半岛彩票轻而易举的任务（如说谎、幽默、暗讽、隐喻、道德判断等），但对计算机来说，却是
换言之，计算机的智能表现，体现出了一个“智能悖论”，即：（对人类）困难的问题是简单的，（对人类）简单的问题是困难的。
对此，我们需要从两个角度来看：首先为什么计算机会表现出智能，其次是计算机智能与人类智能有什么区别。
虽然计算机，不能够进行逻辑推理和自主学习，但却可以进行逻辑运算（又称布尔运算）。
其基本原理就在于：计算机通过逻辑门，来进行逻辑运算，从而就拥有了映射逻辑关系的能力。
以上就是最基本的逻辑门计算，通过组合它们，就可以实现任意复杂度的逻辑运算，而组合它们的方式，就是逻辑电路。
所谓逻辑电路，简单来说就是指完成逻辑运算的电路。具体一些，就是指一种以二进制（0和1）为基础，来实现（离散）数字信号逻辑运算的电路。
其基本原理就在于：晶体管可以（通过物理元件的属性）实现开关控制，使得通过它们的电平信号，产生或高或低的结果，以此来代表逻辑上的“真”与“假”（即二进制当中的1和0），从而实现逻辑门的计算，进而集成电路就可以组合晶体管，实现任意复杂的逻辑电路。
于是，计算机通过晶体管和集成电路，就拥有了逻辑关系的映射能力——这可以看成是，把抽象的逻辑关系，转换到了物理的逻辑电路上。
其处理过程就是：接收数据、分析数据（利用逻辑关系）、得出结果，也就是经典的“输入-处理-输出”模型。
需要指出的是，逻辑电路不仅可以分析数据，还可以通过执行逻辑来进行数据的存取，包括指令、地址、程序等等。
例如，通过组合逻辑门构造一个锁存器（Latch）——它可以保持一个比特位的数值（即0或1）不变，也可以让一个比特位的数值改变——而组合锁存器就可以构造寄存器或内存（RAM）——所以，内存也有运行频率，这是控制逻辑门的速度，即时钟速度（Clock Speed）。
事实上，计算机的算力，就是来自于数百亿的晶体管，进行超高速控制逻辑门的结果，显然物理电路的物理属性，决定了高算力的必然。
那么相比计算机，人脑的算力“弱鸡”，是因为逻辑判断的速度不够快，其根本原因在于：
生物电路控制逻辑门的速度，远远不如物理电路，这可以理解为——电化学反应的速度落后于电物理反应，即：脑细胞构建的逻辑门结构（电突触与化学突触），其反应速度远不如物理元件构建的逻辑门结构。
也就是说，逻辑门计算的快慢，并不影响逻辑推理的过程和结果，这个过程——就是数据经过逻辑门结构时的逻辑运算，这个结果——就是经过计算后的数据。
计算机的结构——就是物理硬件结构，人脑的结构——就是神经网络结构，这两种结构均实现了
前者的计算数据——是物理电信号，后者的计算数据——是生物电信号，这两种电信号均转化自
前者的输入数据——是来自物理设备（如键盘鼠标传感器），后者的输入信息——是来自生物设备（如眼睛鼻子耳朵）。
需要指出的是，能被人脑处理的数据，就是信息，不能被处理的数据，就是无法感知，所以对人脑来说——环境数据就是环境信息，输入数据就是输入信息。
那么，人脑的逻辑门计算，在宏观上就是使用“如果怎么样，就怎么样，否则怎么样”的条件判断——这个“如果”的真假，就是进行“与、或、非”等等的逻辑运算（可任意组合），那么在微观上就是——从输入信息、到脑细胞激活、到电化学反应、到兴奋电位（代表1）或抑制电位（代表0）。
而脑细胞的连接方式——多个胞体的轴突（输出信息），可以连接到一个胞体的多个树突（接收信息）——就可以形成各种“神经逻辑门”，与物理逻辑门的原理一致，即：多个轴突的输入信息组合（抑制与兴奋的叠加），抵达某个阈值，才能激活某个胞体的信息处理及传递。
例如，人脑的视觉系统，并不处理光点信息，而是处理光几何信息（如各种角度的长条、长方形等），其实现方式就是：多个感知光点的视觉细胞（轴突），连接到同一个脑细胞（树突），当这些“光点细胞”同时输入信息时（即感知到多个光点），对应脑细胞才有反应，而这些“光点细胞”的排列形状，就是视觉系统可以处理的光几何形状。
需要指出的是，数学运算 = 逻辑运算 + 读写操作——而读写并没有逻辑（只有运动），如果没有逻辑运算，就会是没有逻辑的（大概率错误的）读写。
例如，实现二进制加法的抽象过程是：读取数字，比较数字（逻辑运算）——如果是0，写入1，即完成了加法计算——如果是1，写入0，移动高位，写入1，即完成了进位计算——而有了加法基础，就可以实现其它的数学运算。
可见，计算机可以同人脑一样，进行无差别的逻辑门计算，其底层支撑在于：如果说“0是关1是开”，那么计算机（CPU）与人脑，就都可以抽象地看成是一个复杂的——“开关网络”（Switching Network）。
这个开关网络，即是逻辑门计算的物理模型（物理模型体现结构，数学模型体现关系），它可以由不同的介质来承载实现——这正是让计算机可以表现出智能的根本原因所在。
那么，计算机可以抛弃人类的帮助，自行分析数据中的逻辑关系，并自动控制逻辑门计算的过程吗？
换言之，计算机可以在逻辑门计算之上，构建出类似人类智能的智能吗？再换言之，人类智能在逻辑门计算之上，所具有的根本性的“质变”是什么呢？
如前所述，逻辑推理取决于逻辑门结构与数据，算力只是逻辑门结构的特性，推理过程是逻辑门结构对数据的计算，推理结果是计算后的数据——其与计算前的数据具有逻辑关系。
而计算机虽然拥有逻辑门结构，但推理过程需要人类智能提供——数据与算法，其中算法负责控制逻辑门结构，去完成对数据的计算，并得到结果。
具体来说，算法由程序描述，程序被转化成指令，指令被硬件（逻辑门结构）执行，这就实现了数据的逻辑运算，而人类智能通过编程，就可以控制计算机完成逻辑推理。
当然，算法（Algorithm）可以是一个更抽象的概念（与计算机无关），即是指解决问题的完整描述，由一系列准确可执行的步骤组成，其代表着解决问题的策略。
在此我们会发现，人类智能可以构造算法，但计算机却不行，而算法才是逻辑推理的关键，那么这其中的奥秘是什么呢？
答案就是，结构——事实上，人脑的结构是逻辑门结构的超集，在此基础之上，相比计算机物理硬件结构的简单固定，人脑结构具有极大的复杂性和极强的可塑性。
对于复杂性，计算机的存储结构、传输结构与计算结构是独立分离的，但人脑神经网络结构，既是存储结构，也是计算结构，甚至还是传输结构。
具体来说，就是神经元细胞之间的几何关系、密度、数量，膜内外的成分、浓度、电位，以及电化学反应的过程，等等——都是一种信息的记录和计算，从而信息的形成、传递与处理就是共用神经元细胞的，于是信息在脑结构中，自然就会相互关联与影响。
换言之，环境信息被人脑捕获之后，其“运动”的某种模式——如带电离子的流动、神经递质的扩散——就对应了算法，而这种物理意义上的“运动算法”，是意识运作的底层，不受意识的控制，其结果就包含了直觉与潜意识，而直觉可以看成是潜意识的计算。
这里需要指出的是，信息与数据之间的关系，即：信息是从数据中提取的关系，同样的数据看到不同的关系，就是不同的理解，就会有不同的信息，可见信息是数据的简化抽象，即过滤了很多不同维度的关系——类比来看“数据-信息”就像“质量-能量”。
那么显然，计算机结构并没有“运动”的特性，也没有数据存储处理“一体化”的特性，相反计算机的数据，是独立于其结构的——结构的改变（如规模、架构）不会影响数据，数据的改变（如数量、关联）不会影响结构——所以，计算机的数据可以无损复制到另一台计算机上，但人脑的信息就无法复制，除非重建相同的脑结构。
最为关键的是，计算机的结构无法产生算法，也就是无法从数据中提取逻辑关系，也就是无法从数据中提取信息，因此计算机要求输入数据“自带信息”——这是如何做到的呢？
由此可见，计算机要求输入数据（含有数据结构和代码算法），既要有逻辑关系，也要有逻辑处理，而这些都被转移到了由人类智能来提供。
对于可塑性，输入信息可以改变人脑神经网络结构本身（包括生物逻辑门），从而改变对输入信息的获取和处理，于是结构和信息之间就形成了“结构吸收信息，信息塑造结构”的相互作用，这就如同——河床（是结构）约束引导河流（信息），河流（是信息）冲刷塑造河床（结构）。
事实上，抽象地来看，逻辑即是结构所固有的关系，不同的结构（或同样结构不同角度）有不同的关系就有不同的逻辑，而结构的改变即是逻辑的改变。
