Toward aitiopoietic cognition: bridging the evolutionary divide between biological and machine-learned causal systems 邁向因果創(chuàng)生認(rèn)知：彌合生物與機(jī)器因果系統(tǒng)的演化鴻溝

https://www.frontiersin.org/journals/cognition/articles/10.3389/fcogn.2025.1618381/full

摘要

我們考察并比較了自生系統(tǒng)（生物有機(jī)體）和機(jī)器學(xué)習(xí)系統(tǒng)（MLS），著重闡述了因果推理產(chǎn)生和運(yùn)作方式的關(guān)鍵差異。盡管二者在行為和認(rèn)知能力方面表面上存在功能上的相似性，但我們發(fā)現(xiàn)，在因果關(guān)系的運(yùn)作方式、物理體現(xiàn)以及認(rèn)識(shí)論基礎(chǔ)方面，二者存在著深刻的結(jié)構(gòu)性差異。在自生系統(tǒng)中，因果推理與跨多個(gè)組織層級(jí)的自我維持過程內(nèi)在相連，其目標(biāo)源于生存的必然性。相比之下，機(jī)器學(xué)習(xí)系統(tǒng)通過外部設(shè)定的目標(biāo)進(jìn)行統(tǒng)計(jì)優(yōu)化來實(shí)現(xiàn)因果關(guān)系，缺乏驅(qū)動(dòng)生物因果關(guān)系發(fā)展的物質(zhì)性自我重組。我們引入了“自生認(rèn)知”（aitiopoietic cognition）的概念——源自希臘語“aitia”（原因）和“poiesis”（創(chuàng)造）——作為因果理解直接從系統(tǒng)自構(gòu)成過程中涌現(xiàn)的框架。通過分析包括進(jìn)化算法、物質(zhì)智能、穩(wěn)態(tài)調(diào)節(jié)和多尺度整合在內(nèi)的趨同路徑，我們提出了一項(xiàng)旨在彌合這一進(jìn)化鴻溝的研究計(jì)劃。這種整合有望構(gòu)建出具有真正內(nèi)在目標(biāo)和基于物質(zhì)的因果理解的人工智能系統(tǒng)，從而可能改變我們對(duì)人工智能的理解，并加深我們對(duì)生物認(rèn)知的認(rèn)識(shí)。

關(guān)鍵詞：人工智能、涌現(xiàn)、因果推理、自創(chuàng)生、元系統(tǒng)轉(zhuǎn)變、具身認(rèn)知、合成生物學(xué)

1 引言

機(jī)器學(xué)習(xí)系統(tǒng)（MLS）正迅速滲透到我們生活的方方面面，從醫(yī)療保健到娛樂，無所不包（Marcus和Davis，2019；LeCun等人，2015）。隨著大量投資涌入其技術(shù)研發(fā)領(lǐng)域（Maslej等人，2025），我們?cè)絹碓叫枰斫狻拔覀儭迸c“它們”之間的根本區(qū)別（Bengio等人，2024）。為了清晰起見，并確保分析的精確性，我們將“它們”稱為機(jī)器學(xué)習(xí)系統(tǒng)，以此來體現(xiàn)其發(fā)展和適應(yīng)的主要機(jī)制。

如果從兒童初次學(xué)習(xí)在計(jì)算機(jī)界面層面區(qū)分實(shí)體，或者從造訪我們星球的外星人的角度來看，人類和智能體之間并沒有本質(zhì)區(qū)別。兩者都能閱讀、理解文本和圖像、打字和繪畫、說話，并能進(jìn)行一系列復(fù)雜的活動(dòng)，包括計(jì)劃能力、溝通技巧，甚至對(duì)概念、因果關(guān)系以及對(duì)自身和他人的反思性理解進(jìn)行抽象推理。這種相似性在允許物理交互和運(yùn)動(dòng)的機(jī)器人界面中也得到了證實(shí)（Moro et al., 2019 ; Manzi et al., 2020 ）。這種看似驚人的相似性通常用計(jì)算功能主義（Putnam, 1967 ; Chalmers, 1996 ）的視角來解釋，該理論認(rèn)為心理狀態(tài)是由其功能角色而非物理基礎(chǔ)定義的。根據(jù)這種觀點(diǎn)，如果 MLS 在功能上復(fù)制人類的認(rèn)知過程，即使來自完全不同的基質(zhì)，它們也可以被認(rèn)為是基本等價(jià)的——因此可以在主體層面進(jìn)行比較（Goertzel，2007）。

1.1 用于檢驗(yàn)人類和機(jī)器因果認(rèn)知能力的“等價(jià)假設(shè)”

