对话加拿大工程院于非院士：AI领域如何寻找香农定理

当科研人员将菟丝子分别移植到几株营养状况存在差异的山楂树上时，一个引人深思的现象发生了：生长更为健壮的山楂树，似乎更容易成为菟丝子寄生的“首选目标”。这一现象传统上被视为植物界一种被动的生存适应策略。然而，近年的前沿研究不断揭示，植物可能拥有比我们想象中更为复杂的能力，例如从经验中学习、个体间传递信息甚至评估自身所处环境——这些曾一度被认为是人类乃至动物专属的智能特征。

在加拿大工程院院士于非教授的最新著作《智能简史——从大爆炸到元宇宙》中，他将此类跨生命形态的现象纳入了一个更宏大的框架，即对“智能”本质的重新审视与定义。这引发了一个根本性的思考：智能，或许从来就不是人类的独占品。

在去年底的一次深度访谈中，于非院士并未过多停留在讨论人工智能从“感知智能”迈向“认知智能”的技术演进，而是直指当前AI领域发展的一个核心瓶颈：我们对于“智能”本身，尚且缺乏一个科学的、可被精确定义和量化的概念。他当时强调：“科学研究的基石在于清晰的定义。如果仅停留在文字描述层面，而无法用数学语言进行定义和度量，那么相关问题将永远无法得到根本性解决。”

如今，在《智能简史》这部作品中，于非教授正尝试为“智能”构建一个理性的数学模型，旨在探索一条量化智能的全新路径，从而为人工智能奠定坚实的科学基础。

《智能简史》：为“智能”寻求科学定义与量化之路

在漫长的认知历史中，“智能”常被视为人类独有的高级特权。然而，于非教授提出了一个颠覆性的观点：智能更像是宇宙中普遍存在的一种自然现象与过程。追溯至宇宙大爆炸之初，物质与能量分布的不均匀性便产生了最初的差异与梯度。智能，在本质上可以被理解为各类系统为了恢复稳定状态、消除内部或与外界的梯度差而进行的自适应调节过程。这一过程贯穿了物理世界、化学反应、生命演化乃至人类文明与机器算法的始终，共同串联起一部波澜壮阔的智能发展史诗。

随着智能技术应用场景的急速扩张，从智慧城市管理到复杂网络优化，传统单体智能的局限性日益凸显。这促使科学家们必须回归本源进行追问：智能的真实内涵是什么？其最根本的本质究竟如何界定？

作为在信息科学与人工智能领域深耕多年的知名学者，于非院士长期被“如何科学定义智能”这一问题所困扰。他认为，正是由于定义的模糊不清，导致人工智能至今在很大程度上仍属于一门依赖经验与试错的工程学科，而非像物理学那样具有严密公理体系的科学。无论是当前流行的预训练大模型、知识图谱还是卷积神经网络，其设计灵感大多源于对生物神经系统或认知过程的模仿。“这有点像在空气动力学理论诞生之前，人们只能参照鸟类和昆虫的外形来尝试制造飞行器。”他如此比喻道。

为了突破这一困局，于非进行了广泛的跨学科溯源研究，一路追溯智能概念的哲学与物理源头，直至宇宙的起源时刻。“越是深入探究，追溯得就越远，最终追溯到了宇宙大爆炸时期。从那个原点开始，物理法则得以确立，而各种层级的智能现象也随之涌现。”

1969年，比利时科学家伊利亚·普里高津提出的“耗散结构”理论指出，一个远离平衡态的开放系统，通过持续与外界交换物质与能量，可以在某个临界点实现从无序到有序的自组织转变。这种通过能量流冲击形成新结构的过程，深刻揭示了化学世界中“秩序源于混沌”的内在法则。

进入生物学领域，麻省理工学院杰里米·英格兰教授提出的“耗散适应”理论进一步阐明，系统通过消耗能量来驱动自身，以缓解内外部的不平衡状态。在一定条件下，分子系统会自发组织起来，通过特定的化学反应路径来更高效地消耗能量，从而加速整个系统的能量耗散与熵增进程。