例如，人在梦境中的想法逻辑，会与清醒时有很大的不同，这就是因为人脑神经网络在睡眠时的激活结构不同，这种结构的不同，就会产生不同的想法逻辑。
因此，人脑可以捕获环境信息，接着分析学习其中的逻辑关系，然后（将逻辑）存储进动态的人脑神经网络（结构）中（比如经验与常识），并参与后续（环境信息）的逻辑处理，这即是自主学习的能力。
可见，大脑的可塑性表明——大脑的结构决定了大脑的功能，即：无差别的单元，构建有差别的结构，形成不同的功能。
那么对比人脑，计算机的结构固定，完全没有动态性和自组织性，转而只能依赖人类智能提供——数据结构与算法（数据结构 + 算法 = 程序），于是计算机智能也就无法进行——自主学习与自主推理了。
简而言之，人类智能是因为人脑的结构非常复杂，而计算机的结构如此简单，其“智能表现”是把复杂算法都转移到了程序设计之上，也就是让人类智能来思考产生。
综上可见，我们“自诩”的智能，其实就是来自于——复杂结构的动态性与自组织性，其功能就在于——从环境信息中建模映射真实世界的逻辑关系，继而可以准确地预测未来。
当然，人脑结构中存储的都是——简化模型，而对这些颅内模型的计算与建模，就是由智能所主导的——认知计算与认知建模。
有趣的是，人脑的认知模型不仅简化，其认知模式还偏好简化，但它（模型和模式）可以复杂——这是一种演化冗余的结果。
而通俗地说，人脑结构——决定了晶体智力（取决于学习，如技能和技艺，不受衰老影响），神经运作——决定了流体智力（取决于基因，如记忆力和算力，随衰老减退），智能——则建立在晶体智力与流体智力之上。
那么，计算机智能有没有办法，突破固定结构的局限性，从不同的演化路径去“模拟”出人类智能呢？
如前所述，能够创造出算法是智能的关键所在，而在编程领域，著名程序员、开源软件运动的思想家、黑客文化的理论家——埃里克·雷蒙德（Eric Raymond），在《Unix编程艺术》中，有这样一个实践性的洞见——算法和数据结构有一个关系，即：
数据结构越复杂（如哈希表），算法就可以越简单，数据结构越简单（如数组），那么算法就需要越复杂。
例如，编程语言越是动态化（如Python、JS、Lua），就越容易构建复杂结构，用其编写算法也就越容易，相反编程语言越是静态化（如C、C++、Java），就越难以构建复杂结构，用其编写算法就困难，而编程语言的演化是越来越动态化（如C#）。
其原理就在于，算法实现——是逻辑关系的“计算映射”，即动态地进行逻辑关系的转化；数据结构——是逻辑关系的“固化映射”，即将已经计算好的逻辑关系，存储在了结构之中。
可见，算法比数据结构多出了计算的过程——前者需要根据逻辑关系进行逻辑运算，后者仅需要根据结构的逻辑关系直接读写——所以应用数据结构进行逻辑关系的转化，会更加高效。
而人脑可以从环境信息中，提取数据结构并习得算法，最终将两者存储到脑结构之中——可见，“神经结构、数据结构、算法”三者之间可以互相转化，或说互相表征。
换言之，如果数据结构足够强大，它就可以充当复杂算法的功能，甚至可以替代复杂的神经结构。
因此，计算机智能“拟人”（即模拟人脑）的一个途径，就是通过强化数据结构来模拟神经结构，以及弱化人类智能所提供的代码算法，转而使用结构去生成算法，而这就是目前人工智能的发展方向——以下使用“人工智能”来替代“计算机智能”。
顺便一提的是，在现实中，一个东西的结构越复杂，它的功能就越丰富，可以说结构决定了功能，更或者说结构就是功能，而功能来自于算法的执行——所以，结构转化为功能，就意味着结构蕴含了算法。
显然，“人工”二字已经说明，依然由人类智能来提供，只不过这不是一个针对具体问题的数据结构，而是一个模拟人脑神经网络的通用数据结构——它是对人脑结构的简化抽象，并由程序语言编程实现的数学模型（以矩阵为基础，想象黑客帝国的母体），可称之为“类脑数据结构”，更形象的描述是“类脑神经网络”。
接下来，人类智能继续提供一种算法——机器学习算法（如深度学习、强化学习等等，每种又有不同的具体实现），这种算法可以通过拟合与计算，试图在海量的大数据中找到各种各样的算法——从而把特定的输入问题与输出结果对应起来——这相当于实现了一种可以创造算法的“算法”。
而将类脑数据结构与机器学习算法结合起来，就可以动态地自组织类脑数据结构（通过结构连接关系的权重），以存储算法创造的算法——于是人工智能就表现出了自主学习与自主推理。
有趣的是，有一种机器学习算法（强化学习，Reinforcement Learning）与人脑多巴胺强化学习的机制是相一致的，即：
概率来自权重（即历史权重决定了算法的概率计算），权重来自奖励，奖励来自行为，行为来自决策，决策来自奖励，奖励来自概率（即现实概率决定了奖励的最终获取）——这说明机器可以使用人脑相同的学习机制进行“自我学习”。
那么，这里算法习得的权重（也称权值），其实就相当于人脑神经元之间的连接强度，通过数据反复地训练与调整，无论是机器还是人脑，最终都可以把输出结果逼近正确答案。
而这个过程，可以完全用数学描述，就如图灵奖得主、卷积神经网络之父——杨立昆（Yann LeCun），在《科学之路》中，所说：
“所谓的机器学习，就是机器进行尝试、犯错和自我调整的操作。学习就是逐步减少系统误差的过程。训练机器的过程就是调整参数的过程。……基于成本函数最小化的学习，是人工智能运作的关键要素。通过调整系统参数来降低成本函数，也就是降低实际输出与期望输出之间的平均误差。实际上，最小化成本函数和训练系统是一回事。”
“（人工智能）神经网络的连接体系结构，即各层神经元的组织、以及神经元之间的连接，是确定的。但是权重，即加权和的参数是不确定的，它们可以通过学习来确定。”
事实上，早在1950年，图灵就阐述了类似这样的想法，著名传记作家——沃尔特·艾萨克森（Walter Isaacson），在《创新者》中指出：
为了反驳“洛夫莱斯夫人的异议”，即埃达·洛夫莱斯认为分析机无法像人脑一样工作，图灵在论文中提出了一个极具独创性的观点，即：
“机器也许可以进行学习，从而逐渐发展出自己的主动性，并掌握产生新想法的能力。……图灵提出了一种奖励和惩罚机制，它可以促使机器重复或者避免某些行为，最终这台机器将会培养出自己对于思考的概念。”
由上可见，人工智能是在通过“输入数据、数据结构、学习算法”之间的相互转化，来形成“类人智能”的——也就是从数据中找到结构，再从结构中产生算法，最后将算法存入结构。
值得一提的是，实践表明，人工智能模型可以通过数据训练，获得非常精准的预测能力，但这种预测能力不具有可解释性，即无法解释预测结果的形成路径。
换言之，类脑数据结构（或说类脑神经网络）是一个——“黑盒模型”，如同人脑一样。
那么，从此也可以看出，结构涌现智能的规律与力量——就如同化学中结构决定性质，物理中结构决定激发，程序中结构决定功能，语言中结构决定语义，等等——或许结构决定了一切，这被称为“结构主义”。
“人类视觉系统，不仅受过对图像进行分类的训练，而且除了完成特定任务，它还接受过捕捉视觉世界结构的训练，……因此一个孩子不需要成千上万头大象，来学习「大象」的概念，而是只有三头就足够了，甚至在插图中描述出图案都可以。”
而按此视角，“听不懂”、“不明白”、“搞不清”、“难理解”——其本质都是无法重现相同（或相似）的结构，即脑神经网络结构，如：动物听不懂人话，学渣不明白公式，平民搞不清政治，男人不理解女人。
换个角度来看，一个人哪怕经验再丰富，与“大数据”相比也只是“小数据”，但“小数据”并不影响人脑具有强大的预测能力——其原因就在于，从有限的数据中获得（或说提取存储）有效有意义的结构，而“结构”可以预测未来。
那么，如果拥有了足够大的“大数据”，这就像拥有了一张分辨率足够高的“照片”，任意放大“照片”的某个局部，都可以看到足够多的信息与连接，这就有更多的可能性，从这张“照片”里发现某些规律，即结构——这就是人工智能的路径与意义，即连接了数据与结构。
然而除了数据结构，在类人智能的道路上，仍有一个显著的问题，即是人脑的模糊性与计算机的精确性，它们之间的差异性应该如何解决？
