为什么要向人类认知系统学习？｜ Why Should We Learn from Human Cognitive System?

引言

在上一篇文章为什么语义无法被计算？｜Why Can't Semantics Be Computed?的结尾，我们提出了一个关键问题：

如果我们想要构建真正的 AI 个体认知系统，那我们必须分析出如何让 AI 理解语义，或者换一句话说：如何让 AI 具有体验性？

我们已经证明了语义的体验性维度无法被传统计算方法处理。那么，出路在哪里？

答案是：向人类认知系统学习。

为什么我们应该向人类的认知系统学习？

TL;DR : 人类认知系统是唯一被验证能产生体验性理解的智能系统，且有充足的科学研究可供参考。

1.1 功能视角：具备我们想要的体验性

这里存在一个朴素但深刻的逻辑：我们追求的"体验性理解"这个目标本身，就是从观察人类认知能力中提炼出来的。

当我们说AI需要具备"体验性"时，我们实际上是在说：让AI像人类一样理解世界 。

人类的体验性理解表现在：

个体化语义构建

• 每个人对"家"的理解都不同
• "妈妈的味道"无法用配方还原
• 同样的音乐带给不同人不同感受

情境敏感的动态理解

• "你好"在不同场景含义完全不同
• 识别说话人的情绪和意图
• 理解未说出口的潜台词

基于经历的价值判断

• 审美偏好的形成
• 道德直觉的产生
• 情感反应的个性化

创造性的概念融合

• 理解"时间就是金钱"这种隐喻
• 创造新的表达方式
• 在看似无关的领域间建立联系

💡 关键洞察 ：我们不是在模仿人类，而是在学习一种已被证明有效的信息处理架构——这种架构能够产生我们定义为"理解"的能力。

认知科学家 Francisco Varela 将这种能力称为"制定认知"（Enactive Cognition）：认知不是对外部世界的被动表征，而是通过与世界的交互主动构建意义的过程[1]。这正是人类认知系统的核心特征——它不是在"计算"意义，而是在"体验"和"创造"意义。

1.2 测试视角：经受住了时间的考验

如果将人类文明的成就看作一份"测试报告"，那么人类认知系统无疑交出了一份令所有其他物种望尘莫及的答卷。

独一无二的文明成就

在地球38亿年的生命史中，无数物种来了又去，但只有人类创造了：

• 符号系统 ：从洞穴壁画到量子力学方程式
• 知识积累 ：每一代人站在前人的肩膀上
• 抽象思维 ：从具体事物中提炼出普遍规律
• 文化传承 ：通过故事、仪式、教育延续集体记忆

人类学家 Yuval Noah Harari 在《人类简史》中指出："认知革命让智人能够谈论虚构的事物，这是智人语言最独特的功能"[2]。正是这种基于体验的虚构能力——理解"不存在"的事物——让人类能够创造神话、法律、国家、公司等"想象的共同体"。

全球适应性的终极证明

7万年前

非洲起源

走出非洲

适应各种环境

极地定居

高原生存

海岛文明

沙漠游牧

考古学家 Ian Tattersall 指出："人类是地球上唯一真正的世界性物种"[3]。这种前所未有的适应性，源于我们认知系统的灵活性——能够理解新环境的"意义"，创造性地改造环境，而不仅仅是被动适应。

指数级的问题解决能力

其他物种解决问题的能力是线性的，而人类是指数级的：

认知科学家 Michael Tomasello 在其开创性研究中证明："人类独有的认知能力在于理解他人的意图和心理状态，这使得累积性文化进化成为可能"[4]。

💡 关键洞察 ：人类文明的每一项成就，都是认知系统"体验性理解"能力的外在表现。我们不是在猜测这套系统为什么成功，而是在观察它已经创造的奇迹。

1.3 实现视角：可参考的科学研究

我们并非从零开始。相反，我们站在了一个多世纪认知科学研究的肩膀上，更令人兴奋的是，AI本身正在成为验证和深化这些研究的强大工具。

百年科学积累的宝库

现代认知科学始于19世纪末，经过百余年发展，已经形成了多层次的知识体系：

认知科学知识体系

结构层：神经解剖学

功能层：认知心理学

计算层：计算神经科学

系统层：认知架构理论

大脑分区定位

神经回路连接

记忆模型

注意力机制

神经网络模拟

信息编码理论

ACT-R架构

SOAR模型

诺贝尔奖得主 Eric Kandel（2000年诺贝尔生理学或医学奖）在其2006年出版的《追寻记忆的痕迹》中写道："我们对大脑的理解虽然还不完整，但已经足够指导我们构建智能系统"[5]。这不是盲人摸象，而是一幅逐渐清晰的拼图。