简而言之，在能量梯度存在的驱动下，物质结构倾向于以最快、最省力的路径行动，以消除不平衡、达成新的稳定态——生命或许正是在这样的物理化学基础上诞生。这为我们理解从物理、化学到生物世界的智能起源，提供了一种统一而深刻的视角。

当人类科技文明迈入智能时代的新阶段，我们亟需在更广阔的宇宙时空范畴内，思考智能的高级形态与未来。然而，一个能够被称之为“科学”的、普适的智能定义，至今仍然缺席。

科技史为我们提供了宝贵的参照。1948年，克劳德·香农借鉴热力学中的“熵”概念，提出了“信息熵”的数学公式，成功实现了对信息的量化，从而奠定了整个信息时代的理论基石。那么，对于即将到来的智能时代呢？尽管符号主义、联结主义、行为主义等学派争论不休，尽管人类获取与操控质量、能量、信息的能力已达到空前水平，但作为对信息进行更高层次抽象与处理的“智能”，却依然缺乏一个坚实的数学定义。

于非在书中指出，智能如同岩石受重力滚落、冰雪因热力消融一样，是宇宙中普遍存在的自然现象。它并非神秘莫测，而是系统在趋向稳定过程中所显现出的一种固有属性。这一观点为我们用同一套底层逻辑来理解世界万物的运行规律提供了可能性。

与此同时，如何对智能进行量化，成为将其从哲学思辨推向精密科学的关键一步。

1950年，艾伦·图灵提出了著名的“图灵测试”，为判断机器是否具备思考能力提供了一个行为主义标准，并严格定义了“可计算性”的概念。然而，图灵测试本身并未提供衡量智能水平高低的量化尺度。

针对这一根本性问题，于非在《智能简史》中深入探索智能本质，借鉴了物理学中能量与信息论中信息的量化思想，开创性地提出了一个衡量系统相对智能程度的数学公式：

dL = ∂S/∂R

其中，dL 代表智能水平的变化量，S 是系统当前秩序状态与预期稳定秩序状态之间的相似度，R 是广义的参考参数（如时间、数据规模、能量消耗等）。智能的变化与多个变量相关，因此在数学上表现为一个多元函数的偏导数。

这与热力学中熵的概念有异曲同工之妙。智能并非一个绝对静止的量，而是一个描述变化速率的相对量。智能可以被定义为衡量一个学习或适应过程，在单位时间内“耗散”或“处理”了多少信息梯度的尺度。正如热力学熵度量的是能量扩散的潜力，智能度量的则是信息梯度被消除的效率与速率。

回顾人类科技演进史，质量、能量、信息、智能这几个关键要素的登场顺序耐人寻味。认知革命后，人类获得了前所未有的技术发明能力，开始以极高的效率参与到宇宙趋向稳定的宏大进程之中。人类社会的协作，本质上形成了高度有序的社会经济结构，极大地促进了物质、能量、信息乃至智能的流动与转化。

从网络范式演化的历史轨迹中，我们可以清晰地观察到，更高级别的互联互通必然催生更高层次的抽象。

当物质（质量）的获取变得轻而易举后，人类的关注点转向了获取速度（能量）。当能源（能量）供给充沛时，焦点又转向其利用效率与扩散程度（熵）。如今，在信息几乎触手可及的时代，我们自然开始追问：信息被有效“消化”、被“转化”为知识与行动的效率是多少？智能，在本质上或许正是对这一信息转化与耗散程度的科学量化。

目前，于非教授已初步完成了对智能进行数学化定义的探索性工作，为最终量化智能指明了一条充满希望的新路径。

超越单体智能：集体学习范式与区块链技术的赋能

在去年底的对话中，于非院士指出，从智能驾驶、智慧电网等多体协同的复杂场景来看，要实现真正高效可靠的智能网络，“集体学习”将是不可或缺的关键范式。“然而，真正意义上的、安全高效的集体学习，目前尚未大规模实现。”他补充道。