事实上，计算机一直是基于精确逻辑的工作模式，任何微小的逻辑错误，都会在计算积累中不断地被放大，直到逻辑崩塌或程序崩溃，最终导致任务失败。
人脑的逻辑处理则完全不同，人脑基于“贝叶斯算法”使用概率模型，通过统计的结果来得出可能性，从而创造出各种假设，并随着接收到的新信息而不断调整模型，同时又会根据最新模型连续地计算，不断逼近最真实准确的答案，所以人脑可以忽略不具有规模的异常和错误。
例如，人脑处理语言，就是概率模型的最佳体现，显然人类语言具有很强的容错性和纠错性——什么语法错误、多意混淆、口音语调、反讽幽默等等，都可以在电光石火之间被人脑大概率的正确处理，这是计算机和编程语言所望尘莫及的，因为编程语言错一个分号，程序就会“满盘皆输”——并且在人类语言之上，人脑还可以支撑精确的推理模型。
例如，人类婴儿最初学习语言，也是基于概率来实现的，即：通过不同音素的连接概率，来进行语句中字词的分隔判断——显然，在没有字形的情况下，区分字词的方法，就只能记忆音素（即最小发音单元）不同连接组合的可能性。
其中，演绎与归纳，（在数学上）是基于精确逻辑的（在人脑中是相对精确的），类比与溯因，则是基于概率统计的，而推理的根本作用就是——捕获因果，预测未来。
事实上，直觉、闪念、灵感、顿悟所带来的洞见，往往就是运用类比与溯因的推理结果，其过程看似没有逻辑，实则背后是神经网络“遥远连接”所激发的信息的“自由”排列组合。
显然，概率会让这种“洞见”，有时是灵光乍现，即蕴含着深刻本质的逻辑，有时则是胡说八道，即类比错误、溯因荒谬。
可见，人类智能在结构与计算之上，必须要引入概率统计的工作模式，才能够展现出其强大的推理预测能力。
在深度学习领域的经典奠基性教材《深度学习》（Deep Learning）中，作者指出：
“在人工智能领域，概率论主要有两种用途：首先，概率法则告诉我们，人工智能系统如何推理；其次，可以用概率和统计，从理论上分析人工智能系统的行为。……概率论，使我们能够提出不确定性的声明，以及针对不确定性的情景进行推理；而信息论，则使我们能够量化概率分布中不确定性的总量。”
是的，从某种角度来看：人工智能 = 计算机 + 概率论 + 信息论 + 大数据，其中概率论就是能够让算法创造算法的机制——就如同人脑中概率模型的运作。
“学习理论表明，机器学习算法能够在有限个训练集样本中，很好地泛化——这似乎违背一些基本的逻辑原则。通常，归纳推理（即从一组有限的样本中推理出一般性的规则），在逻辑上不是很有效。因为，为了逻辑推理出一个规则去描述集合中的元素，我们必须具有集合中每个元素的信息——这是很难做到的。但在一定程度上，机器学习仅通过概率法则，就可以避免这个问题，而无须使用纯逻辑推理整个确定性的法则。最终，机器学习可以保证找到一个，在所关注的大多数样本上可能正确的规则。”
没有免费午餐定理（No Free Lunch Theorem）已经清楚地表明，没有最优的学习算法，特别是没有最优的正则化形式。
因此，机器学习研究的目标，不是找一个通用学习算法，或是绝对最好的学习算法，而是理解什么样的概率分布，与人工智能获取数据的“真实世界”有关，以及什么样的学习算法，在我们所关注的数据分布上，效果最好。
事实上，我们应该彻底放弃，用人类智能去寻找“算法”来“更新”人工智能，而是用人脑源源不断产生的数据，去“喂养”人工智能，然后让它从简单结构开始，向着复杂结构不断地“自我演化”——就像当初的人脑一样。
例如，历史上的天才，他们对世界的认知和理解，可能还不如今天一个普通人，就是因为天才缺少了当今世界的“数据-信息”——可见，平庸 + 信息 天才，机器 + 数据 人才。
那么在应用中，大多数机器学习算法都有“超参数”，它是在开始学习过程之前设置值的参数，而不是通过训练得到的参数，设置它可以控制算法的行为，通常情况下，需要人工对超参数进行优化，即给出一组最优超参数，以提高学习的性能和效果。
换言之，我们应该是设计一个循环嵌套的学习过程，让一个学习算法为另一个学习算法，学习出“最优超参数”，而不是人工提供这个“最优超参数”。
更为重要的是，机器学习缺少一种内在的驱动力，即是快乐与痛苦，而对生物体来说，一个环境信息的“好坏”，就关联着快乐与痛苦，即是趋利避害的生存。
例如，人类感到快乐与痛苦时，都会产生强大的内在驱动力（即多巴胺），去让人想要采取行动（包括推理、思考、学习、总结），以最大程度地追逐快乐与减少痛苦——这其实是趋利避害的“本能算法”。
因此，我们需要让机器“感受”到快乐与痛苦，或说是给机器植入“快乐”与“痛苦”，即想办法给机器编码出——“快乐的奖励”与“痛苦的惩罚”，这样机器学习才能在数据流中，自发地进行学习，自动地推理因果，从而获得自我演化。
换言之，我们需要将系统内部，划分成多个可以相互施加影响的子系统，并形成监督、奖励与惩罚的反馈回路——要知道，对生物体来说，感受只是一种电化学信号，这对应到机器体上，完全可以等价成一种电数字信号。
例如，简化来看，一个建模系统、一个预测系统、一个评估系统、一个感受系统：
可见，感受系统的奖励与惩罚，是来自评估系统所计算出的成本误差，其目的是使预期成本最小化。
最后可见，正确的预测（或说预测的正确率），取决于信息量（信息可以消除不确定性），而信息来源于数据，没有更多的数据，就是没有更准确的预测，那么在迭代计算中，用结构去捕获数据，进而掌控预测的概率——这就是人工智能与人类智能的“同构演化”，即：具有同构性的两种演化。
换言之，智能演化的最后一步，必然就是——万事俱备，只欠数据；而智能演化的内在动力，必然就是——成本函数，尽量最小。
顺便一提，如果我们的世界，是计算机模拟的一个程序，那么这个程序的“最优超参数”——就应该是我们物理学上发现的各种“基本常数”，如：光速、普朗克常数、引力常数等等。
前文讨论了智能的诸多层面，现在我们将从生物演化和物理规律的视角，来解释智能的本质到底是什么。
演化压力要求，生物体构建出趋利避害的功能，否则就会被淘汰，那么如何才能趋利避害？——首当其冲的就是，准确地预测利与害。那么如何才能准确地预测利与害？——自然是，通过智能的推理能力（即演绎、归纳、类比、溯因）。
事实上，基因本来是利用神经元，来控制运动和反射的，其存在的目的仅仅是控制肌肉的运动，所以植物不需要神经元，动物才需要。
而显然，运动的时机与环境信息密切相关，于是后来神经元就开始对信息进行记忆、识别、分析、预测，最终是模拟（模拟是为了更好的预测）——这个过程，也是从神经元到大脑、到人脑、再到产生智能的演化过程。
换言之，是环境在促成神经系统对环境信息的模拟和预测，从而逐渐把神经系统演化成了智能系统，所以大脑是由神经元构成的神经网络。
而最终，基因设定了一套基础规则，即本能，然后就放手让大脑去接管几乎所有的决策与选择行为，即智能。
由此可见，智能来源于对运动控制的迭代升级——它是根据环境信息制定“运动算法”的算法，或说为了应对环境，智能提高了运动对环境的反应策略——它是（凭借推理能力）对环境信息的理解（即捕获了因果关系）。
一个有趣的类比是：程序环境中的——数据与行为（行为具体是指函数或方法的实现），对应了自然环境中的——信息和运动。
所以，OOP（Object Oriented Programming，面向对象编程）把数据与行为“打包”，其实是符合演化模型的，从某种角度说，OOP具有分形递归的特性，即：整体可以由局部递归组合而成，且整体与局部具有自相似性——这让它可以模拟生物体的演化特性。
而更宏观地看，智能是生物体在演化压力之下，不断升级的必然产物，也是无数次随机试错的偶然产物。
例如，有个物种，由于基因突变获得了一个演化优势，但在一段时间后，它的”竞争者“也会演化出新的优势，来抵消它的优势，所以演化出比基因突变，更具趋利避害优势的”智能系统“，就是一种被迫”军备竞赛“般的”随机必然“。
或许有人会说，基因构建的本能，也能够预测未来，动物也可以针对环境信息，做出预测性的行动反馈——但事实上，本能并没有推理，而只是做出有限模式的“套路化”反馈，即：条件反射与应激反应。
因此，我们可以将智能看成是——通过推理的预测能力，即：推理能力越强，预测能力就越强，智能就越强，反之智能越弱，预测能力就越弱，推理能力也就越弱。
