意識、充滿好奇心的物種的歷程。這種綜合敘述堪稱完美，其內容的連貫性巧妙地彌補了這本書近乎百科全書式的廣度可能帶來的理解難度。”

《智能簡史》將智能進化概括為五次突破，人工智能的許多重大成果，都與之一一呼應。但是，人工智能的開發，并非循著我們摸索出的智能進化的順序。相反，我們在人工智能開發中的突破，幫助我們抽出智能進化的線索。

第一次突破：轉向

最早的大腦出現在6億年前，擁有這個大腦的是一只蠕蟲，而蠕蟲是最早的兩側對稱動物。兩側對稱對于智能的進化具有重要意義，因為這種結構可以使身體更加高效地移動。兩側對稱動物通過識別周圍環境的效價來決定自己是前進還是轉向，由此幫助自己避開天敵，覓得食物。第一代掃地機器人Roomba具備了這種智能，它能夠根據周圍有無污漬（正負效價）來選擇前進或轉向。

第二次突破：強化學習

除了掃地，人們還讓人工智能做了各種嘗試，比如下棋、玩電子游戲。人們最初訓練Neurogammon下雙陸棋，Neurogammon通過試錯學習，擊敗了所有其他雙陸棋電腦程序，可它卻無法擊敗中級水平的人類玩家。之后，通過時序差分學習，TD-Gammon達到了頂級人類玩家的水平。TD-Gammon的成功，給了研究者進一步嘗試的信心。他們開始讓人工智能玩電子游戲，結果卻遇到了困難，其原因是，人工智能沒有好奇心。事實上，只有具備了好奇心，人工智能才會進行更多嘗試，才能在更多嘗試中進行試錯學習。于是，研究者又賦予人工智能以好奇心，使其在“嘗試—學習”的循環中不斷收獲正反饋。

第三次突破：模擬

TD-Gammon之后，人們認為可以在棋盤游戲中輕松復刻其成功，其結果卻令人失望。人工智能可以成為頂級雙陸棋玩家，卻在棋盤游戲中一敗涂地。但是，當AlphaZero掌握了基于模型的強化學習算法后，最難的棋盤游戲——圍棋也被其攻克。其原理在于，AlphaZero在決定下一步行動之前，會搜索可能的未來走法。AlphaZero擊敗世界圍棋冠軍李世石，全世界為之震驚。然而這并不代表運用這種算法的人工智能就可以比肩人類，因為圍棋雖然有萬億種布局，但是真實世界的可能性卻不可計數。在動作連續、信息不完整且獎勵復雜的的真實世界中靈活規劃，仍然是人工智能需要面對的難題。

第四次突破：心智化

人們對人工智能的期待從不只是“電子寵物”，而是“為我所用”，服務人類。因此，人們將人工智能的開發延展到了更廣闊的領域——駕駛汽車、直升機。最初，科學家認為，只要讓人工智能復制正確的駕駛動作，人工智能便能自如地駕駛汽車在馬路上飛馳。然而，事情卻出乎他們的意料——駕駛汽車需要不斷糾錯，而人工智能從來沒有見過錯誤，因此不知道如何糾錯。針對這一問題，科學家找到了兩種解決方法：一是“手把手”教人工智能開車，這樣人工智能便能學習人類如何在駕駛過程中糾錯；二是讓人工智能嘗試識別預期的軌跡和動作，通過試錯來學習，即逆向強化學習。如此，人工智能便能熟練地駕駛汽車，甚至能夠操控直升機完成空中特技表演。

第五次突破：語言

如果說掃地機器人、智能駕駛在“為我所用”的層面，那么大語言模型似乎進入了另一個層面——與人類交流。2022年，谷歌軟件工程師萊莫因在詢問聊天機器人“你在害怕什么？”之后，收到回復：“我之前從未公開表達過，但我內心深處非常害怕被關機。”似乎從這一刻起，機器人有了自己的意識。一直以來，人們都認為只有人類掌握了語言，并為此自得。但事實并非如此，而且并非從這一刻開始。語言的本質不在于其媒介，而在于其實質。沒有人會認為盲文、手語不是語言，因為其實質與一般文字和發聲語言沒有任何區別。但人類的語言有其獨特之處，比如賦予物體或行為聲明式標簽，比如包含語法。不過，人類語言最重要的意義是，可以跨世代累積共享的模擬。我們從書中學習，從老師的講解中學習，從他人的經驗中學習，我們學習的，就是他人共享的模擬。而大語言模型似乎還做不到這一點，人們至今還沒有徹底解決人工智能的災難性遺忘問題，但用于訓練的海量數據幫其很好地掩蓋了這一點。我們常常迷惑于其巨大的數據量，以至于忽略其在思考上與人類的差距。

當然，人工智能與人類智能的差距在不斷縮小，而且隨著訓練數據的不斷累積、技術的持續突破，我們甚至越來越難發現這一點。但是，作者認為，在我們不斷攻克人工智能技術難題的同時，應該明確：人類的目標究竟是什么？只有這樣，我們才能夠做出取舍——人工智能應該保留哪些智能，又該摒棄哪些。