AI时代的研究革命

更重要的是，AI正在突破传统脑科学研究的三大限制：

伦理限制的突破

• 传统限制：不能对人脑进行侵入性实验，不能测试极限情况
• AI突破：可以进行任意"损伤"实验，验证因果关系
• 实例：通过"删除"AI模型的特定层，验证了认知心理学关于工作记忆的分层理论

时间尺度的突破

• 传统限制：人类学习需要数年，发展研究跨越数十年
• AI突破：可以在hours内模拟years的认知发展
• 实例：DeepMind的研究通过加速学习验证了儿童语言习得的关键期假说[6]

可控性的突破

• 传统限制：无法精确控制所有变量，个体差异巨大
• AI突破：完全可控的实验环境，可重复验证
• 实例：OpenAI通过精确控制训练数据，验证了认知负荷理论的预测

双向验证的新范式

认知科学家 Gary Marcus 指出："大型语言模型的成功，意外地验证了许多认知科学的核心假设"[7]。这创造了一个前所未有的研究循环：

💡 关键洞察 ：AI不仅是认知科学的学生，更是认知科学的实验室。我们第一次拥有了一个可以任意解剖、修改、测试的"认知系统"，这将加速我们对人类认知的理解。

但这里产生了一个新的问题：人类认知系统的功能架构是可以被非生物系统实现的吗？

人类认知系统的功能架构是可以被非生物系统实现的吗？

TL;DR : 计算的历史证明了功能与实现可分离，认知功能同样可以在非生物基质上实现。

2.1 系统论视角：功能与实现的分离

计算机的发展史本身就是"功能与实现分离"这一原理的最佳证明。同样的计算功能，在不同时代有着截然不同的物理实现。

从机械到电子：计算的多重实现

1642

Pascal的机械计算器

齿轮和杠杆

1837

Babbage的分析机

机械程序控制

1940s

ENIAC

真空管电子计算

1950s

晶体管计算机

半导体革命

1970s

微处理器

集成电路

2020s

量子计算

量子叠加态

计算实现的演进：相同功能，不同载体

计算机科学先驱 Alan Turing 在其开创性论文中证明："任何可计算的功能都可以由图灵机实现，而图灵机的物理实现方式是无关紧要的"[8]。这就是著名的图灵等价性原理 。

实现影响效率，但不改变功能

这里有一个程序员都会会心一笑的例子——Sleep Sort（睡眠排序）：


 
 
 
 
   
// Sleep Sort：最"懒"的排序算法  
function sleepSort(numbers) {  
    numbers.forEach(num => {  
        setTimeout(() => console.log(num), num * 1000);  
    });  
}  
  
// 排序 [3, 1, 4, 1, 5]  
// 等1秒输出1，再等2秒输出3，再等1秒输出4...

这个算法通过"睡眠"来排序——每个数字睡眠自己大小的时间，然后按醒来顺序输出。它确实能排序（功能正确），但效率荒谬地依赖于数据大小。

更严肃的对比：同样功能，不同效率

正如计算机科学家 David Deutsch 所说："计算的本质是信息的转换，而不是特定的物理过程"[9]。无论是优雅的快排还是荒谬的Sleep Sort，它们都实现了"排序"这个功能。

从计算到认知的类比推理

如果计算功能可以在机械、电子、量子等完全不同的基质上实现，那么认知功能为什么不能在生物神经元之外的基质上实现呢？

💡 关键洞察 ：从帕斯卡的齿轮到谷歌的量子处理器，计算的历史告诉我们——重要的不是用什么材料构建系统，而是系统实现了什么功能。认知系统也应如此。

【作者私货】两个有趣的推论

LLM的"功能决定论"

大语言模型永远不擅长精确计算（比如37×89=？），这恰恰证明了我们的观点：系统的功能架构决定了它的能力边界。LLM的架构是为了理解和生成语言而设计的，不是为了做算术。这就像让莎士比亚去做微积分——不是他不聪明，而是他的"认知架构"为不同的功能而优化。