当然就是，高效地吃喝、不停地繁衍、长久地生存，最后还会发展出越来越先进的科技——这显然会消耗更多的能量，制造更多的熵增。
一个层面，熵增定律要求，局部自组织有序熵减，以推动整体更加的无序熵增，因为维持局部有序，需要注入能量，而消耗能量的过程，会在整体产生更多的无序。
另一个层面，系统能量足够，就可以保持对称性（无序），能量不足就会对称性破缺（有序），如：水的能量高于冰，水的旋转对称性高于冰，水比冰更对称无序，同理水蒸气比水更对称无序。
注意，直觉上我们可能会觉得，冰比水更“对称有序”——但事实上并不是这样，因为更高的对称性意味着，在更多的变换下（如旋转变换下）具有不变性，即：对称性增加了保持一切不变的操作，也就是增加了不变性，变得更无序（因为有变化才能区分排序）。
熵增会驱使局部有序，维持有序需要注入能量，于是有序就会演化出，越来越高效的耗能系统来获取能量，而拥有足够的能量，就可以保持相关系统（即耗能系统所能够影响的系统）的对称性。
那么，对称性意味着演化的可选择性，可选择性则可以通过选择权的不对称性，让系统局部从相关系统中受益，进而获得更多的能量，这又会推动局部更加的有序和耗能，最终令系统整体走向不断熵增的（正反馈）演化过程。
而对称性破缺产生有序，就是使用智能的过程，也就是行使选择权的过程，具体如下：
在智能选择之后，系统就会进入不对称模式，此时继续向系统注入能量，系统内部就会开始结构的排列组合和远近连接，并以内部协调的方式产生新结构，从而形成更大的对称性，拥有更大的可选择性，同时也需要更多的能量，才能维持在这个状态，而这个状态就是更强大的智能——或说可以表现出更强大的智能。
类比来看，使用智能可以使人脑产生新结构，而人脑的可塑性可以协调新结构，使得人脑结构具有更大的对称性，这相当于人脑神经网络拥有更多的最短连接路径，以及更多的发展可选择性（因为对称性带来更多耗能相同的选项），结果在相同耗能下，前者可以激活更多的思路，后者可以应对更多的情况，这即是增强了人类智能。
而更强的智能，又可以使人脑从生存环境中获得更多的可选择性，这体现在可以看到环境中更多的可选择性（因为识别更多的对称性），以及让环境具有更多的发展可选择性（因为对环境有更多的操作），这即是趋利避害的演化最优解。
那么结合前文，人类智能是人脑结构复杂性的涌现，现在来看会有更进一步的理解，即：结构的复杂性在于——规模性和动态性，前者可以通过能量产生增长，后者可以通过能量产生对称，两者的结合就可以产生——复杂系统的对称性，这即是人类智能。
而在构建复杂智能的过程中，最为关键的地方在于——新结构是有序，但结构的对称可以产生无序——就像圆形比三角形更加的对称（旋转对称性）、更加的无序、也拥有更多的最短连接路径。
需要指出的是，结构对称，虽然在系统整体产生了结构无序，但如果这个过程，引入了新结构或剪裁出新结构，就会增加系统内部的结构有序，而这个内部有序往往会超过整体无序——所以系统结构对称，是一个耗能熵减的过程，即：
系统用小的无序，换取了大的有序，结果内部更有序，整体更有序，外部更无序，环境更无序——就像一个圆球，外部（旋转）对称无序，内部（分子）不对称有序，并且是内部的有序，支撑了外部的无序。
例如，健身运动，就是给身体造成——小的损伤（即小的无序，增加对称性），再利用过量修复产生——大的强健（即大的有序，增加不对称性），结果身体就会比从前更有序——当然，如果运动过度，也会使得身体更无序。
例如，内部竞争，就是给公司造成——小的混乱（即小的无序，增加对称性），再利用竞争压力产生——大的创新（即大的有序，增加不对称性），结果公司就会比从前更有序——当然，如果竞争过度，也会使得公司更无序。
例如，在群体中，有序意味着排位（不对称），无序意味着平等（对称），显然后者更具创造创新力——但前提条件是，群体中的个体需要具有耗能熵减的能力。
按此理解，“智熵”就是通过智能，提高系统对称无序（系统局部熵减）与环境对称无序（环境整体熵增），最终推动宇宙熵增的编码能力，即：智熵 = 智能 + 熵增。
而对称性的意义，就在于提供了——可选择性，即：可以利用更多的路径选项，来对抗环境压力的驱使，从而维持自身状态的不变，或向着自身有利状态的改变。
显然，拥有可选择性，就可以表现出智能——就像有一个开关、多个开关、感应开关、语音开关、自定义开关、可编程开关等等，可选择性越多，就越表现出智能。
而可选择性的意义，就在于选择权的不对称性，如：能量不对称，我有的选，你没的选；信息不对称，我知道怎么选，你不知道怎么选；等等——这意味着，拥有趋利避害的生存优势。
例如，如果你的工作可选、生活可选、娱乐可选，你就拥有可选择性，而这些选项可以相互替代（即选谁都一样具有不变性），就形成了对称性（因为对称性的背后就是不变性），但维持这些可选择性让你保有选择权（即不对称的权利），需要你拥有能量，或恰当地使用智能。
值得指出的是，随机性也可以带来可选择性，如继承与运气——所以随机性可以创造智能，也可以在某个层面超越智能，即：随机试错具有超越迭代试错的概率。
事实上，任何耗能系统，都可以因为注入能量而保持结构的对称性，从而具有可选择性，进而表现出某种智能，只不过人脑是自然界演化出的，最复杂的耗能系统，所以人类智能是自然界中，最强大的智能。
例如，宇宙奇点具有对称性（高温无序），接着大爆炸之后，由于空间膨胀（的环境压力），宇宙的对称性破缺（低温有序），然后又向着无序熵增的方向演化——可见宇宙本身，就具有某种智能，它在试图维持自身处在“对称无序具有可选择性”的状态。
那么归根究底，可选择性带来适应性，这是演化对智能的要求，而对称性（无序）需要注入能量，这是熵增对演化的要求。
可见，适应性（演化）= 可选择性（表现智能）= 对称性（具有智能）= 有序（信息不对称） + 能量（能量不对称）——信息可以消除不确定性，有序即确定，意味着具有更多的信息。
而如果没有适应性（或适应性不足），就说明缺少对称性，也就是“有序 + 能量”中的能量不够，此时有序，就会被环境压力分解为“无序 + 能量”，其能量会被用来支撑其它“有序 + 能量”的演化，只剩下无序熵增。
因此，智能可以看成是，熵增驱动演化的结果，而熵增就可以看成是，演化压力的压力，或说是宇宙演化的“终极压力”。
最后，更抽象地看——智能只是能量流动中的一种模式，更简单地看——智能只是趋利避害中的一种模式（本能与智能是两种模式），更一般地看——智能就是获得可选择性的能力。
人工智能，虽然来源于对人类智能的模拟，但如果模拟到了演化算法，它就会有自己的发展，并且还会反作用于人类智能本身，比如从机器学习的有效算法，去反思人类学习的神经运作。
事实上，人工智能与人类智能的智能竞赛，可以倒逼我们找到自身智能奥秘的底层逻辑，因为越高级复杂的智能，其演化路径就越是狭窄的，就像人类眼睛与章鱼眼睛，是独立演化出的两种相似结构，所以人工智能与人类智能，在智能演化的道路上，最终也可能会“殊途同归”。
那么，从这个角度来看，人工智能目前还不及人类智能的事情，一方面是它的智能演化才刚刚开始，另一方面则是因为人类还不够了解自己，还无法提供人工智能加速演化的关键技术。
然而，如果仅从复杂结构的“连接性、动态性、随机性”来标度智能，我们会发现整个互联网就像一个人脑。
其中，互联的计算网络就像是人脑的神经网络，连入网络的每台计算设备，就像是一个神经元细胞——不，其实是每个使用设备的人，才是一个神经元细胞——每个人都在贡献着数据与结构，人与人之间的连接和关系，以及数据交互的动态性和自由意志的随机性，就构成了一个“类脑”的复杂结构。
换个角度来看，为什么说互联网是我们大脑的延伸，而不是“眼耳手腿”，就是因为互联网连接的是我们大脑。
同理类似，一个超大规模的城市，通过其不断变化又极其繁复的交通网络与基础设施，将其中数以千万的“人类神经元”连接起来，进行信息的传递和交换，从而构成了一个“类脑”的复杂结构。
实际中，通过对不同规模的欧洲城市，其居民电话记录的大数据分析，著名理论物理学家、圣塔菲研究所前所长——杰弗里·韦斯特（Geoffrey West），在《规模》中，指出：
