大脑不是计算机，这件事比你想的更重要

Mazviita Chirimuuta 提出的核心问题不是 AI 能否复制智能，而是为什么我们觉得它显然可以。答案，她认为，藏在几个世纪的哲学选择里。这些选择把我们推向了一种倾向：把心智当作机制，把知识当作脱离肉身的信息。她的著作《The Brain Abstracted》追溯了这些选择及其后果。

对话背景

Chirimuuta 做客 Machine Learning Street Talk，与主持人 Tim Scarfe 展开了一场关于神经科学哲学的深度对话。她有着双重背景：在哈佛做过视觉皮层的神经科学研究，后转向科学哲学，现任教于爱丁堡大学。对话有实质交锋，Scarfe 在多个节点提出反驳，尤其是围绕生物特异性对认知是否真正重要这一问题。

反射理论的前车之鉴

Chirimuuta 以一个历史案例开场，为整场对话定下基调。19世纪末20世纪初，反射理论主导了人们对神经系统的理解。这个理论很优雅：刺激输入，反应输出，大脑本质上是个中继站。

这个理论确实能产出成果，生成了真实的实验数据。但它也系统性地遮蔽了神经系统实际在做的复杂事情。反射弧是一个有用的抽象，但被错当成了全貌。

她的观点不是说抽象不好。科学进步需要简化。危险在于研究者把抽象”本体论化”了，从”用这种方式建模大脑很有用”滑向了”大脑就是这样的”。从方法论便利到形而上学承诺的这一步，才是学科走偏的地方。

大脑真的是计算机吗？

这是全书的核心挑战。Chirimuuta 仔细区分了两个常被混淆的主张：

1. 计算建模对神经科学有用。 她完全同意。计算方法极其高产。

2. 大脑是一台计算机。 这一点她拒绝接受。能对某物进行计算建模不等于该物就是计算性的。你可以对天气、流体力学或一块石头做计算建模，但这不会让石头变成计算机。

她引用了 Hilary Putnam 的著名论证：原则上，任何开放的物理系统都可以被映射到某种计算形式。如果因为能被计算建模，大脑就是计算机，那你的胃也是。大脑的特殊性到底在哪里？

“I’m only interested in the computational properties of the brain. I don’t need to care about all of that messy biological detail. So, it gives you a kind of tunnel vision… what I take issue with is the kind of ontologization of that, saying that because computational neuroscience is this successful field of inquiry, we know now that the brain is a computer. I think that is not an inference we should make.”

我只关心大脑的计算特性，不需要在意那些混乱的生物细节。这会给你一种隧道视野……我反对的是将其本体论化，说因为计算神经科学是一个成功的研究领域，我们就知道大脑是一台计算机。我认为这不是一个应该做出的推论。

计算有因果力吗？

Scarfe 提出了 Searle 关于计算与因果关系的论证。Chirimuuta 的立场很明确：计算是一种数学形式主义，它没有因果力。具体的物理系统才有因果力。

这对 AI 话语很重要。计算心智理论假设认知这一物理世界中的现象，可以用存在于物理因果领域之外的东西（计算）来解释。Chirimuuta 认为这个解释鸿沟被严重低估了。如果认知是物理现象，我们为什么要跳出物理因果的具体领域，到计算中去寻找解释？

你剪不掉的生物学

Scarfe 用神经网络中的彩票假说提出了一个有趣的反驳。训练完一个稠密网络后，你可以剪掉90%的连接，它仍然正常工作。也许进化也类似：数十亿年的”训练”产生了所有这些生物复杂性，但也许它们是遗留物。也许你可以一刀刀剪掉，只保留抽象的计算核心。

Chirimuuta 从能效角度反驳。生物大脑大约用20瓦功率就能完成非凡的计算。人工神经网络的能耗高出几个数量级。如果生物认知真的是浪费性的，背着一堆不必要的生物包袱，进化早就把它们修剪掉了。效率本身就说明生物学在做重要的工作。

她还指向了新兴证据：神经元信号传导并不像我们以为的那么特殊。大脑过程是全身各处生化信号的延伸。神经细胞不是什么特殊的”认知”细胞，而是所有细胞通信方式的延伸。如果神经功能与代谢性细胞过程深度纠缠，那要论证一台非生命的机器能具有相同功能就更难了。

触觉实在论：通过交互获得知识

Chirimuuta 最独特的贡献之一是她的”触觉实在论”（haptic realism）框架。核心思想是：知识不是被动地阅读宇宙的源代码，而是我们通过与世界的物理交互主动建构的。

这与她所批评的哲学传统中的”上帝视角”形成对比。那种理想化知识意味着一个中立的、脱离肉身的视角，从高处俯瞰一切信息。她认为这是对知识本质的误解。我们是有限的、受约束的认知者。我们的知识扎根于离散的感官经验，受文化语境塑造，通过艰苦的交互过程建构而来。

