前言

《大爆炸简史》由科普名家西蒙·辛格撰写，书中通过科学家的探索与争论，展现了大爆炸理论如何从异想天开的假说逐渐成为现代宇宙学的核心。大爆炸理论揭示了宇宙的起源，是集体智慧的历史结晶，凝聚了哥白尼、第谷、开普勒、伽利略、牛顿、爱因斯坦、赫歇尔（恒星亮度正比于距离）、莱维特（造父变星亮度周期变化）、哈金斯（恒星光谱-多普勒频移）、弗里德曼及勒迈特（膨胀宇宙）、哈勃（室女星座独立、星系退行验证宇宙膨胀）、伽莫夫（大爆炸理论、氢氦丰度，学生阿尔弗及赫尔曼，及预言宇宙微波背景辐射-CMB）、霍伊尔（氢核聚变为碳）、彭齐亚斯及威尔逊（验证CMB）、COBE（宇宙背景探测，CMB涨落-星系成因）、古斯（暴胀理论）、霍金及彭罗斯（量子引力理论）等许多科学家的贡献。

科学思想的萌芽

人类对宇宙起源的追问始于远古神话，但真正以理性探索自然规律则始于古希腊。古希腊哲学家如色诺芬与阿那克西曼德摒弃神创论，提出自然现象可通过观察与逻辑解释。亚历山大图书馆馆长埃拉托色尼通过日影、月全食、半月相、日全食等手段依次测量出地球半径、月球半径、地月距离、日地距离、太阳半径。他的想象推理和测量过程如下：

• 测量地球周长：假设地球为完美圆形，在夏至日正午时分，在相距5000希腊里的两个地点测量立杆影子的角度：埃及南部城市阿斯旺（直射：0度）与北方城市亚历山大城（7.2度），可知地球周长的1/50=7.2/360为近似5000希腊里，地球半径可得。
• 测量月球半径：观察月全食时，月球在地球影子（为圆柱形）中隐没与完整穿行的时长比，可得出地球直径大约是月球直径四倍的比例，于是月球半径可得。
• 测量地月距离：伸出拇指指尖使其刚刚能遮住满月的月亮，这样眼睛、拇指指尖与月亮构成相似三角形，于是地月距离可得。
• 测量日地距离：半弦月（月相半圆）时，太阳、月球和地球形成一个直角三角形，通过测量地月连线与日地连线夹角（约87度），于是日地距离可得。
• 测量太阳半径：日全食时，月球刚好遮住太阳，这样眼睛、月球与太阳构成相似三角形，太阳的半径与月球半径的比例，等于日地距离与地月距离的比例。于是太阳半径可得。

在这些测量过程中埃拉托色尼只用到了简单的几何运算，这充分证明了强大好奇心结合科学方法的巨大威力。

古希腊天文学家阿里斯塔克斯首次提出日心说，却因当时缺乏实证沉寂千年。古罗马天文学家托勒密的地心模型凭借复杂（均论+本轮）但实用的预测能力，成为中世纪天文学圭臬。16世纪，哥白尼在《天球运行论》中复兴日心说（小缺陷：认为行星轨道为完美圆形），但因预测精度不足（还没有认识到引力）未被重视。第谷·布拉赫的精密观测数据经开普勒分析，揭示行星轨道实为椭圆，修正了日心说的核心假设。伽利略则通过望远镜发现木星卫星与金星相位，为日心说提供了直观证据。尽管教会压制，科学革命的浪潮已不可阻挡。

前言

杰夫·霍金斯在《千脑智能》中展现了一场颠覆性的思想实验。这位兼具神经科学家与科技企业家双重身份的学者，以其对大脑数十年的研究积累，向主流人工智能范式发起挑战，试图在生物智能的奥秘中挖掘出一条通向通用人工智能（AGI）的新路径。这部著作不仅是一本关于大脑运作机制的科普读物，更是一份充满野心的技术宣言——它试图重新定义人类对“智能”的理解，并在神经科学与计算机科学的鸿沟上架起一座桥梁。

一、从预测到智能：一场认知革命的核心命题

霍金斯的理论起点建立在对传统人工智能的反思之上。当深度学习依赖海量数据训练模型、强化学习沉迷于试错反馈的奖励机制时，他敏锐地捕捉到一个被忽视的核心问题：人类智能的本质并非对已有模式的识别，而是对未知世界的预测能力。书中以视觉感知为例展开论证：当我们看到咖啡杯的局部把手时，大脑并非被动接收图像信号，而是通过多层皮质的联动，瞬间激活关于“杯体”、“材质”、“功能”的预测模型，并在毫秒内验证这些假设是否与感官输入匹配。这种“预测-验证-修正”的动态循环，构成了贯穿全书的“层级预测编码”理论框架。

为了支撑这一假说，霍金斯将神经科学的最新发现编织成严密的证据链。从啮齿类动物海马体定位细胞的电生理实验，到人类视觉皮层对模糊图像的补全机制，这些跨物种、跨脑区的实证研究共同指向一个结论：大脑本质上是一台多层级联的预测机器。更令人惊叹的是，他进一步提出“参考系”概念——每个神经元群都在构建类似空间坐标系的认知框架，使得抽象概念（如“民主制度”）与具体物体（如“书桌”）都能以统一模式进行编码。这种将空间感知与概念表征统一的理论突破，为解释人类独有的抽象思维能力提供了新视角。