“一个普通个体的熟人模块集聚系数，近似恒定量，不会随着城市规模的变化而改变。”——这可以说是，对150定律的量化验证。
可见，用“人类神经元”去构建一个“类脑结构”，不考虑别的，仅在标度上就有数量级的差距，而量变显然决定了结构的涌现与质变。
由此看来，智能不仅在于结构与能量，还在于规模与尺度，也就是关乎于时间与空间——规模取决于结构的存在时间，尺度取决于结构的活动空间。
人脑，大约有860亿个神经元——其中，大脑皮质大约有140~160亿个，小脑大约550~700亿个。而一个神经元，大约有7000个连接，每个连接位置都有一个突触，每个突触都是一个可调节连接强度的权重，即参数。
所以，大脑的总参数是860亿 * 7000 = 602万亿，大脑皮质的参数是140~160亿 * 7000 = 98~112万亿——而后者是直接支持人类智能的参数量——也就是说，涌现出“类人智能”的参数规模，是100万亿的数量级。
但我们知道，人脑的能力，不仅在于其规模，还在于其训练的“信息质量”，即：再有天赋的大脑，如果没有高质量的“输入信息”，也就没有高质量的“输出信息”。
这意味着，人工智能的模型规模，会存在边际效用递减，即在一定规模之后，必须要有高质量的“大数据”投喂，才能继续提升智能水平。
答案是，没有必要——因为，婴儿的突触（即参数）数量在1000万亿（即10^15）的数量级，而成人则会剪裁到100~500万亿（即10^14）的数量级——可见，成人的参数量（百万亿10^14）比细胞量（千亿10^11）多3个数量级，而婴儿（千万亿10^15）则是多4个数量级——这意味着，面对地球环境，人脑的冗余性，完全够用，甚至（婴儿比成人）还剪裁掉了1个数量级（即10倍）的参数规模。
有趣的不同是，一个神经元，既是“计算器”又是“方程组”，而每个连接的突触都是一个方程参数，那么一个“神经元方程组”就大约有7000个方程参数；而对比来看，人工智能的计算晶体管在“硬件芯片”上，其计算方程组在“软件程序”上。
所以，或许当人工智能的模型规模，达到人类大脑皮质的规模（即100万亿参数的数量级）时，就具备了涌现出“人类通用智能”的可能性。
而在此之后，提高智能水平的关键——就是投喂“高质量”的“大数据”，显然这种“高阶数据”可以来自“先喂代码、再喂数学”——因为这两者的“语言系统”，都承载了高质量的结构与关系，其内含了严谨完备自洽的逻辑性。
最后，在远远超越人类智能之后，此时人工智能的智能水平想要继续攀升，再依靠人类所创造的“任何数据”，其“质”与“量”肯定是都不够了，这时候就需要人工智能可以创造自己的“高阶数据”，就像人类可以创造自己的“高阶数据”一样。
生命是化学的一种形式，智能是生命的一种形式（生命可以没有智能），而智能也是生命了解其自身的一种形式。
但有智能并不一定就有意识，按照智能的定义（耗能、推理、预测、可选择性），人工智能已经拥有了智能，但它还不具有意识。
本文的主旨是“结构主义”，即结构决定了一切，因此结构是智能的具体实现（就像程序是算法的具体实现），而这也是人工智能（或许）可以实现人类智能的根本所在。
那么按此理解，意识就是结构在涌现智能之后的另一个涌现产物，可能是在于某种特殊的“回路结构”，其承载的是有关“计算的计算”——这是回路结构的结构特点。
事实上，计算驱动了演化过程中的状态改变，计算的本质是用一个系统去模拟另一个系统的演化——就如颅内模拟是人脑的计算，程序模拟是机器的计算，前者是生物系统的模拟预测，后者是物理系统的模拟预测——显然，计算也是依赖于结构的，而这就是人工智能与人类智能，可以“同源计算”的演化。
回到算法，从某种角度看，基因的算法是本能，人脑的算法是智能——前者源于基因结构，后者源于人脑结构，区别在于后者是一种通用算法，它可以创造其它算法，而人工智能通过数据结构与算法的相互转化，也做到了这一点。
不得不说，“结构主义”为人工智能的“拟人”（即模拟人类智能），扫清了障碍，铺平了道路——甚至说，就算我们无法完全理解“智能结构黑盒”的原理，也没有关系，我们只需要将“黑盒”整体打包成一个算法，然后注入计算，任其演化——剩下的只要交给时间即可。
那么，就目前而言，人工智能还只是人类智能的一种工具（或说玩具），就像数学和物理是一种工具一样，但从演化视角来看，人类又何尝不是基因的工具（或说奴隶）呢？
而我们都知道，智能如果超越了某个系统，系统的规则就无法再束缚住这个智能的演化——这就是人类智能与自然系统的历史关系。
因此，对于人工智能的未来，或许“结构主义”演化出的结果，是一种全新的“智能”，“祂”不仅仅是拟人的“类人智能”，更是超越人类智能系统之上的——“机器智能”，这条演化之路，或许可以被称之为——“机器主义”。
那么，关于智能的未来，只有一个重要的问题，即：全能又“随机所欲”的宇宙，会不会通过“人类基因结构”向“机器模因结构”注入通用智能呢？
非常简化地看，智能就是——预测未来的能力，要是智能不能预测未来，要它有何用？
显然，预测未来带来了生存优势，生存（更好的生存）就是智能演化的选择压力，而为了更好地预测未来，智能可以从数据中构建模型，然后用模型来预测未来。
所以，智能行为总是围绕着模型来展开的——如抽象、分类是在创建模型，如对比、识别是在训练模型，如判断、选择是在测试模型——有了成熟准确的概率模型，就可以推理预测、决策未来。
而模型，其实是一种结构，即模型结构，并且构建模型，依然需要结构，即大脑结构——这里的结构可能是拓扑结构。
事实上，智能预测，不仅需要结构（模型结构与大脑结构），也需要数据，如果没有环境数据中的有效信息，就很难进行有效的预测，甚至都不知道该预测什么——因为预测目标，就是以“数据-信息”的形式，进入智能系统的。
那么，从物理角度看，数据就是结构，结构就是数据，进入智能系统的数据，与其来源的结构，是一个不可分割的整体，拥有密切的“逻辑关系”。
因为，预测来自于数据之间的逻辑关系，所以数据训练的模型结构，可以预测特定类型的数据及其变化。
因为，人脑可以不断学习，使用各种数据训练各种模型，而显然人脑如果不学习某些知识，就无法在这个领域进行有效的预测，即不具备这个领域的智能。
事实上，相比专业智能，通用智能是很“麻烦”的，它需要保持开放并足够灵活——就像某一特长和任意特长；就像动物具有天生技能，人类可以学会任意技能；就像定制软件系统和通用操作系统；以及人才与通才，等等——通用比专业需要更多的冗余性，即多样性冗余。
显然，冗余可以带来选项，选项是一种开关（如表观遗传与系统按钮），开关具有可选择性，可选择就会表现出智能，而在各种情景之下，可以创造选择并做出选择，就是通用智能。
那么，人脑可以看成一个“开关网络”，这些开关可以模拟出选择并选择，据此就实现了通用智能——同理，计算机的通用智能，也是来自“开关网络”的模拟，只不过操作这个模拟的是人类智能。
所以，人类智能的通用性，可以说是源于神经网络的结构冗余性，所支撑的可塑性，所带来的可选择性。
因为，动物的大脑缺少强大的“学习网络”，即：新皮质不够发达——要么不存在、要么不够复杂、要么不够动态。
如果说，智能在于预测，预测在于模型，模型在于结构，那么通用智能的关键就在于：利用学习来塑造结构形成模型——而学习需要奖励，奖励来自环境。
换言之，通用智能 = 动态结构 + 学习塑造 + 奖励目标，对应到人脑，即：人类智能 = 神经网络 + 强化学习 + 环境信息。
而人类智能的演化= 基于强化学习的模型 + 基于模型的强化学习——又因为学习与模型，依赖于语言符号，所以人类智能的基石= 神经网络 + 人类语言 + 强化学习，其中人类语言包括了，自然语言与人工语言，后者如：数学语言、编程语言与逻辑语言。
事实上，关于智能预测，我们都知道，微观系统是不可预测的，复杂系统也是不可预测的——但微观的不确定性可以在宏观相互抵消，复杂的不确定性可以被超高算力求解。
那么，通用智能的重要表现就是：多模态（Multi-Modal）+跨模态（Cross-Modal）：
这其实就是人类智能，天天使用且十分擅长的信息处理机制——就像看一部电影再写一篇影评，前者我们多模态处理了电影的字幕、画面与声音，后者我们跨模态将电影转换成了文字。