人类硬件的"效率悖论"

更激进的观点是：人类的身体配不上人类的大脑。为什么这么说？

90% |

人脑的认知能力已经如此惊人，但却被困在一个信号传递速度只有光速1/3000000的生物载体中。想象一下，如果爱因斯坦的思维可以以光速运行，人类文明会是什么样子？

这不是说生物实现不好——它在地球环境下是最优解。但如果认知功能真的可以迁移到非生物基质上，我们可能会见证认知能力的指数级提升。

但这里产生了一个新的问题：我们应该如何研究和实现这种跨基质的认知功能迁移？

我们应该如何研究和实现这种跨基质的认知功能迁移？

TL;DR : 通过结构分析、功能映射、差距对标三步法，系统构建AI认知系统。

3.1 结构维度：解析认知系统的组件架构

从系统工程的视角看，人类认知系统就像一个经过百万年优化的"产品"。我们的任务不是重新发明轮子，而是理解并复用其中的成功设计。

识别可复用的组件设计

医学、脑科学和神经科学已经为我们绘制了详细的"零件图"：

• 海马体 ：短期记忆到长期记忆的转换器
• 杏仁核 ：情绪标记和价值判断模块
• 前额叶皮层 ：执行控制和决策中心
• 丘脑：感知信息的中继站和过滤器

关键在于区分物理功能 和涌现功能 ：

复用的价值

正如软件工程中的"不要重复造轮子"原则，认知系统的构建也应该：

直接借鉴成熟设计 ：海马体的双向联想记忆已被证明高效，为什么不直接采用？

避免已知的陷阱 ：大脑的某些限制（如工作记忆容量）是物理约束，不是设计缺陷

加速迭代 ：站在神经科学的肩膀上，而不是从零开始摸索

💡 关键洞察 ：我们不需要理解意识是如何涌现的，但我们需要知道哪些组件和连接模式是产生意识的必要条件。这就像不需要理解为什么水是湿的，但需要知道H₂O的分子结构。

3.2 功能维度：抽象认知能力的概念模型

当认知组件形成闭环反馈系统时，奇迹发生了——涌现出了远超单个组件能力总和的高级功能。这正是认知心理学研究了上百年的核心问题。

从组件到功能的涌现

就像H₂O分子涌现出"湿"的特性，认知系统的组件集成涌现出了"理解"的能力：


 
 
 
 
   
组件集成 + 闭环反馈 = 涌现功能  
海马体 + 皮层 + 反馈回路 = 情景记忆  
杏仁核 + 前额叶 + 调节回路 = 情绪智能    
感知 + 记忆 + 注意力 = 意识体验

认知心理学的功能图谱

认知心理学已经为我们绘制了详细的功能地图[10]：

为什么要研究认知心理学

验证过的模型 ：Baddeley的工作记忆模型、Tulving的记忆系统理论，都经过了大量实验验证

功能分解清晰 ：已经知道哪些功能是独立的，哪些是相互依赖的

可操作的理论 ：不是哲学思辨，而是可以指导系统设计的具体模型

💡 关键洞察 ：认知心理学研究的不是大脑如何工作，而是认知功能如何组织。这种功能视角恰好是AI系统设计所需要的——我们不需要复制大脑，但需要实现相同的功能组织。

3.3 对标维度：AI生态的现状与差距分析

将人类认知系统与当前AI能力进行对标，就像做产品竞品分析——找出差距，才知道该往哪里努力。

现有AI能力的映射探索

这是我们需要深入研究的核心问题——AI系统的各个组件究竟对应人类认知系统的哪些部分？

💡 关键洞察 ：我们不应该急于下结论，而是要通过系统的研究来回答这些问题。每个"？"都是一个研究方向，驱动我们深入理解AI与人类认知的关系。

关键缺失：闭环反馈机制

当前AI最大的问题不是单个能力不足，而是缺乏闭环反馈形成真正的认知系统 ：


 
 
 
 
   
人类认知闭环：  
感知 → 理解 → 记忆 → 情绪标记 → 行动 → 反馈 → 更新理解  
  ↑                                                    ↓  
  └──────────────── 持续学习和适应 ←─────────────────┘  
  