前言

在中国历代帝王谱系中，汉武帝刘彻始终是个充满张力的存在：他既开创了“汉武盛世”的煌煌功业，也留下了“海内虚耗，户口减半”的争议遗产。本书以这位帝王漫长的执政周期为解剖样本，试图在“雄才大略”与“好大喜功”的二元叙事之外，重新勾勒出帝国转型期的复杂图景。作者既非一味颂扬武帝的文治武功，也不满足于传统史家的道德批判，而是将五十四年的统治拆解为集权制度、军事扩张与文化重构的三重维度，在历史细节的褶皱中探寻“有为政治”的成败逻辑。

按照汉武帝在位54年（前141-前87）的年份为轴线，可以大体划分三个阶段：

• 前20年：尊儒改制、削藩集权、盐铁官营等制度奠基
• 中间30年：北击匈奴、经营西域、南平百越的军事扩张
• 最后4年：轮台罪己诏背后的政策反思与权力交接

在叙事方式上，本书有三大特色：

• 政治史与制度史交织：如年历制度的变迁解析、将帝王决策与官僚体系变革结合分析
• 长程因果链：如强调武帝早年窦太后干政对其集权意志的塑造
• 事件微观解剖：如马邑之谋的策划细节揭示汉匈战略转折

前言：在迷雾中寻找光的轨迹

人工智能的演进史是一部充满悖论的启示录：图灵用停机问题为计算划定边界，却意外点燃了智能革命的导火索；罗森布拉特的感知机本欲模仿神经元放电，最终却演变成深度学习中抽象的矩阵运算；辛顿在冷板凳上坚守神经网络四十年，等来的却是算力与数据暴力破解智能密码的"苦涩教训"。这些戏剧性的转折揭示着一个残酷的真相：我们对智能的理解，始终在知其然与不知其所以然之间徘徊。

当下人工智能狂欢背后暗涌着深刻的认知危机：当 GPT-4 能通过律师资格考试却无法理解“正义”的哲学内涵，当Stable Diffusion创作出媲美莫奈的画作却对光影美学毫无感知，我们不得不追问——这究竟是智能的曙光，还是复杂曲线拟合制造的认知幻觉？

这次人工智能“考古”之旅，既是向那些在寒冬中守护火种的先驱者致敬（从图灵到辛顿），更是对当下AI神话的祛魅仪式。在本文中，我们将看到：

• 神经网络惊人的抽象能力背后，是统计学对有机生物体智能表现的粗糙模拟
• Transformer架构的革命性突破，本质是利用预训练机制对大规模数据的概率特征的高效建模
• 强化学习的试错进化，也不过是达尔文主义在数字世界的投影

在这个深度学习主导的“暴力美学”时代，重访人工智能发展的潮起潮落，不仅是为了理解技术演进的内在逻辑，更是为了在算法黑箱与人类认知的裂隙中，寻找智能本质的蛛丝马迹。本文将系统地梳理人工智能发展的三次高潮与两次低谷，剖析符号主义、连接主义、行为主义三大流派的哲学分野，并探讨哥德尔不完备定理对强人工智能的理论约束。通过跨学科的视角，试图在数学的严谨、神经科学的实证与哲学的思辨之间，勾勒人工智能演进的探索过程以及可能图景。

前言

一年前在粗略了解 Sora 之后发表了对通用人工智能（AGI） 的粗浅看法（见人工智能：Sora 随感)，经过对 AGI 知识的学习之后，再次刷新对 Scaling Law、Transformer 以及智能/涌现的理解，因此有了此文以更新对这个知识点的“模型参数”（一年前我对 AGI 能否达到涌现是存疑的，现在转变为肯定）。都说大道至简，但精准简化岂是常人所能，我只好在通俗与严谨之间，弃严谨而取通俗。下面就是用通俗的方式来讲述我对人工智能架构主要思想的新理解。

Scaling Law 与涌现

Scaling Law 描述了数据规模、计算资源和模型参数对 AI 模型的影响。大模型之所要大，是因为只有当模型的训练（样本）数据和参数大到突破一定的临界值后，才可能涌现出一些不可预测、更复杂的能力和特性，而进行这样大规模的训练又依赖于大规模的计算资源。这等规模的模型能够从原始训练数据中自动学习并发现或发明新的、更高层次的特征和模式，这种能力被称为“涌现（Emergence）”。随着科技的进步，曾经被认为难以突破的计算和数据限制，将来一定会是可控和可实现的。从本质上讲，Scaling Law 不是决定 AI 智能形态的根本因素，而是影响其发展的资源门槛。但就像“巧妇难为无米之炊”，即使有再先进的模型架构，也需要规模足够大的数据和计算能力来达到涌现所需的阈值。此外，涌现现象的出现通常依赖于大规模个体之间的相互作用，只有在规模足够大的个体之间的非线性关系才可能催生出整体大于部分之和的智能表现。