通過更深入地考察我們?nèi)绾螌⒆陨砼c機(jī)器進(jìn)行比較，我們發(fā)現(xiàn)圖靈測(cè)試發(fā)揮了重要作用，而讀者理應(yīng)了解圖靈測(cè)試。圖靈測(cè)試旨在測(cè)試思維能力，但更準(zhǔn)確地說，它測(cè)試的是運(yùn)用先前學(xué)習(xí)的信息進(jìn)行對(duì)話的能力，因此它并非直接測(cè)試思維能力，而是測(cè)試學(xué)習(xí)能力以及表達(dá)這種學(xué)習(xí)的能力（Moor，1976）。本文無意深入探討學(xué)習(xí)、思維和智能的定義及其如何影響我們對(duì)人工智能的理解（相關(guān)分析參見Wang，2019）。相反，我們希望探討使用輸入輸出架構(gòu)比較機(jī)器和人類的因果認(rèn)知能力所帶來的后果。主流認(rèn)知科學(xué)隱含地假設(shè)這些架構(gòu)對(duì)人類和機(jī)器而言“意義相同”。事實(shí)上，人們普遍認(rèn)為輸入輸出架構(gòu)以相同的方式負(fù)責(zé)人類和機(jī)器學(xué)習(xí)系統(tǒng)的學(xué)習(xí)過程。后者已被眾多成功的科學(xué)項(xiàng)目所接受和充分論證，這些項(xiàng)目涵蓋心理學(xué)和認(rèn)知科學(xué)的各個(gè)分支（Anderson，2007）、語言學(xué)（Fodor，1975；Chomsky，1986；Pinker，1994）、計(jì)算機(jī)科學(xué)（Russell和Norvig，2020）、動(dòng)物行為學(xué)（Lorenz，1981）等多個(gè)領(lǐng)域（Clark，2001）。這些研究表明，基于輸入輸出架構(gòu)的過程和實(shí)驗(yàn)設(shè)計(jì)具有很強(qiáng)的歸納能力，能夠解釋學(xué)習(xí)、適應(yīng)以及對(duì)環(huán)境挑戰(zhàn)日益復(fù)雜的反應(yīng)（行為）的發(fā)展是如何產(chǎn)生/停止、增強(qiáng)/抑制的。因此，人們認(rèn)為將輸入轉(zhuǎn)換為輸出的“處理單元”（即 MLS 的“黑箱”或人類的“心智”）在定義認(rèn)知方面沒有特別的區(qū)別（Chalmers，1996；Clark 和 Chalmers，1998）。

然而，上述隱含的等效性假設(shè)掩蓋了輸入和輸出的物質(zhì)實(shí)現(xiàn)的內(nèi)部運(yùn)作方式的深刻差異，更重要的是，它們與構(gòu)成完整系統(tǒng)的“處理單元”一起，塑造了 MLS 和人類認(rèn)知存在的、發(fā)展和進(jìn)化特征（Deacon，2011）。

在存在層面上，人類和其他生物體的認(rèn)知是在自組織系統(tǒng)中實(shí)現(xiàn)的——這些系統(tǒng)是能夠自我創(chuàng)造和自我維持的實(shí)體，它們通過代謝過程不斷地再生自身的組成部分，并從環(huán)境中獲取能量（Boden，1999；Maturana和Varela，2012；Thompson，2007）。相比之下，多層系統(tǒng)（MLS）中的認(rèn)知是在物理上靜止的機(jī)器中實(shí)現(xiàn)的，這些機(jī)器的形態(tài)保持不變。在發(fā)育層面，自組織系統(tǒng)通過基于分子網(wǎng)絡(luò)細(xì)胞的多級(jí)結(jié)構(gòu)發(fā)展（Fields 和 Levin，2022；Witkowski 等人，2023），每一級(jí)都有自己的自我意識(shí)和類似于認(rèn)知能力的自身能力，這些能力與其特定的物理實(shí)例相一致（可能實(shí)現(xiàn)也可能不實(shí)現(xiàn)通用圖靈計(jì)算），而對(duì)于 MLS 而言，它們的發(fā)展基于外部組裝，沒有多級(jí)結(jié)構(gòu)，也沒有內(nèi)在的自我意識(shí)，“單一智能水平”在通用圖靈機(jī)設(shè)置中通過算法調(diào)整和數(shù)據(jù)驅(qū)動(dòng)的反饋而演化。

在進(jìn)化層面，這些差異放大了認(rèn)知在不同基質(zhì)上的意義。自生系統(tǒng)經(jīng)歷了數(shù)十億年的自然選擇，通過作用于基因變異而進(jìn)化，多次重大轉(zhuǎn)變形成了層級(jí)分明的組織結(jié)構(gòu)（Smith 和 Szathmáry，1995；Szathmáry，2015）。這一進(jìn)化過程造就了這樣的系統(tǒng)：有目的的行為源于物質(zhì)約束和信息動(dòng)態(tài)在多個(gè)尺度上的復(fù)雜相互作用（West 等，2015；Heylighen，2023）。與此形成鮮明對(duì)比的是，多層級(jí)系統(tǒng)（MLS）的“進(jìn)化”是通過人為定向工程實(shí)現(xiàn)的，它們遵循固定的馮·諾依曼架構(gòu)上的發(fā)育軌跡，針對(duì)特定目的進(jìn)行優(yōu)化，這些目的涉及性能、經(jīng)濟(jì)成本、規(guī)模和計(jì)算速度，而非在開放環(huán)境中生存（Stanley 和 Lehman，2015）。它們的進(jìn)化軌跡缺乏生物進(jìn)化所特有的自組織復(fù)雜性和涌現(xiàn)特性，而是遵循人類開發(fā)者預(yù)先設(shè)定的目標(biāo)所施加的外部設(shè)計(jì)原則（Lake 等人，2017）。