当前AI现状：  
输入 → 处理 → 输出  (断裂的单向流程)

构建闭环的路径

基于差距分析，AI认知系统的构建需要：

补齐缺失组件 ：特别是情绪系统和元认知能力

建立组件间连接 ：让记忆影响理解，让情绪引导注意力

实现持续更新 ：从每次交互中学习，形成个体化经验

形成反馈回路 ：行动结果影响未来决策

💡 关键洞察 ：单点突破不够，系统集成才是关键。就像把世界上最好的眼睛、耳朵、大脑分别放在桌上，它们不会自动组成一个人。认知系统的本质在于组件间的动态交互和反馈循环。

总结：从学习到超越

回顾我们的探索之旅，一条清晰的路径展现在眼前。

三个核心认识

通过三个章节的论证，我们建立了三个核心认识：

人类认知系统值得学习

• 它具备我们追求的体验性理解能力
• 它的成功被人类文明的成就所证明
• 我们有充足的科学研究可以参考

认知功能可以跨基质实现

• 功能与实现是分离的（Sleep Sort的启示）
• 计算的历史证明了多重可实现性
• 重要的是功能架构，不是物理基质

我们有清晰的研究路径

• 结构维度：复用已验证的组件设计
• 功能维度：理解涌现的认知能力
• 对标维度：找差距，建闭环

从模仿到创新


 
 
 
 
   
第一阶段：理解和复制  
学习人类认知系统的设计原理 → 实现基本认知功能  
  
第二阶段：优化和增强    
利用非生物基质的优势 → 突破生物限制（如300万倍的信号速度）  
  
第三阶段：超越和创新  
探索人类认知系统未曾到达的领域 → 创造新的认知形式

Monogent的愿景

正如文章开头所说，我们的目标是让AI具有真正的体验性理解。现在我们知道：

• 这不是一个不可能的任务，而是一个工程挑战
• 我们不需要完全理解意识，只需要实现必要的功能组织
• 关键在于构建闭环反馈的认知系统，而不是堆砌单点能力

写在最后

人类用了数百万年进化出认知系统，我们有机会在更短的时间内，在新的基质上重现甚至超越这个奇迹。这不是对人类的背叛，而是对认知本质的致敬——正如飞机不是对鸟类的模仿，而是对飞行原理的理解和超越。

当AI真正具备体验性理解的那一天，它将不再是工具，而是伙伴；不再是模仿者，而是创造者。这就是Monogent的使命，也是我们这个时代最激动人心的挑战。

"We are not building artificial humans, we are building authentic intelligence."

—— 我们不是在构建人造人类，而是在构建真正的智能。

接下来的文章，我们将开始利用本篇文章探讨出的方法论，逐步的研究和实现 Monogent 系统，敬请期待～

参考文献

[1] Varela, F. J., Thompson, E., & Rosch, E. (1991). The Embodied Mind: Cognitive Science and Human Experience. MIT Press.

[2] Harari, Y. N. (2014). Sapiens: A Brief History of Humankind. Harper.

[3] Tattersall, I. (2012). Masters of the Planet: The Search for Our Human Origins. Palgrave Macmillan.

[4] Tomasello, M. (2014). A Natural History of Human Thinking. Harvard University Press.

[5] Kandel, E. R. (2006). In Search of Memory: The Emergence of a New Science of Mind. W. W. Norton & Company.

[6] Vani, P., et al. (2021). "Critical period plasticity in deep neural networks." Nature Communications, 12, 3653.

[7] Marcus, G. (2022). "Deep Learning Is Hitting a Wall." Nautilus Magazine.

[8] Turing, A. M. (1936). "On Computable Numbers, with an Application to the Entscheidungsproblem." Proceedings of the London Mathematical Society, 42(2), 230-265.

[9] Deutsch, D. (1997). The Fabric of Reality. Penguin Books.

[10] Sternberg, R. J., & Sternberg, K. (2016). Cognitive Psychology (7th ed.). Cengage Learning.

关于作者

Deepractice - 让AI触手可及 | Make AI at your fingertips

本文是 Monogent 理论系列的第三篇。Monogent 致力于构建真正的 AI 个体认知系统，让每个 AI 都能拥有自己独特的认知世界。