一个”坐在那里吸收世界上所有信息”的 LLM，在她看来，是这个哲学错误的最新化身：无视人类有限性，幻想脱离肉身的普遍知识。

能动性即表观因果断联

对话在 Scarfe 提出”表观因果断联”这一思考能动性的视角时有了有趣的转向。能动者（agent）是那些行为不完全由其直接环境决定的实体。你有跨情境保持一致的信念。你的行动回应着时空中遥远的事物，而不仅仅是近端刺激。

Chirimuuta 认同这个说法捕捉到了某些重要的东西。非生命物理系统在很大程度上受限于与其近端的事物。而对你来说，童年发生的事情可能和当下房间里发生的事情一样相关。对非直接驱动你的遥远事物的这种敏感性，可能是区分认知系统和纯粹物理系统的关键分界线。

她也讨论了 Dennett 的三种立场（物理立场、设计立场、意向立场），但在层级问题上有分歧。Dennett 把物理立场视为本体论上首要的，意向立场仅仅是有用的。Chirimuuta 主张形而上学中立：如果在科学中谈论表征和意向性是有用的，为什么要求它必须被还原为一个非意向性的物理故事？

机器能理解吗？

关于 Searle 的中文房间和机器理解问题，Chirimuuta 的立场是审慎的。她并不声称 AI 不可能。她论证的是人类认知是深度整合的：语言与感觉运动参与紧密相连，知觉受语言概念形成的塑造。认为可以把语言能力单独剥离出来，在没有具身性的 LLM 中复制，然后获得”与我们相同的”理解，她觉得这不太站得住脚。

Scarfe 追问：那具身化的机器人呢？Chirimuuta 承认这个方向更接近。但她补充了一个更深层的观点：生物有机体具有内在的意义和显著性。活着意味着始终处于对你来说”有问题的”情境中。来自环境的挑战创造了真实的利害关系。一个机器人需要具备某种类似的存在性脆弱性，我们才能有意义地谈论理解。

海德格尔与超越有限性的迷梦

对话的哲学高潮来自海德格尔对技术的批判。Chirimuuta 借用了他的观点：AI（在他那个时代叫控制论）是一个形而上学传统的顶点，一条从超越具身性和物质性的渴望，通向”纯粹信息的精神世界”的数百年轨迹。

她将这与我们今天体验技术的方式联系起来：云”漂浮在我们上方”，被呈现为无重量的、非物质的、与资源短缺和能源消耗脱节的。我们喜欢把信息时代想象成不受物理现实束缚的，尽管事实显然并非如此。

“I think there’s something wrong with thinking that what you are as a knower is the kind of being that can float free of your environment and just sort of regard it from above and take in all the information that’s there as it is by itself without your impact on the world.”

我认为有一种想法是有问题的：认为作为认知者的你，是那种可以脱离环境、从上方俯瞰、不受自身对世界的影响就能接收所有信息的存在。

我们正在对孩子做的实验

对话以一个令人深思的话题结尾。Chirimuuta 担忧面对面社交互动减少对儿童的影响。发展心理学表明，幼儿天生倾向于关注面孔、目光和社交线索。如果屏幕时间减少了这些关键的形成性体验，对社会化的影响可能很大。

Scarfe 提出一个思想实验：一个孩子在密封舱中长大，只有一台电脑和互联网。孩子可以学到聪明的东西，但能正常发育吗？Chirimuuta 指出，我们现在正在运行这个实验的温和版本，而我们不知道结果。

她引用了1950年代 Harry Harlow 对猴子的实验，被剥夺母亲接触的幼猴出现了严重的行为问题。这个类比令人不安：我们是否正在对整整一代人进行一种更温和版本的剥夺？

一点余思

这场对话的价值，与其说在结论，不如说在它迫使你坐下来面对的问题。

• 反射理论的类比是最具启发性的部分。不是说计算神经科学会像反射理论那样失败，而是它揭示了一个反复出现的模式：成功的抽象被误认为本体论真理。每个时代对大脑的主导隐喻（液压机器、电话交换机、计算机）在生产力和误导性上大致旗鼓相当。

• Chirimuuta 关于能效的论证值得在 AI 话语中获得更多关注。如果进化以20瓦功率产生了高效认知，而所有那些生物机制都是不必要的，那么淘汰它们的选择压力必然是巨大的。生物复杂性的持续存在本身就是它在做重要工作的证据。

• 她提出的最深层挑战不是针对 AI 的能力，而是针对 AI 研究者的自我理解。认为智能可以仅通过计算来理解这一假设，也许更多地揭示了我们继承的哲学传统，而非智能本身。