1.2 以目標(biāo)作為比較因果認(rèn)知的標(biāo)準(zhǔn)

與其關(guān)注績效來檢驗(yàn)因果認(rèn)知，我們可以關(guān)注“目標(biāo)導(dǎo)向性”，因?yàn)槟繕?biāo)反映了處理單元中行為的來源（Heylighen，2023）?；诖?，目標(biāo)是比較人類和機(jī)器因果認(rèn)知的一個(gè)關(guān)鍵切入點(diǎn)（Deacon，2011）。在自創(chuàng)生系統(tǒng)中，目標(biāo)由系統(tǒng)通過自我保存維持物理存在的必要性與系統(tǒng)與環(huán)境交互的方式之間的關(guān)系來定義（Kolchinsky和Wolpert，2018）。對(duì)于多層系統(tǒng)（MLS）而言，目標(biāo)是外部定義的優(yōu)化目標(biāo)，與任何物質(zhì)上的自我保存的必要性無關(guān)。目標(biāo)的起源和性質(zhì)的這種差異凸顯了它們因果認(rèn)知運(yùn)作方式上的一個(gè)重要差距。這一方面引發(fā)了關(guān)于比較認(rèn)知其他重要方面（例如智能和適應(yīng)性）的問題（參見Stano等人，2023以及該特刊中的其他文章）。

本文考察了自創(chuàng)生和機(jī)器學(xué)習(xí)的基本特征，以目標(biāo)為參照概念，分析了二者在因果認(rèn)知方面的關(guān)鍵差異，并探討了未來系統(tǒng)中整合二者多樣化“認(rèn)知支架”（Ziemke et al., 2004）的潛在融合。最后，我們提出了一條彌合這一演化鴻溝的路徑（Witkowski et al., 2023 ; Seth, 2021），即提出“自創(chuàng)生認(rèn)知”（aitiopoietic cognition）——源自希臘語“aitia”（原因）和“poiesis”（創(chuàng)造）——作為框架，其中因果理解直接源于系統(tǒng)的自構(gòu)成過程，從而在物理組織和因果推理之間建立起遞歸關(guān)系。

2 自創(chuàng)生系統(tǒng)：從生存到目標(biāo)

自創(chuàng)生系統(tǒng)由生物學(xué)家溫貝托·馬圖拉納和弗朗西斯科·瓦雷拉于20世紀(jì)70年代提出，被定義為能夠產(chǎn)生自身持續(xù)存在和維持邊界所需組成部分的各種過程網(wǎng)絡(luò)。這一概念為理解生物自主性提供了一個(gè)受控制論啟發(fā)的框架（Maturana and Varela, 2012）。與機(jī)械論或活力論的生命觀不同，自創(chuàng)生提供了一種自然主義的視角，強(qiáng)調(diào)生命系統(tǒng)的動(dòng)態(tài)性和過程導(dǎo)向性（Weber and Varela, 2002）。

2.1 內(nèi)外結(jié)構(gòu)

從生物化學(xué)角度來看，自生系統(tǒng)通過代謝網(wǎng)絡(luò)運(yùn)作，這些網(wǎng)絡(luò)不斷轉(zhuǎn)化物質(zhì)和能量以再生其組成成分，同時(shí)維持組織穩(wěn)定性。這種自我生產(chǎn)是通過熱力學(xué)開放過程實(shí)現(xiàn)的，這些過程使系統(tǒng)遠(yuǎn)離平衡態(tài)（Moreno和Mossio，2015）。半透膜邊界的持續(xù)生成將系統(tǒng)與其環(huán)境區(qū)分開來，同時(shí)調(diào)節(jié)內(nèi)部過程和外部交換，從而形成對(duì)生物自主性至關(guān)重要的內(nèi)外不對(duì)稱性（Luisi，2003）。