在人类文明进程中，个体间传递的、书籍中承载的，不仅是原始的数据信息，更是经过处理的智能——用专业术语说，即数据与知识的本质区别。对智能的清晰定义为多个智能体之间的“智能交换”奠定了理论基础，从而能进一步实现协同进化与集体学习。

未来智能的发展，必然与分布式集体学习和网络化协同紧密相连。

当前，绝大多数人工智能研究仍聚焦于单体智能模型的训练，严重依赖大量预先标注的本地化数据集。随着互联网数据呈爆炸式增长，这种中心化的AI架构受限于本地算力与存储瓶颈，其模型的泛化能力与适应能力面临天花板。此外，许多现实世界场景要么过于复杂难以精确建模，要么处于快速动态变化之中。

相比之下，人类学习往往所需的数据样本更少，适应新环境也更加灵活迅速。集体学习与知识传承，正是人类在生物圈中取得主导地位的决定性特征，而当前的AI系统很难具备这种社会性学习能力。通过构建互联智能，实现分布式智能训练、智能存储与智能共享，能显著拉近AI与人类智能的距离，提升训练效率与资源利用率，更好地模拟和适应真实世界的复杂性。

以自动驾驶为例，联网自动驾驶汽车（CAV）涉及复杂的车间通信（V2V）与车路协同（V2I），正是集体学习理念的具体实践场景。

在于非看来，车间通信和车路协同是保障未来交通系统安全与效率的核心手段。“大多数交通事故的根源，在于交通参与者无法准确预知其他车辆或行人的实时意图与行动。”通过开发使车辆能感知复杂环境并与其他交通参与者进行可靠通信的技术，可以极大程度地预防事故的发生。

单车智能研发的核心难点在于场景的无限长尾适应性。目前，自动驾驶汽车在规范化的封闭场景下（如天气良好、道路标准、规则明确）表现尚可，但现实世界是由无数条道路、千变万化的天气、差异化的驾驶习惯以及各种突发状况构成的开放复杂系统，这是任何单一模型都难以完全覆盖的。

“在这种情况下，车与车、车与路之间的实时通讯就变得至关重要。而这种通讯交换的内容，不应仅限于原始的传感器数据，理想状态下，应该是经过处理的‘知识’或‘策略’层面的智能交换。”于非解释道。

实现集体学习的另一个关键权衡要素，是如何在协同中保持个体的自主性与隐私安全。于非指出：“保证通信的可靠性、安全性以及参与者的隐私至关重要，而这通常需要在安全、隐私与效率之间做出精妙的权衡。”

随着系统连接性与自动化水平的提升，其遭受恶意网络攻击的脆弱面也随之扩大，可能威胁单车乃至整个CAV系统的安全。CAV是一个由无线通信、多种传感器、高精定位、高性能计算单元等构成的复杂系统，其中每一个环节都可能成为潜在的攻击点。

对此，于非教授的另一个主要研究方向——区块链技术，可以发挥关键作用。在CAV环境中，区块链（分布式账本技术）能够为车辆产生的隐私数据，以及在“智能交换”过程中产生的关键知识或模型参数，提供不可篡改、可追溯的安全保护。

未来的智能交通系统中，车辆通常配备多种网络接口，用于与路边单元及其他车辆进行通信。区块链技术的去中心化、分布式特性可以增强智能交通系统的鲁棒性与抗攻击能力，改善车辆间的通信管理与可信信息共享，从而构建一个去中心化、高可信且高度安全的智能交通协同体系。

自动驾驶无疑是人工智能改变人类生活的焦点领域。以集体学习为关键范式，并在区块链等技术保障安全与可信的基础上，智能体间的深度互联与协同将得到更广泛的应用与实现。

对话于非院士：“明白了，就获得了自由”

