在人工智能的研究中，除了和計(jì)算機(jī)科學(xué)、神經(jīng)科學(xué)相關(guān)外，其實(shí)還有仿生學(xué)。我們可以試著從進(jìn)化生物學(xué)的角度來(lái)看看這件不尋常的事。

在生物學(xué)的視角里，進(jìn)入人工智能視野的生物有機(jī)體有許多種。其中最簡(jiǎn)單的生命形態(tài)是一種被稱為多頭絨泡菌（Physarum Polycephalum）的黏菌（屬于原生生物中的阿米巴Amoebozoa），這種生物是一種單細(xì)胞生物，最有趣的特點(diǎn)是在平板培養(yǎng)基上，它們細(xì)胞的“生長(zhǎng)路線”對(duì)于平面交通網(wǎng)絡(luò)等的設(shè)計(jì)和算法具有參考價(jià)值。

如果將黏菌的食物源按照地圖上一個(gè)國(guó)家的城市的位置進(jìn)行擺放的話，那么黏菌生長(zhǎng)路線形成的網(wǎng)絡(luò)與現(xiàn)實(shí)中比較完備的公路、鐵路等網(wǎng)絡(luò)具有很高的相似性。也就是說(shuō)，雖然從生物學(xué)的角度看，黏菌不屬于多細(xì)胞動(dòng)物，沒(méi)有神經(jīng)細(xì)胞分化，也沒(méi)有腦，但是其細(xì)胞生長(zhǎng)對(duì)于食物源化學(xué)信號(hào)的感知和反應(yīng)已經(jīng)可以為人工智能的設(shè)計(jì)提供參考。

根據(jù)食物源的方位， 黏菌長(zhǎng)成的“交通網(wǎng)”可以給現(xiàn)實(shí)中的交通網(wǎng)設(shè)計(jì)提供啟發(fā)。圖F和東京附近的鐵路網(wǎng)十分相似。圖片來(lái)源：wired.com

為什么黏菌的生長(zhǎng)可以從一個(gè)食物源開(kāi)始，以非常接近最短路線的方式到達(dá)其它食物源呢？究其原因，單細(xì)胞的屬性是一個(gè)因素。作為具有很強(qiáng)變形能力的單細(xì)胞（阿米巴也叫變形蟲(chóng)），細(xì)胞膜的局部形變突出是它們對(duì)食物源化學(xué)信號(hào)濃度梯度做出的反應(yīng)。如果向著某個(gè)方向形變之后感受到的食物源濃度更高，它就繼續(xù)生長(zhǎng)；如果感受到的濃度更低就保持或退回，這和所有基于似然值進(jìn)行搜索的策略是一樣的。

相對(duì)來(lái)說(shuō)，雖然脊椎動(dòng)物循環(huán)系統(tǒng)、昆蟲(chóng)氣管系統(tǒng)在個(gè)體發(fā)育的形態(tài)建成過(guò)程中也具有類似的氧氣濃度依賴性，但是多細(xì)胞的分化方式?jīng)Q定了“修改”不再有用的結(jié)構(gòu)時(shí)，需要以細(xì)胞“程序化死亡”的方式進(jìn)行（可以理解為降解掉細(xì)胞），而不能像變形蟲(chóng)一樣降解掉細(xì)胞內(nèi)部的相關(guān)細(xì)胞骨架。

在智能程度相對(duì)比較高的生物有機(jī)體中，最著名的兩類可能是社會(huì)性昆蟲(chóng)（蜚蠊目的白蟻，膜翅目的蟻科、蜜蜂科、胡蜂科等）和靈長(zhǎng)目動(dòng)物。這兩類動(dòng)物在“智能”方面既有相同點(diǎn)，也有不同點(diǎn)。