自組織系統(tǒng)的一個(gè)顯著特征在于其跨越空間和時(shí)間尺度的層級(jí)結(jié)構(gòu)。這種多級(jí)架構(gòu)實(shí)現(xiàn)了嵌套式自主性：分子網(wǎng)絡(luò)維持代謝閉塞，細(xì)胞通過信號(hào)通路進(jìn)行決策（Gao et al., 2023），組織則通過生物物理反饋進(jìn)行協(xié)調(diào)（Forgacs and Newman, 2005）。每個(gè)層級(jí)都維持著功能上的閉塞，同時(shí)又促進(jìn)著更高層次的自組織，這體現(xiàn)了Varela提出的“多層次自主身份”概念（Varela, 1979）。這種組織結(jié)構(gòu)與Salthe（1985）的層級(jí)進(jìn)化框架相一致，并實(shí)現(xiàn)了雙向因果關(guān)系：“向下因果”（Ellis, 2012），即更高層級(jí)調(diào)節(jié)更低層級(jí)的過程；以及“向上約束”，即分子動(dòng)力學(xué)限制了更高層級(jí)的可能性（Kauffman, 1993 ; West-Eberhard, 2003）。

自組織系統(tǒng)的運(yùn)行封閉性并不排除其與環(huán)境的動(dòng)態(tài)互動(dòng)；相反，它促成了多層次的結(jié)構(gòu)耦合——這一過程使得反復(fù)的相互作用能夠觸發(fā)補(bǔ)償性變化，同時(shí)保持組織結(jié)構(gòu)的連貫性（Di Paolo，2005；Moreno和Mossio，2015）。這種耦合以層級(jí)結(jié)構(gòu)運(yùn)作：分子網(wǎng)絡(luò)與細(xì)胞內(nèi)環(huán)境耦合，細(xì)胞與組織微環(huán)境耦合，生物體與生態(tài)位耦合，每個(gè)層級(jí)都保持其自主性，同時(shí)為系統(tǒng)的生存做出貢獻(xiàn)（Maturana和Varela，2012；Salthe，1985）。進(jìn)化壓力塑造了這種層級(jí)結(jié)構(gòu)，有利于模塊化以增強(qiáng)穩(wěn)健性（Wagner，1996），有利于簡(jiǎn)并性（Edelman和Gally，2001）以緩沖擾動(dòng)。

2.2 自創(chuàng)生認(rèn)知

自創(chuàng)生與認(rèn)知之間的聯(lián)系源于系統(tǒng)通過與環(huán)境的適應(yīng)性互動(dòng)來維持自身的需要。正如馬圖拉納和瓦雷拉富有啟發(fā)性地指出，“生命即認(rèn)知”，這表明即使是基本的自創(chuàng)生系統(tǒng)也通過其選擇性的環(huán)境耦合展現(xiàn)出一種原始的認(rèn)知形式（Thompson，2007）。這種觀點(diǎn)將認(rèn)知重新定義為意義建構(gòu)，而非信息處理——將中性的環(huán)境刺激轉(zhuǎn)化為與持續(xù)生存相關(guān)的有意義的區(qū)分（Di Paolo和Thompson，2014）。

自生系統(tǒng)向意義建構(gòu)型適應(yīng)性主體的轉(zhuǎn)變，取決于它們能否發(fā)展出多層次的調(diào)控層級(jí)，從而跨尺度監(jiān)測(cè)和調(diào)節(jié)生存條件（Di Paolo，2005；Moreno和Mossio，2015）。由此，目標(biāo)導(dǎo)向性自然而然地與自生組織聯(lián)系起來。自生系統(tǒng)展現(xiàn)出“目的性”行為，因?yàn)樗鼈兊慕Y(jié)構(gòu)——通過結(jié)構(gòu)耦合形成（Juarrero，1999）——體現(xiàn)了應(yīng)對(duì)生存挑戰(zhàn)的歷史解決方案（Deacon，2011）。例如，黏菌通過自組織梯度優(yōu)化營養(yǎng)網(wǎng)絡(luò)（Nakagaki等，2000）。這種自然化的目的論（Weber 和 Varela，2002 年）提出了一種解決目的悖論的方案，即未來實(shí)體影響其過去：目標(biāo)是系統(tǒng)的涌現(xiàn)屬性，這些系統(tǒng)遞歸地將行動(dòng)與跨尺度的自我維護(hù)耦合起來（Barandiaran 等人，2009 年）。

自組織系統(tǒng)中目標(biāo)的正式表示面臨著獨(dú)特的建模挑戰(zhàn)，因?yàn)槟繕?biāo)是從系統(tǒng)的組織結(jié)構(gòu)中涌現(xiàn)出來的，而不是被顯式編碼的（Veloz，2021）。目前已開發(fā)出多種數(shù)學(xué)框架來捕捉這種涌現(xiàn)過程，每個(gè)框架都著重闡述了目的如何從過程中產(chǎn)生的不同方面。