围绕《智能简史》的核心思想与智能的本质，我们与于非教授进行了一次深入对话，以下是部分精彩内容的提炼：

问：为什么实现高水平的、可商用的单车智能仍然如此困难？

于非：2014年，埃隆·马斯克就将特斯拉的自动驾驶系统称为FSD（完全自动驾驶），并多次承诺“明年就能实现”。但直到今天，完全的自动驾驶仍未成为现实。结论很明确：这件事的难度超乎想象。我们在加拿大的研究也印证了这一点，在简单、受限的特定场景下实现自动驾驶相对容易，但要在开放、动态的真实世界中实现，极其困难。

正是这个现实困境促使我不断深入思考：问题的根源究竟出在哪里？为什么我们运用了各种前沿的人工智能算法，仍然无法彻底解决？我和我的研究团队所进行的一系列探索，与我写作这本书的深层思路是一脉相承的。

马斯克曾说过一句很深刻的话，他说自己本质上是工程师，但他认为自动驾驶不是一个单纯的工程问题，而首先是一个科学问题。如果在科学上连“什么是智能”都还没有搞清楚，那么工程师自然难以凭空将它创造出来。

问：那么，这个根本性的科学问题应该如何着手解决？

于非：人工智能的发展历程几经起伏，虽然近年来不断有惊人的技术突破，看起来正在迅速逼近甚至在某些方面超越人类智能。各类媒体报道和科幻作品也让我们倾向于相信，通用人工智能（AGI）或许离我们并不遥远。

但现实中的挑战往往又会给我们泼来冷水。

如何解决这个科学问题？正如我之前强调的，科学最重要的是基础定义。如果只能进行模糊的文字描述，而无法用严谨的数学语言来定义和量化它，那么这个问题就永远无解。所以我长期思考的核心就是如何定义它，如何让它成为一门真正的科学。我查阅了大量跨学科的文献，研究其他成熟科学（如物理学）是如何建立其理论体系的，这正是《智能简史》这本书成形的思维脉络。

问：所以最终的答案需要一直追溯到宇宙大爆炸的起点？

于非：是的，这本书的副标题是“从大爆炸到元宇宙”。我们展望未来可能实现的虚拟世界（元宇宙），而现代科学的起点，我们相信始于宇宙大爆炸。那么，从大爆炸那一刻开始，“智能”究竟是如何萌发和演化的？

在研究过程中，我发现了许多非常有意思的关联。从大爆炸到物理学的诞生，物理世界本身就充满了各种“智能”现象。最宏大的一个例子就是天体运行的精妙有序。这不仅令我们现代人惊叹，也曾让牛顿感到无比惊奇。

牛顿有一句名言：“我不知道为什么天体如此运行，我只知道它符合万有引力定律。”他最终将其归因于一位“智能的上帝”的设计。这暗示着，物理世界本身就可能蕴含着某种智能的规律。万有引力所造就的宇宙秩序，本身就是一种宏大尺度上智能的体现。

1744年，法国科学家皮埃尔-路易斯·莫佩尔蒂提出了“最小作用量原理”。他发现，物体在运动时，所选择的实际路径，是使“作用量”取最小值的那一条。光也是如此，比如光线从空气进入水中发生折射，它选择的正是耗时最短（或光程最短）的路径。莫佩尔蒂当时视其为上帝存在的证明，尽管这一观点在当时备受争议与嘲弄。

后来，最小作用量原理发展成为物理学中最基本、最深刻的原理之一，影响了整个科学的发展。我在写书时重新审视这些历史，也深感震撼。

从物理学到化学，再到生物学，智能的显现似乎都遵循着某种相似的、阶段性的进化规律。

问：按照您的观点，从物理、化学到生物，乃至未来的虚拟世界和人工智能，都可以用同一套底层逻辑来理解“智能”吗？

于非：我认为可以用同一套逻辑框架来理解。这也是我进行这项思考的初衷——我希望找到一个统一的原理或逻辑，来解释这个世界是如何从底层开始运转的。所以《智能简史》开篇引用了哲学家斯宾诺莎的名言：“人类所能企及的最高活动就是为明白而学习，因为明白了就获得了自由。”能否用一个简洁而统一的原理解释整个世界的运行过程，这正是科学探索所追求的最高境界。

