AI和人脑，面对同一个世界，却是两种截然不同的“理解”方式。人脑，重约1.4公斤，功耗仅20瓦，能从小样本中学习，举一反三，在混沌中构建秩序。如今的AI，参数万亿级，却常在简单逻辑上犯错，缺乏真正的世界模型。这背后的差距，不是算力的差距，而是智能本质的差距。

复杂系统：大自然中的智能密码

当我们沉浸于大自然的鬼斧神工，或惊叹于山川的壮丽时，是否思考过这些宏观现象从何而来？数以万计的水分子如何自发形成有规律的波浪？高山的雄伟形态如何从无数地质作用中“涌现”而出？这些问题揭示了世界的本质：复杂且非线性。

自17世纪以来，处于科学研究主导地位的还原论，它将整体细分为部分，试图通过解析基本粒子来理解世界。然而这种方法，无法理解自然和宇宙是如何形成的，甚至生命起源、人类记忆与意识是如何产生的尚且一知半解。复杂性科学应运而生，它致力于研究复杂系统的行为、本质与演化规律。该理论认为，世界并非完全有序或随机，而是处于“有序与混沌之间的边缘”。在这一边缘上，系统能自发形成有序结构和功能，涌现出个体和局部不具备的性质。

从大脑到AI：生物启发的人工智能

人脑，这片由 860 亿神经元构成的“神经之海”，是复杂适应系统最伟大的证明。它仅以约20瓦的能耗，相当于一盏昏暗的灯泡，就能理解环境、预测未来、持续学习。其背后的秘密，不在于神经元数量，而在于它们之间的连接方式。大脑的神经网络具备三大特征：

• 多尺度耦合：不同脑区协同工作

• 非线性动力学：微小输入可能引发巨大变化

• 分布式信息处理：信息分散存储在整个网络中

这些特征，正是复杂系统能够“涌现智能”的底层基础。大脑神经元间的信息传递，如下图，这种复杂的信号传递和整合形成了大脑中复杂的信息处理和学习过程。正是模拟这一机制的深度学习模型，开启了AI技术浪潮。

当我们深入大脑处理视觉信息的过程，会发现一条清晰的层级编码路径：视网膜 → 外侧膝状体 → V1视觉皮层（边缘和方向）→ V2视觉皮层（颜色、轮廓）→ V4视觉皮层（形状、曲率、深度）→ 颞下皮层（物体、面孔、场景识别）。

不仅仅视觉，听觉、触觉等基本的神经回路也都有这种纵深的层级，对应的编码原理正是从具体到抽象，从局部到整体。这一生物神经科学原理催生了拓扑同构性的 CNN等深度学习模型。更具革命性的是注意力机制的引入，通过模拟人脑的背侧和腹侧注意系统，基于Transformer的模型在自然语言处理和计算机视觉领域实现了质的性能飞跃。

大模型的困境：参数堆砌≠理解世界

如火如荼的AI大模型展现出令人惊讶的“涌现能力”，强化学习中的多智能体协作也模拟了复杂系统的自组织行为。大模型的性能扩展规律可以用一个公式概括：

其中参数量N、数据量D、训练步数C共同推动了模型性能提升。然而，这真的是智能吗？对比人类婴儿的基本能力，AI 的短板显而易见

• 婴儿在打疫苗前就会哭闹——如今的AI具备这种内隐感知吗？

• 婴儿从抬头、翻身到走路、说话——分层强化学习能实现这种渐进学习吗？

• 婴儿自如地将牙胶从左手换到右手——我们的机械臂具备这种多模态融合和任务拆解能力吗？

在Fewshot学习和OOD泛化等关键能力上，当前AI甚至不如新生儿。过去几十年，神经科学取得了丰硕成果：突触可塑性、全局工作空间、预测编码...但当前AI系统未能完全吸收这些突破。我们沉迷于参数量的军备竞赛，却忽视了智能的本质。真正的突破，将来自对复杂适应系统的深入理解，理解大脑如何以极低能耗实现高效学习，理解微观互动如何涌现宏观智能。这不是技术的优化，而是范式的转变。