動(dòng)力系統(tǒng)理論提供了一個(gè)最廣泛的框架，它將自組織目標(biāo)表示為狀態(tài)空間中的吸引子狀態(tài)，這些狀態(tài)能夠在擾動(dòng)下維持系統(tǒng)的生存能力（Heylighen，2023；Kauffman，1993）。至關(guān)重要的是，這些吸引子會(huì)根據(jù)系統(tǒng)的內(nèi)部狀態(tài)而變化，從而形成一個(gè)目標(biāo)依賴于情境而非固定不變的“景觀”。這種自適應(yīng)景觀模型已在生存邊界和自適應(yīng)控制的研究中得到形式化（Barandiaran和Egbert，2014），為分析自組織系統(tǒng)如何響應(yīng)不斷變化的環(huán)境而生成和修改目標(biāo)提供了數(shù)學(xué)工具。

更具體的數(shù)學(xué)框架探討了目標(biāo)導(dǎo)向的不同方面?；瘜W(xué)組織理論（Dittrich 和 Speroni di Fenizio，2007；Veloz 和 Razeto-Barry，2017）對(duì)自維持化學(xué)網(wǎng)絡(luò)進(jìn)行建模，其中封閉性和自我生產(chǎn)創(chuàng)造了穩(wěn)定性條件，這些條件構(gòu)成了隱含的目標(biāo)。該方法通過識(shí)別反應(yīng)網(wǎng)絡(luò)中的組織封閉性，能夠?qū)瘜W(xué)如何創(chuàng)造持久的身份（這是目的的前提條件）進(jìn)行嚴(yán)謹(jǐn)?shù)姆治?。同時(shí)，自由能原理模型（Friston，2010；Priorelli 等，2025）形式化地闡述了預(yù)測(cè)性調(diào)控如何服務(wù)于自組織維持，并將目標(biāo)表示為系統(tǒng)通過主動(dòng)推理來維持的可行狀態(tài)的概率分布。這種貝葉斯方法在自組織目標(biāo)和機(jī)器學(xué)習(xí)框架之間架起了一座計(jì)算橋梁。基于代理的建模對(duì)于模擬目標(biāo)如何從與生存能力約束相關(guān)的簡(jiǎn)單行為機(jī)制中產(chǎn)生變得越來越重要，它展示了選擇壓力如何通過模擬進(jìn)化驅(qū)動(dòng)越來越復(fù)雜的目標(biāo)等級(jí)的出現(xiàn)（Froese 和 Ziemke，2009；Packard 等人，2019）。

盡管目標(biāo)的概念化已與自創(chuàng)生理論框架充分融合，且目標(biāo)導(dǎo)向與生物目的之間的關(guān)系在哲學(xué)層面也已得到充分確立，但這些概念的正式數(shù)學(xué)表征仍處于起步階段。現(xiàn)有模型能夠捕捉到涌現(xiàn)目的的某些方面，但難以全面展現(xiàn)生物目標(biāo)導(dǎo)向的豐富性——尤其是構(gòu)成生物智能的多尺度能力（Witkowski et al., 2023 ; Fields and Levin, 2022）。這些能力涵蓋了從單細(xì)胞的基礎(chǔ)認(rèn)知到復(fù)雜生物體的抽象推理，表明存在多種形式的智能在不同尺度和物質(zhì)層面上運(yùn)作，這對(duì)我們當(dāng)前的建模能力提出了挑戰(zhàn)。隨著自創(chuàng)生理論的不斷發(fā)展，彌合豐富的理論解釋與精確的形式表征之間的差距仍然是一個(gè)至關(guān)重要的前沿領(lǐng)域——這不僅會(huì)加深我們對(duì)生物認(rèn)知的理解，而且還會(huì)為開發(fā)具有更自然的目標(biāo)導(dǎo)向形式的人工系統(tǒng)提供見解（Veloz，2021；Thompson，2007；Di Paolo，2005）。

2.3 從自創(chuàng)生到異生

從自創(chuàng)生認(rèn)知到有源創(chuàng)生認(rèn)知的轉(zhuǎn)變，即從實(shí)現(xiàn)物質(zhì)上的自我保存到通過類似于因果推理的行為來體現(xiàn)可供性，代表著一次根本性的飛躍，系統(tǒng)超越了單純的組織封閉，通過自身的存在積極地構(gòu)建因果知識(shí)（Deacon，2011）。當(dāng)我們考察自創(chuàng)生系統(tǒng)如何產(chǎn)生我們稱之為“能動(dòng)因果性”的東西時(shí)，這種轉(zhuǎn)變就變得顯而易見——這種因果理解并非源于抽象的計(jì)算，而是源于自我構(gòu)成和環(huán)境耦合的物質(zhì)過程。以細(xì)菌趨化性為例：細(xì)胞的感覺運(yùn)動(dòng)裝置并非僅僅檢測(cè)梯度，而是構(gòu)成了一個(gè)知識(shí)生成系統(tǒng)，其中磷酸化級(jí)聯(lián)動(dòng)力學(xué)同時(shí)維持著細(xì)胞的組織結(jié)構(gòu)，并構(gòu)建了對(duì)環(huán)境因果關(guān)系的理解（Davies和Levin，2023；Levin，2019）。細(xì)菌的翻滾奔跑行為源于構(gòu)成過程，其中因果學(xué)習(xí)和自我維護(hù)密不可分——該系統(tǒng)通過其自身物質(zhì)組織的遞歸動(dòng)態(tài)，切實(shí)地體現(xiàn)了其因果模型。