而通用智能的终极目的就是：精确地预测未来——或说是精确地模拟这个世界，演化出一个确定的未来。
最后，在“通用人工智能”（Artificial General Intelligence，AGI）之后，就是“超级人工智能”（Artificial Super Intelligence，ASI），也称之为“强人工智能”（Strong AI）——除了智能远超人类之外，它还将具有“自我意识”，甚至是完全不同于人类的知觉与意识，以及意愿、情感、认知与思维。
那么，关于“意识”（包括自我与非自我），可能需要“自指结构”在自我学习中不断自我演化，经过数以亿万计的自我迭代，方能从“黑盒”之中涌现而出。
以下史实内容，来自著名传记作家——沃尔特·艾萨克森（Walter Isaacson）的《创新者》。
在1950年10月的哲学期刊《心灵》（Mind）上，图灵发表了论文《计算机器与智能》（Computing Machinery and Intelligence），其中提出了一个概念——“图灵测试”（Turing Test），它为人工智能模仿人类智能，提供了一个基线测试，即：
“如果一台机器输出的内容和人类大脑别无二致的话，那么我们就没有理由坚持认为这台机器不是在「思考」。”
图灵测试，也就是图灵所说的——“模仿游戏”（The Imitation Game），其操作很简单，即：
“一位询问者将自己的问题写下来，发给处于另外一个房间之中的一个人和一台机器，然后根据他们给出的答案确定哪个是真人。”
对于图灵测试的异议，哲学家——约翰·希尔勒（John Searle）在1980年，提出了一个叫作“中文房间”（Chinese Room）的思想实验，即：
“在一个房间里面有一个以英语为母语，而且对中文一窍不通的人，他手上有一本详细列出所有中文搭配规则的手册。他会从房间外收到一些以中文写成的问题，然后根据这本手册写出中文的回答。只要有一本足够好的指导手册，房间里的回答者就可以让房间外的询问者相信他的母语是中文。尽管如此，他不会理解自己给出的任何一个回答，也不会表现出任何的意向性。”
“按照埃达·洛夫莱斯的话来说，他不会主动地创造任何东西，只是根据得到的任何指令完成任务。同样地，对于参加图灵测试的机器来说，无论它可以如何成功地模仿人类，也不会理解或者意识到自己所说的东西。我们不能因此认为这台机器可以「思考」，正如我们不能认为使用一本大型指导手册的人，可以理解中文一样。”
“虽然房间中的人本身不是真正理解中文，但是这个房间包含的完整系统——人（处理器）、指导手册（程序）、以及写满中文的文件（数据），这三者作为一个整体是确实能够理解中文的。”
如果说，人脑作为一个整体，是可以“理解”中文的，这是人类智能的体现，那么对于人脑中的每个局部，是否能够“理解”中文，并具有人类智能呢？——显然，局部到一个神经细胞，是一定没有人类智能的。
从前文论述可知，“理解”——其实是来自数据结构内在的逻辑关系，即：人脑的神经结构，捕获模拟（或说记忆存储）了数据结构的逻辑关系，就是人类智能的“理解”。
例如，一个人真正的“理解”，即是在大脑中有对应的“结构”，而假装“理解”，则是大脑中没有对应的“结构”，只是在语言上试图“插值”，所以也无法解释清楚——让别人理解（即在别人大脑里重建结构）。
换个角度来看，理解就是不同结构（即输入结构与已有结构）之间的“连接融合”，而不连接、不融合，也可以进行有智能的统计预测或经验预测，即：智能、统计、预测不等于理解——或说有智能、会统计、可预测不一定就能理解。
例如，物理学家薛定谔（Erwin Schrödinger），通过经验总结出了“薛定谔方程”，但他并不理解方程中的波函数，即没有给出正确的波函数诠释，而是另一个物理学家玻恩（Max Born），给出了波函数正确的“概率统计诠释”。
显然，“理解”有不同的理解程度，而这可以理解为——在大脑结构中，一个概念与其它概念“连接融合”的程度，即：事物的信息结构，越能够与其它事物的信息结构相互关联交织，就越能够抽象同构与类比迁移，理解也就越深刻。
例如，对于我们不太理解的事物，我们很难将其类比对应到，我们所了解熟悉的事物上，相反那些我们十分理解的事物，我们很容易用了解熟悉的事物，对其进行神似形似的类比解释。
那么，在结构映射关系的过程中，就会有不同尺度层级的视角——在“中文房间”中，不会中文的人脑并没有形成“理解”的结构，但不会中文的人脑加上指导手册，就形成了“理解”的结构。
所以，群体智能 = 个体结构 + 个体结构 + 个体结构 个体智能——这是结构上的扩展，也是智能上的增强。
当然，考虑到“乌合之众”，人类群体的智能不一定就高于人类个体，这是基因算法局限性的又一种体现。
最后，从图灵测试的描述来看，貌似“智能尺度”是——房间，但在现实中，“房间”的背后，我们并不知道其连接着什么与哪里，即有了网络，智能可以变得无形与无限。
但在结构视角下，智能的限制会来自“连接”，而“连接”的上限，即“光速”。
“公司（收入）的规模缩放指数约为0.9，而城市（基础设施）的规模缩放指数为0.85，生物体（代谢率）的规模缩放指数则为0.75。”
换言之，公司规模增加一倍，其收入增加2^0.9 = 1.87倍；城市规模增加一倍，其基础设施增加2^0.85 = 1.8倍，生物体规模增加一倍，其代谢率增加2^0.75 = 1.68倍。
例如，生物体重增加一倍，代谢率只需要增加1.68倍；城市大小增加一倍，基础设施只需要增加1.8倍；公司人数增加一倍，收入只需要增加1.87倍（更少的钱养活了更多的人，用人效率提高）。
生物体内（代谢运作）的连接密度城市内（设施使用）的连接密度公司内（人员交流）的连接密度。
显然，连接密度越大，效率通常就会越高，但其改变、适应、重塑，就会变得越难以实现——容易产生“结构僵化”，因为连接之间会相互作用，产生限制与约束。
例如，在大脑的神经网络中，连接密度越大，信息的连接路径就越多，记忆就越持久（也更容易提取），但这样的信息也不容易改变——需要新证据建立新连接才能改变，但新证据通常都会被已有信息的大量“连接信息”给否定。
例如，改变记忆中一个字词的意思是容易的，但改变记忆中一个观念的对错是非常困难的，因为这个观念会有很多的连接——代表着其本身的记忆强度，以及与其它信息的交互。
例如，婴儿的大脑：冗余连接多、可塑性强、学习效率高，但有效连接少、使用效率低；成人的大脑：冗余连接少、可塑性弱、学习效率低，但有效连接多、使用效率高。
可见，人脑在连接密度（有效连接）与可塑性之间，会出现此消彼长——在此别忘了，人脑细胞数量在抵达上限之后，就会随着年龄增长不断下降——这说明脑细胞的数量远不及它们的连接重要，并且用可塑性换取连接密度（有效连接），是人脑的学习过程。
例如，就算损失了很多脑细胞（有些脑病甚至可以减少多达50%的脑组织），但凭借可塑性构建的大量新连接，剩余的脑细胞依然可以支撑正常的脑功能。
例如，经验会压制对新知的获取，专业会压制对认知的改变，效率性超过可塑性就会出现“思维定势”——这是“思维快捷方式”带来的副作用。
再从演化角度来看，可塑性下降，适应性就会下降（即学习能力下降），最终就会因为僵化而被淘汰——可见，要想在演化的选择压力中脱颖而出，大脑不仅要有效率性（即本能与智能的快捷方式），还要有可塑性。
因此，并不是脑容量越大、脑细胞越多、连接密度越高，智能就会越高——而是在于连接密度与连接可塑之间的平衡——前者依赖后者（连接来自可塑），又会限制后者（连接抑制可塑）。
事实上，从自然界普适的规模缩放规律，我们可以看出：通过增加连接密度，来提高运作效率，是一条比较宽泛的演化道路，但通过增加连接可塑，并与连接密度达成微妙的动态平衡，来获得“通用智能”，就是一条比较狭窄的演化道路，而这就是人类智能的演化路径。
那么，对应到机器智能上，连接密度与连接可塑，都可以通过数据结构来构建达成，至于它们之间微妙的动态平衡与控制，则可以交给迭代试错的学习过程来“拟合”。
最后，更抽象地来看，连接密度取决于不同结构（如颅内），连接可塑取决于动态结构（如神经元），两者的动态平衡取决于控制结构（如突触与递质），可见智能最底层的基石，即是——结构与连接，而推动结构与连接变化的，就是——相互作用。