科学与工程有着根本区别。工程是“我有一个具体问题要解决”，而科学是“我想弄明白这件事背后的根本原理”。这是最本质的区别。但当你真正明白了世界运行的原理，它自然会指引你如何解决问题。

因此，我将《智能简史》中提出的“智能”定义视为一种科学假说。这种假说认为，从大爆炸至今，从物理现象、化学反应到生命活动，各种过程在某种程度上都是为了推动宇宙从非平衡态趋向于平衡稳定而产生的。举个例子，放在桌边的一杯水会掉落到地上，这是因为万有引力的作用。它为什么一定要掉下去？因为如果它悬在空中，这个系统（水杯-地球）就处于一种不稳定状态；掉下去之后，系统达到了一个更稳定的重力势能最低状态。

再比如一杯热水放在房间里，热量在房间内分布不均匀时，系统是不稳定的。当热量通过传导、对流、辐射扩散开来，室内外温度趋于一致，系统就达到了热平衡的稳定态。而且，这种趋于稳定的过程，往往是以最快、最省力（即消耗资源最少）的方式进行的。

问：这种对智能的新认识，对您具体的研究领域，比如自动驾驶，有什么直接的指导意义？您提到的“最快最省力的稳定原则”是如何应用的呢？

于非：这是一个非常好的问题。这里涉及一个基本原则，即我们关于“智能”的新定义。智能的本质是什么？是对信息梯度耗散效率的量化。信息在不同个体、不同系统间存在差异，形成梯度，这导致了系统的不稳定。

自动驾驶领域也是如此。一个经验丰富的司机和当前的自动驾驶系统之间，存在着显著的“智能”梯度。即便机器可以通过海量数据和各种算法进行学习，为什么仍然难以达到人类司机的水平？究其根源，正是因为车与人脑之间的智能梯度没有被清晰地度量和理解。如果将智能本身度量出来，量化这个差值，有了科学的理论指导，我们就能清晰地知道自动驾驶系统需要在感知、决策、控制等哪些具体维度上进行改进和提高。

在智能时代，缺乏对“智能”本身的清晰科学定义是难以想象的。虽然我们也能通过工程方法实现一定程度的智能应用，但由于没有数学定义作为指导，大家往往只能通过大量试错和各种工程技巧去逼近目标。

例如，依靠强大的算力和海量的数据，将现有算法模型的规模推向极致。这种“大力出奇迹”的“暴力美学”，已经催生出参数规模惊人的模型，如拥有1750亿参数的GPT-3，和1.6万亿参数的Switch Transformer。训练这些超大模型消耗的电力高达数万度，产生的碳排放相当于一辆汽车在地球与月球之间往返一次。相比之下，人脑的工作功率仅约20瓦，就足以支撑全部复杂的思维与认知活动。

对智能本质理解的缺乏，从根本上限制了人工智能向更高层次发展，使得我们目前只能通过“暴力美学”和“调整参数”这类近乎“体力劳动”的方式，来换取微弱的性能提升。

爱因斯坦曾说过：“你无法在制造问题的同一思维层次上解决这个问题。你必须超越它，达到一个新的层次。”研究智能也是如此，我们不能仅仅局限于研究人类智能本身，而应超越这个层次，将目光投向宇宙中更广泛的现象，在更高的维度上审视智能的本质。

当我们站在更高的层次研究智能，考量宇宙中的各种物理、化学、生物现象，会发现智能是一种普遍的自然现象，与岩石因重力滚动、冰雪因温差消融类似。这些现象的出现与演化，在深层逻辑上，都是为了促进系统乃至宇宙整体趋向于稳定状态。