合成多細(xì)胞性的最新進(jìn)展闡明了這一轉(zhuǎn)變，揭示了集體系統(tǒng)如何展現(xiàn)出超越其單個(gè)組成部分自組織能力的涌現(xiàn)自組織特性。由兩棲動(dòng)物皮膚和心肌細(xì)胞構(gòu)建的異種機(jī)器人展現(xiàn)了一種原始的自組織認(rèn)知形式，其中集體行為源于細(xì)胞自組織，無需基因編程或外部控制回路（Moreno和Etxeberria，2005；Newman和Bhat，2009；Kriegman等人，2020）。這些“活體機(jī)器人”通過構(gòu)成性過程在環(huán)境中導(dǎo)航——它們的運(yùn)動(dòng)、物體操作和集體協(xié)調(diào)都源于維持其多細(xì)胞完整性的同一自我維持動(dòng)力學(xué)。至關(guān)重要的是，它們的行為能力代表了主體材料的內(nèi)源性屬性，而非外部強(qiáng)加的算法，這表明當(dāng)適當(dāng)?shù)慕M織架構(gòu)涌現(xiàn)時(shí)，自組織認(rèn)知可以從自組織基礎(chǔ)自然擴(kuò)展。類似地，人形機(jī)器人由人類肺細(xì)胞自組裝成具有纖毛驅(qū)動(dòng)推進(jìn)和組織修復(fù)能力的運(yùn)動(dòng)球體，這表明多細(xì)胞群體可以表現(xiàn)出目標(biāo)導(dǎo)向的行為，這些行為源于它們的構(gòu)成動(dòng)力學(xué)，而不是被編程到它們的構(gòu)成動(dòng)力學(xué)中（Solé 等人，2024）。

合成生物學(xué)框架揭示了起源生成本質(zhì)上涉及多尺度能動(dòng)性，其中因果能力是通過不同組織層級(jí)之間的層級(jí)耦合而產(chǎn)生的（Solé et al., 2016）。在類器官系統(tǒng)中，單個(gè)細(xì)胞參與組織層面的形態(tài)動(dòng)力學(xué)推理——即通過感知-行動(dòng)回路對(duì)解剖形態(tài)空間進(jìn)行集體導(dǎo)航，從而在維持組織結(jié)構(gòu)的同時(shí)生成關(guān)于空間關(guān)系的知識(shí)（Solé et al., 2024）。這代表了一種“集體起源生成認(rèn)知”，其中因果理解源于細(xì)胞群體的構(gòu)成動(dòng)力學(xué)，而非預(yù)先設(shè)定的指令。組織通過構(gòu)成其存在的各種過程來“學(xué)習(xí)”其環(huán)境——生長梯度、機(jī)械力和生物電模式既成為自我維持的媒介，也成為因果推理的基礎(chǔ)。重要的是，這種起源生成能力的擴(kuò)展揭示了一個(gè)關(guān)鍵原則：更高層次的因果理解不會(huì)簡(jiǎn)化為較低層次的機(jī)制，而是通過萊文所說的“能動(dòng)材料”涌現(xiàn)出來——這些材料具有內(nèi)在能力，可以通過行為干預(yù)而不是機(jī)械控制來引導(dǎo)。

這對(duì)人工起源系統(tǒng)具有深遠(yuǎn)的影響。目前的合成方法表明，真正的起源無法通過傳統(tǒng)的自上而下設(shè)計(jì)來實(shí)現(xiàn)，而必須從展現(xiàn)出“轉(zhuǎn)錄、解剖和生理問題領(lǐng)域能力”的基質(zhì)中涌現(xiàn)出來（Davies和Levin，2023）。純粹的計(jì)算方法無法實(shí)現(xiàn)構(gòu)成性因果關(guān)系，這表明未來的起源系統(tǒng)需要物理基質(zhì)，其中信息處理能力（例如模式識(shí)別和因果推理）以及自我維持能力（例如修復(fù)和復(fù)制）在物質(zhì)層面上是統(tǒng)一的，而不是功能上分離的（Gill等人，2025）。這表明，研究計(jì)劃的重點(diǎn)不是對(duì)人工智能體進(jìn)行編程，而是培養(yǎng)合成系統(tǒng)，其中起源意識(shí)認(rèn)知可以從具身自組織的遞歸動(dòng)力學(xué)中涌現(xiàn)，有可能通過結(jié)合生物材料的構(gòu)成特性和人工基質(zhì)的可擴(kuò)展性的混合生物合成架構(gòu)來實(shí)現(xiàn)。