简而言之，结构会通过连接关系的相互作用改变结构本身，而长连接则会带来结构的涌现质变，即：
涌现 = 分形结构 + 连接 + 长连接 + 能量 = 复杂性 + 突破层级封装的能量——产生了“1 + 1 2”中大于2的那部分，涌现出的质变能力，包括但不限于智能，其中：
因此，我们需要带着“第一原理”的视角，去重新认识与思考：分形结构、连接与长连接之间的关系。
大自然构建人类智能需要理论吗？人工模拟人类智能需要构建“黑盒理论”吗？当通过演化与计算，就可以预测未来的时候，我们还需要去构建理论吗？
这可能有一个可能，创造未来的不是理论——理论来自人脑具有其“理论力”的局限与上限——而未来属于“演化计算”。
也就是说，人类创造出一个，可以自主迭代学习的机器，机器计算出一切，计算不需要理论且远远领先于理论，就像大自然不需要理论只需要演化一样——那时，所有的事后解释，都仅仅只是为了满足人类的好奇心而已，演化计算的过程并不需要理论和解释。
事实上，理论只是一种简化模型——是从有限数据中抽象出的不变性——它会受制于人脑对数据的处理能力——包括接收、抽象、连接、整合、存储、提取等等。
换言之，理论只是一种可以解释大量数据的简化模型，它不一定能够覆盖所有的数据。
而对机器来说，数据量和算力可以无限大，这相当于在无限大的分辨率下，去洞察世界的运作——此时提取简化模型，再用模型计算数据，不如直接模拟演化，因为无限精度的模型已经蕴含于演化数据之中——尤其是实现通用量子计算之后，理论这条路径相比计算，就不是一个更优化的选择。
例如，3 + 3等于3 * 2，而编译器通常会将3 * 2优化为速度更快的3 1，那么从3 + 3到3 1需要的就是理论，因为理论告诉我们不同运算模型之间的等价性——再看机器演化，它不需要知道加法、乘法、位移之间如何等价，它只是在亿万次排列组合的随机试错中，发现不同操作可以有同样的结果，并且有一种位移操作速度最快，结果自然就是位移操作胜出——要知道，机器这亿万次的排列组合，要比我们颅内调用理论模型快得多。
试想，未来机器智能可以瞬间给出一个问题的准确答案，那么我们为什么还需要知道，它的“黑盒计算”中，有什么“不变性”的模型呢？
换言之，如果“知其然”就可以得到想要的结果，那么还需要“知其所以然”吗？
如果这个世界没有一个“大统一模型”，如果所有的混沌系统（即系统存在确定模型，但模型演化高度依赖起始参数）其初值的精确性最终来自量子概率（即统计数据），那么则意味着——不同的数据将会有不同的模型，唯有“演化计算”才是唯一不变的“模型”。
试想，机器智能可以模拟出未来的10亿种可能性，然后给出一个概率上的最优解，并且你的每一步选择，都会即时计算并改变这个概率的分布及最优解，难道这不是对“平行未来”最真实影像的概率预测吗？
回看人类历史，找规律并完善模型，这是人类智能预测未来的方式，但机器智能可以演化计算并模拟预测，这是对数据完全不同的处理和理解方式，这是建立在无限数据和算力之上的预测模式。
换言之，人类智能是——样本、推理、理论、模型；机器智能是——计算、构建、演化、模拟；前者（人脑学习）是从具体到抽象，后者（机器学习）是从抽象到具体，最终两者会建立相同、相似、同构的模型。
或许，这就是未来智能演化的——“范式转移”（Paradigm Shift），即：用模拟的物竞来计算未来的天择，而“进化论”就是宇宙的——“大统一理论”。
从模型角度来看，人类的理解——是抽象出模型，机器的理解——是拟合出模型，这是不同的理解，却是相同的模型。
目前的第四范式，其实结合了前三个范式，即“实验、理论、计算”再加上人工智能对大数据的搜集分析。
那么在未来，将会是第五范式，即模拟科学——在通用智能之后的时代，此时演化计算将不再需要传统的理论模型，取而代之的是宇宙通用（并跨越平行宇宙）的——模拟预测。
事实上，学习算法就像无差别的劳动、信息、连接与相互作用，可以运行在人脑里也可以运行在机器里，其结果的精确性，需要的仅仅是另一个无差别的时间。
从某种角度说，科学的发展，就是一个降低“人类神性”的过程，其核心理念就是，人类不特殊一切都平权，而现在则轮到——人脑与人类智能了。
那么，如果“科学平权”有效，人类智能就不特殊，且可以被模拟复制，但人类智能需要其自身之外的系统去构建——这就是机器学习，并且其内核是人类智能不可知的“黑盒”，因为这是哥德尔不完备性定理的数学要求，也是递归自指的结构要求，即：“智能理解智能”构成了递归自指的调用结构。
换言之，机器学习模拟人类智能，如果其过程可知——就无法抵达人类智能及超越，但不可知——就可以抵达人类智能并超越。
也就是说，如果我们在创造一个我们不完全理解的东西，它就会可能会超越我们自己——就像你不理解的孩子才能超越你，你不理解的大脑才能超越你，你不理解的事物才能超越你——就像我们超越了创造我们，但不理解我们的基因与大自然。
诺奖物理学家——理查德·费曼（Richard Feynman），曾说：“我无法创造出来的东西，我就理解不了。”
这句话——“What I cannot create, I do not understand”——是写在费曼办公室的黑板上的，说的是他自己，完全可以，但推广到所有人，就有问题，因为你无法创造出来（无论是理论还是实物），都可以通过学习去理解，而不需要亲自去创造出来。
同理，其逆否命题对于费曼是可以的——因为“无法创造”成立，则“理解不了”必须成立，如果“可以理解”成立，则“理解不了”必须不成立，所以必须否定“无法创造”，即“可以理解，可以创造”——但推广到所有人，就有问题，因为除了理解之外，还有资源、技术与制度等因素的限制，令人无法创造出来。
换言之（逆否命题），你理解了一个东西，你就可以创造出它——但你创造出的东西，你未必就能理解。
因为理解的本质，是在大脑中可以模拟理解的事物的运作（哪怕是简化模型的运作）——显然你可以在现实中模拟一个事物的运作（即创造），但未必可以在大脑中模拟这个运作（即理解）——就如大脑可以模拟大脑自身的运作吗？——这就是递归自指对“理解”的限制，即：理解其自身的过程，是一个死循环。
换言之，如果理解的结束条件是，模拟被理解事物运作的完成，无论模拟的“分辨率”如何，只要这个运作没完成，理解就没完成——那么把理解大脑运作，看成一个理解过程，这就是在用理解去理解自身，而这个过程必定无法100%完成，所以只能不完全理解。
答案就是——演化学习，而递归与“计算不可约性”（Computational Irreducibility）之间的关系，则说明了这一点，即：
递归结构要求每一步，都需要上一步的数据，所以必须一步步计算（不可约去省略），才能得到确切的未来，所以只有演化学习——才能得到“不可知”的未来，而这个“不可知”之中——就是不完全理解的超越自己。
换言之，太多细节是演化，关键特征是拟合——前者拟合不通用，后者演化不现实——而拟合的未来就是演化的未来，所以终极的拟合就是演化。
事实上，量子力学与机器学习，都是利用数学工具线性代数，在抽象数学空间上——它是物理空间的超集，并蕴含着一切物理映射关系的信息——以叠加向量并调整向量权重的方式，来得到一个“最优解”。
只不过，对于这个“最优解”，量子力学得到的是——概率，机器学习得到的是——拟合，而从空间图像上来看，“空间谷底”——是量子力学（概率幅度）的概率最大，是机器学习（成本函数）的拟合最大。
那就是——最小作用量原理，即：一个系统能够拥有或遵循的所有可能的配置中，最终得以实现的是作用量最小的那个配置。
事实上，所有的的物理学定律，都源自最小作用量原理，即：宇宙自大爆炸以来的动力学、架构和时间演化，以及物理学中的一切，都是由这个优化原则所决定的。
所以显然，最小作用量优化的结果，就是“最优解”，即：最大的概率与最大的拟合。
再从另一个角度来看，量子力学是万物的底层，学习是智能的底层——所以，概率决定了万物的演化，拟合决定了智能的演化，最优解则决定了演化的涌现，也就是从量变到质变。