在相同的一面，它們的個(gè)體都具有腦占身體比重高的特點(diǎn)。這個(gè)指標(biāo)往往是衡量生物有機(jī)體智能高低的一個(gè)關(guān)鍵指標(biāo)，指標(biāo)高的生物的確常在智能方面有更復(fù)雜的行為和更好的表現(xiàn)，例如軟體動(dòng)物門(mén)中的頭足綱動(dòng)物Cephalopoda（章魚(yú)、魷魚(yú)等）；另外一個(gè)共同點(diǎn)是，這兩類動(dòng)物的種內(nèi)個(gè)體間關(guān)系都很復(fù)雜。雖然包括人類在內(nèi)的靈長(zhǎng)目動(dòng)物的社會(huì)性與社會(huì)性昆蟲(chóng)的真社會(huì)性有所區(qū)別，但是畢竟都存在復(fù)雜的個(gè)體間關(guān)系。事實(shí)上，腦體比重高和種內(nèi)復(fù)雜個(gè)體間關(guān)系這兩個(gè)特點(diǎn)往往相伴而生（例如鯨目動(dòng)物Cetacea也是這樣）。對(duì)于兩者之間的因果關(guān)系，一般普遍認(rèn)為群體性與個(gè)體間協(xié)作行為的需求是前提、是基礎(chǔ)。

圖片來(lái)源：Wikipedia

在不同的一面，靈長(zhǎng)類動(dòng)物的個(gè)體能力要高于社會(huì)性昆蟲(chóng)的個(gè)體能力，兩者分屬于生態(tài)學(xué)上的“K對(duì)策生物”和“r對(duì)策生物”——前者一般繁殖率低、后代個(gè)體數(shù)量少、個(gè)體大、壽命長(zhǎng)；后者則相反。也就是說(shuō)，雖然社會(huì)性昆蟲(chóng)個(gè)體的腦體比重在昆蟲(chóng)中是相對(duì)高的，但是每一個(gè)單獨(dú)的個(gè)體很難表現(xiàn)出比較復(fù)雜的智能行為，只有群體才能表現(xiàn)出協(xié)同捕食、筑巢等復(fù)雜行為，具有個(gè)體數(shù)量依賴性。也因此，社會(huì)性昆蟲(chóng)會(huì)被稱為“superorganism”。不過(guò)，數(shù)量多也是有好處的。

在社會(huì)性昆蟲(chóng)中，螞蟻是以收集——捕食為主，大多在地面爬行。相對(duì)來(lái)說(shuō)螞蟻的行為既復(fù)雜又容易被觀察，為蟻群算法（Ant Colony Algorithms）的提出提供了基礎(chǔ)。

類似螞蟻尋路的“蟻群算法”。圖片來(lái)源：sciencedirect.com

蟻群算法最早由馬洛克·多瑞哥（Marco Dorigo）在博士論文工作期間提出2，是群智能方法（swarm intelligence methods）的一種，可以為人們解決路徑優(yōu)化的問(wèn)題提供幫助。簡(jiǎn)單來(lái)講，比如我們想要解決“一個(gè)多面體上的兩點(diǎn)，怎么走才最短”這個(gè)問(wèn)題時(shí)，我們可以不斷地在一個(gè)點(diǎn)釋放“螞蟻”，這些“螞蟻”會(huì)在多面體上運(yùn)動(dòng)并走到另外一個(gè)點(diǎn)。當(dāng)“螞蟻”數(shù)量足夠多時(shí)，我們就能得到在特定條件下，某條“螞蟻”走出的“最優(yōu)”路線。

說(shuō)到人工智能，就必須提到與DeepMind公司同為英國(guó)人的圖靈（Alan Turing, 1912-1954）和彭羅斯（Roger Penrose, 1931-）。前者是人工智能的奠基人（同時(shí)也提出了生物有機(jī)體發(fā)育過(guò)程中模式建成的理論），后者作為數(shù)學(xué)和物理學(xué)領(lǐng)域國(guó)際頂尖的學(xué)者，曾經(jīng)寫(xiě)過(guò)著名的科普讀物《皇帝新腦》（The Emperor's New Mind）。彭羅斯教授指出，即使人工智能和人腦原理在算法本質(zhì)上可能沒(méi)有區(qū)別，但是從硬件方面來(lái)說(shuō)有一個(gè)不同：人腦是一個(gè)動(dòng)態(tài)系統(tǒng)。