3 機(jī)器學(xué)習(xí)系統(tǒng)：從目標(biāo)到因果關(guān)系

機(jī)器學(xué)習(xí)代表了當(dāng)前人工智能的范式，它允許算法通過從數(shù)據(jù)中學(xué)習(xí)來不斷改進(jìn)（Russell 和 Norvig，2020）。早期的機(jī)器學(xué)習(xí)側(cè)重于表征方法和決策樹，但隨著深度學(xué)習(xí)架構(gòu)的出現(xiàn)，該領(lǐng)域發(fā)生了變革，深度學(xué)習(xí)架構(gòu)能夠自動(dòng)從原始數(shù)據(jù)中提取層級(jí)特征（LeCun 等，2015）。這種演變反映了從以工程為中心向以數(shù)據(jù)為中心的更廣泛的轉(zhuǎn)變，在這種轉(zhuǎn)變中，系統(tǒng)行為源于統(tǒng)計(jì)模式，而非顯式設(shè)計(jì)。

3.1 機(jī)器學(xué)習(xí)在因果認(rèn)知中的應(yīng)用

機(jī)器學(xué)習(xí)的核心是通過統(tǒng)計(jì)推斷和優(yōu)化過程來調(diào)整內(nèi)部參數(shù)，從而最小化預(yù)測(cè)誤差或最大化獎(jiǎng)勵(lì)信號(hào)。機(jī)器學(xué)習(xí)系統(tǒng)（MLS）通過統(tǒng)計(jì)關(guān)聯(lián)而非機(jī)械論或目的論推理來實(shí)現(xiàn)因果關(guān)系。這些系統(tǒng)基于模式識(shí)別，通過最小化損失函數(shù)（例如，交叉熵、均方誤差）來優(yōu)化預(yù)測(cè)精度，這些損失函數(shù)衡量與訓(xùn)練數(shù)據(jù)分布的偏差（Goodfellow et al., 2016）。根據(jù)Pearl（2019）的因果層級(jí)理論，機(jī)器學(xué)習(xí)系統(tǒng)運(yùn)行于第一層級(jí)（觀察推斷），缺乏干預(yù)能力（第二層級(jí)）或反事實(shí)推理能力（第三層級(jí)）。例如，在醫(yī)療數(shù)據(jù)集上訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)可以將醫(yī)院床位與患者死亡率關(guān)聯(lián)起來，但這并不意味著床位是治療場(chǎng)所，而是因果關(guān)系（Geirhos et al., 2020）。這種虛假的關(guān)聯(lián)源于機(jī)器學(xué)習(xí)對(duì)統(tǒng)計(jì)捷徑的依賴——表面特征可以最大限度地提高訓(xùn)練準(zhǔn)確率，但無法捕捉因果不變性（Arjovsky 等人，2019）。

這個(gè)過程可以用數(shù)學(xué)方式形式化為尋找函數(shù) f。*從而優(yōu)先考慮經(jīng)驗(yàn)風(fēng)險(xiǎn)最小化：

其中E表示期望值，L量化了數(shù)據(jù)集D的預(yù)測(cè)誤差。雖然這種方法能夠有效地插值訓(xùn)練分布，但它混淆了相關(guān)性和因果關(guān)系，因?yàn)槟Ｐ腿狈^(qū)分混雜變量的機(jī)制（Sch?lkopf，2022）。例如，基于社會(huì)經(jīng)濟(jì)數(shù)據(jù)訓(xùn)練的機(jī)器學(xué)習(xí)系統(tǒng)常常會(huì)重現(xiàn)有偏差的關(guān)聯(lián)（例如，種族與貸款違約率），這是由于數(shù)據(jù)集不平衡而非因果關(guān)系造成的（Koh 等，2021）。

近期的批評(píng)指出，這種統(tǒng)計(jì)基礎(chǔ)限制了機(jī)器學(xué)習(xí)的因果魯棒性。對(duì)抗性攻擊——即通過微小的輸入擾動(dòng)來欺騙模型（Szegedy等人，2013）——暴露了關(guān)聯(lián)推理的脆弱性，而分布變化（例如，來自城市和農(nóng)村地區(qū)的醫(yī)院數(shù)據(jù)）則會(huì)導(dǎo)致性能急劇下降（Koh等人，2021）。與進(jìn)化而來、優(yōu)先考慮因果顯著特征（例如，捕食者、營養(yǎng)物質(zhì)）的生物系統(tǒng)不同，機(jī)器學(xué)習(xí)缺乏區(qū)分信號(hào)和噪聲的進(jìn)化壓力，這使得其因果認(rèn)知本質(zhì)上是淺層的（Marcus和Davis，2020）。