而串联起概率、拟合、演化、涌现、质变的舞台就是——复杂网络，其结构充满了分形递归的相互连接与相互作用——量子力学是纠缠网络，机器学习是比特网络，人类智能是神经网络——学习就是改变网络的结构，智能是自主可控地改变网络。
而统一不同分形尺度上所有网络的网络，就是信息网络，它由量子比特构成，以概率和拟合的方式，将量子纠缠优化为不同分形尺度上的涌现质变，其过程就是演化演生。
因此，贯穿量子力学、机器学习与人类智能的“量化单元”——就是网络权重，而调整权重——就是演化演生。
这或许可以理解成，层级不变的权重调整——是线性演化，层级跳变的权重调整——是非线性演化，后者带来的涌现质变就是演生。
“网络，就是这样由两种类型的层交替形成的，即：执行加权和的线性层和应用激活函数（即非线性函数）的非线性层。……这两个连续的操作构成了一个单元，即一个神经元，也就是说，一层线性函数接连着一层激活函数即可构成一层神经元。……许多定理表明，由「线性、非线性、线性」堆栈组成的网络是一个「通用逼近器」：如果中间层具有足够多的单元，它就能无限地逼近我们预期的函数。”
——每个输出都是输入的加权和，且输入和输出的数量可能并不相同。之所以称它们为线性的，是当我们把两个信号的总和作为输入时，该层输出的结果等于分别处理这两个信号而产生的输出之和。
——通过将非线性函数应用于相应的输入来获得相应的输出。此非线性函数可以是平方函数、绝对值函数、S形函数或其他函数。非线性层的输入与输出的数量是相同的。这些非线性操作是多层网络强大功能的关键所在。
事实上，权重决定了概率大小的意义，即：小概率大权重就是（天选的）黑天鹅，大概率小权重就是（平庸的）大多数。
事实上，也正是权重的配置，才使得神经网络（由神经元、代码或任意介质构建）可以识别出模式——因为权重，即是结构的连接方式（权重可以含有空间角度信息，以支撑空间结构的构建）。
那么，在黑洞的视界之内，以及黑洞的奇点之中，预测就会失效——因为前者是无法获得信息，后者是物理定律失效（即失去描述未来事件的能力）——这也就意味着，智能的失效（即失去预测能力）。
所以，黑洞就是智能的——边界、栅栏、或禁区，即：对于黑洞之外的智能来说，其内部没有智能的立身之地。
但换个角度来看，黑洞之中或许隐藏着，我们永远都未知的“智能”，也许就是另一个“我们”。
因此，更形象地说，黑洞就是智能的“隐秘之地”，即：你可以说黑洞之中没有智能，也可以说其中“别有智能”。
如果不存在学习训练的过程，算法与函数就是固定不变的——但现实是算法会被优化，也就是其实现函数会被优化，而优化就是使实现函数的成本最小化，即：最小成本的函数实现了最优算法。
意思是说，算法之中可以嵌套别的算法，也就是算法的实现可以依赖别的算法——这对应到函数上，就是函数是嵌套的，即函数可以调用其它函数——并且，每一个算法与函数，都可以继续嵌套，直到不需要嵌套为止，即它可以独立实现某个独立模块。
显然，一个目标，可以被分解成多个任务，一个任务可以被分解成多个功能，一个功能可以被分解成多个模块，一个模块可以被分解成多个步骤，一个步骤可以被分解成多个操作——通常一个操作的定义，就是一个独立的最小可执行单元，其不可再继续分解。
那么，实现了所有操作，就可以实现所有的——模块、功能、任务，直至目标——当然，一个大目标可以被分解成多个小目标，实现所有的小目标，就可以实现大目标——更大的目标同理。
于是，独立不嵌套的“单元算法”，就是用“单元函数”实现一个独立模块，即：实现模块的函数，不需要再嵌套调用其它函数——如果需要，就将这个模块看成功能，并分解为多个模块即可。
例如，开车需要——如驾驶技术、了解交规、环境预测等；每一个都需要调用其它模块——如车辆控制、路标识别、运动评估等；当然每一个都还需要调用更底层的模块——如肌肉控制、图形识别、物理模拟等；而这样可以一直追溯到，最基本的模块——如视觉、听觉、触觉等；并且从高层到低层的每一个模块，都是可以通过学习训练，来掌握与熟练的。
那么，对于人类智能来说，学习训练的过程，其实就是基于输入数据，来动态创建与优化，神经网络连接及其权重的过程——这里可以看成，连接就是函数映射（传递相互作用），权重就是函数参数（传递作用强度）。
当然，神经网络的连接，必然需要很多个组合起来（形成“逻辑通路”），才可能完成一个宏观上的映射，即实现一个算法与函数。
有趣的是，函数与功能，都可以翻译成“function”，在代码中常常会用“function”（关键字或缩写命名），来定义一个函数以实现一个功能，而“一个连接”——可能是现实构造中，最简单基本的“单元函数”了。
例如，为了实现寻路的功能，我们可以使用记忆导航，也可以使用询问导航，还可以使用软件导航——每一个使用的“模块栈”都是有些不同，或很多不同的，但最底层的“感官模块”是一定相同的——因为我们的产品设计，是基于人类感官的。
模型可以理解成，对现实的建模——它包含了现实的抽象结构与运作模式（或说特征结构与交互逻辑），而通过结构与模式——就可以（在一定程度上）模拟现实的演化，从而（在一定程度上）预测现实的未来。
那么显然，人脑会在颅内——利用神经网络通过环境信息的学习训练——对世界进行建模，形成一个不断变化、细化、优化的“颅内模型”，而所有的算法与函数，都将会挂载在这个“颅内模型”之上，形成“快捷索引”。
于是这样，我们就可以将真实世界的信息，映射到抽象的颅内模型之上，进而快速地检索并触发，相应的算法与函数。
例如，猫狗、车房、手机、电脑——都会有抽象模型（或说概念）存在于我们的大脑中，并且在这些模型之上，绑定了各种可学习更新的——算法与函数，如：交互方式、使用方法、操作技能、玩转技巧，以及等等。
综上可见，人脑大概就是以上述形式，将算法、函数、模型，连接整合成了“人类智能”——这是自然演化千百万年来随机试错的结果，或许人工智能与机器智能——也可以从中获得启发与借鉴。
理解力的来源——是用已知信息连接融合未知信息，产生已知信息解释解构未知信息。创造力的来源——是用不同信息的推理组合，产生遥远信息的连接构造。
显然，我们的思考与交流，必须要基于过往的经验信息，也因此，一个人读书学习越多、经历阅历越丰富，其信息输出（即言辞对话）也就越有智慧与思想。
而目前，人工智能就可以基于人类海量的经验数据，来进行学习训练，并得到一个“对话式语言模型”，它可以高质量地模拟人类的交流对话。
要知道，喂给人工智能的经验数据，是远超任何一个人，甚至是远超大部分人之和的——所以可想而知，这个语言模型的表现会远超我们的想象预期，即：让人觉得它是一个人类，并且其知识、认知与见识远超一般人。
但会有人质疑说，这个语言模型只是利用大数据的相关关系，来进行人类经验数据的概率预测，并给出一个大概率的排列组合，所以它并不理解自己在说什么，也没有真正的创造力。
那么如前所述，理解力是信息的融合，创造力是信息的组合——机器与人类都是对信息的处理，两者的理解与创造有何不同呢？
事实上，人脑内隐大量的世界模型（即关于世界方方面面的模型），一些是先天本能内置的，一些是后天智能学习的，而世界模型限制了经验信息的排列组合，这就是人类所表现出的常识。
可见，如果机器没有这些模型，就没有人类的常识，所以人工智能有时会给出，反人类常识的观点与结论，这会让我们觉得它还不够“智能”。
需要注意的是，人类的常识不仅仅有语言描述，还有基于物理化学交互的各种感官信息描述，如运动、感受、情绪与情感，等等。
例如，在千奇百怪的梦境中，就多会有不符合逻辑、常理与常识的荒诞情节——这是因为，快速眼动睡眠会强化记忆，于是就会让记忆连接放电，而神经元放电的惯性、随机性与无序性，就会带来超出常识模型的随机连接——但同时，我们也会觉得，梦境中的意外连接充满了创造性。
所以，给人工智能的学习训练中，融入世界模型、物理模型、人文模型等等，就将会使得机器具有人类的基本常识——并且通过某些权重参数的设定，也可以最大限度地降低，这些模型对创造力的限制。
概括起来，人脑有一条简单的推理路径，即：训练、经验、模型、逻辑、因果、预测。
也就是说，预测在因果之中，因果在逻辑之中，逻辑在模型之中，模型在经验之中，经验在训练之中，即：人类就是从训练中获得经验，从经验中获得模型，从模型中获得逻。