在現(xiàn)生的靈長(zhǎng)目動(dòng)物中，人的腦體比重是最高的、腦的絕對(duì)容量是最大的、個(gè)體間關(guān)系是最復(fù)雜的。關(guān)于人類大腦容量的進(jìn)化，有研究顯示，人類大腦容量增加并非勻速的，而是與外界環(huán)境的周期性密切相關(guān)。而人類腦容量增加最顯著的時(shí)期往往是氣候變化最為劇烈的時(shí)期3?？磥?lái)人類智力的進(jìn)化歷史，就是一部人類生于憂患的歷史。

人腦的思維（算法）依賴于各種細(xì)胞和分子構(gòu)件的硬件。我們的大腦還有什么優(yōu)勢(shì)？圖片來(lái)源：robohub.org

而沿著彭羅斯教授的思路，我們可以看到DeepMind仍然和人腦有很大不同，因?yàn)樗?她還不是一個(gè)可以自主運(yùn)行的系統(tǒng)，還需要“人”的參與。反過(guò)來(lái)說(shuō)，人類的智慧進(jìn)步過(guò)程中，通過(guò)輸入和輸出的持續(xù)反饋，人腦的硬件結(jié)構(gòu)并沒(méi)有直接被外界干預(yù)，而人腦的思維（算法）又是完全依賴于各種細(xì)胞和分子構(gòu)件的硬件。相比之下，DeepMind可能還不會(huì)通過(guò)輸入和輸出的各種反饋而自己改變?cè)闯绦?，仍然要依靠人類設(shè)計(jì)者團(tuán)隊(duì)去優(yōu)化算法。

即使DeepMind或其它人工智能圍棋軟件能夠有一天能不再需要人類設(shè)計(jì)者團(tuán)隊(duì)而自行獨(dú)立改進(jìn)算法；即使這些電腦軟件能在圍棋聯(lián)賽和國(guó)際比賽中能夠持續(xù)勝出，我們生物的大腦仍然具有一個(gè)方面的優(yōu)勢(shì)——能量效率。人類大腦的耗能在對(duì)戰(zhàn)過(guò)程中肯定還是要低得多。

一般來(lái)說(shuō)，人類大腦的耗能大概是20-30W。當(dāng)然，下棋時(shí)大腦全功率運(yùn)轉(zhuǎn)，這個(gè)數(shù)字還可能往上升。不過(guò)AlphaGo的耗能呢？根據(jù)計(jì)算，“AlphaGo分布式版本（1202個(gè)CPU，176個(gè)GPU，打敗樊麾的那個(gè)）所有計(jì)算元件耗能應(yīng)該超過(guò)200000W，總耗能沒(méi)準(zhǔn)會(huì)翻倍?！?span>計(jì)算耗能差不多是人類大腦的一萬(wàn)倍。

即使這樣，AlphaGo還是有被人類擊敗的時(shí)候

當(dāng)然，圍棋軟件使用了遠(yuǎn)超過(guò)人類大腦耗能的硬件，這本身會(huì)是潛在的不公平。也許在算法不斷提高的未來(lái)，相同的耗能下的計(jì)算量會(huì)大大增加，不過(guò)從某種意義上來(lái)說(shuō)，這也體現(xiàn)了人類智能和人工智能的不同。

人類的知識(shí)進(jìn)步本來(lái)就是拉馬克式遺傳或者叫獲得性遺傳，這源于人類的長(zhǎng)壽命和世代重疊，后來(lái)各種信息介質(zhì)的發(fā)明不斷強(qiáng)化了這一點(diǎn)。由于DeepMind目前還做不到這一點(diǎn)，因此至少目前AlphaGo仍然可以被視為人類知識(shí)積累在計(jì)算機(jī)硬件輔助下的一種“延伸”，而不是一種簡(jiǎn)單的并行或競(jìng)爭(zhēng)關(guān)系。