3.2 工程化因果架構(gòu)與外在目標(biāo)的局限性

當(dāng)代機(jī)器學(xué)習(xí) (ML) 系統(tǒng)試圖通過融合統(tǒng)計(jì)學(xué)習(xí)和形式化因果框架的架構(gòu)來整合因果推理。結(jié)構(gòu)因果模型 (SCM) 是其中一種方法，它應(yīng)用 Pearl 的 do-calculus (Pearl, 2019 ) 從觀察數(shù)據(jù)中推斷干預(yù)措施。諸如 DoWhy (Sharma 和 Kiciman, 2020 ) 以及基于貝葉斯有向無環(huán)圖 (DAG) 的 CausalNex (Zheng 等, 2018 ) 等工具通過編碼因果圖來實(shí)現(xiàn)這一目標(biāo)，但它們需要人工指定的變量，并且難以處理潛在的混雜因素——這在真實(shí)世界數(shù)據(jù)集中是一個(gè)關(guān)鍵的局限性 (Sch?lkopf 等, 2021 )。例如，在醫(yī)療保健領(lǐng)域，SCM 通常無法解釋影響治療結(jié)果的未測(cè)量的社會(huì)經(jīng)濟(jì)因素 (Kaddour 等, 2022 )。

因果強(qiáng)化學(xué)習(xí)（CRL）通過訓(xùn)練系統(tǒng)學(xué)習(xí)干預(yù)策略來擴(kuò)展這一概念。DeepMind 的因果元強(qiáng)化學(xué)習(xí)（Causal Meta-RL）（Ke 等人，2022）展示了系統(tǒng)如何通過試錯(cuò)干預(yù)來推斷任務(wù)結(jié)構(gòu)，但它們的目標(biāo)仍然是靜態(tài)的（例如，最大化游戲得分）。與能夠動(dòng)態(tài)調(diào)整目標(biāo)（例如，從覓食轉(zhuǎn)向躲避捕食者）的生物系統(tǒng)不同，CRL 系統(tǒng)缺乏根據(jù)生存需求重新配置目標(biāo)的機(jī)制（Lake 等人，2017）。

神經(jīng)符號(hào)混合系統(tǒng)將神經(jīng)網(wǎng)絡(luò)與符號(hào)邏輯相結(jié)合，以強(qiáng)制執(zhí)行因果規(guī)則（Sheth et al., 2023）。然而，這些規(guī)則并非由系統(tǒng)自身構(gòu)建而產(chǎn)生，而是外部強(qiáng)加的，因此在需要“目標(biāo)導(dǎo)向常識(shí)”的新場(chǎng)景下，這些規(guī)則顯得脆弱不堪（Garcez and Lamb, 2023）。例如，自動(dòng)駕駛系統(tǒng)中的符號(hào)約束（例如“紅燈停車”）在道路狀況違背預(yù)設(shè)規(guī)范（例如，緊急車輛）時(shí)無法適應(yīng)。表1總結(jié)了我們從目標(biāo)導(dǎo)向視角出發(fā)所發(fā)現(xiàn)的因果關(guān)系的局限性。

這些架構(gòu)揭示了它們目標(biāo)的一個(gè)根本限制：MLS 目標(biāo)是外部優(yōu)化（例如，損失最小化），因此它們將因果推理與構(gòu)成其知識(shí)將要參與的行動(dòng)基礎(chǔ)的變量脫鉤（Marcus 和 Davis，2020）。

4 自創(chuàng)生系統(tǒng)與機(jī)器學(xué)習(xí)系統(tǒng)在因果推理上的關(guān)鍵差異

現(xiàn)在，我們將自創(chuàng)生系統(tǒng)和 MLS 與因果推理之間的差異歸納為關(guān)鍵維度，這有助于確定它們?cè)诳茖W(xué)研究方面的進(jìn)一步方向。

4.1 目標(biāo)和因果關(guān)系的實(shí)施

自生系統(tǒng)中的因果關(guān)系本質(zhì)上是遞歸的、自指的，根植于其運(yùn)行的封閉性。這些系統(tǒng)的根本目標(biāo)是維持生命，即通過循環(huán)的因果鏈來維持自身的特性，這些循環(huán)鏈既產(chǎn)生又依賴于自身的邊界（Maturana 和 Varela，2012）。例如，細(xì)胞的代謝網(wǎng)絡(luò)合成維持其持續(xù)存在所需的各種成分——酶、膜和細(xì)胞器。在此，因果關(guān)系與系統(tǒng)的目的論必然性——自我保存——密不可分。對(duì)自生系統(tǒng)的擾動(dòng)（例如，營養(yǎng)匱乏）會(huì)觸發(fā)旨在恢復(fù)體內(nèi)平衡的適應(yīng)性反應(yīng)，這表明因果推理本質(zhì)上是指向維持系統(tǒng)一致性的（Luisi，2003）。系統(tǒng)的“目標(biāo)”并非外在的，而是源于其自我強(qiáng)化的組織結(jié)構(gòu)。

相比之下，機(jī)器學(xué)習(xí)（ML）系統(tǒng)中的因果關(guān)系是由訓(xùn)練數(shù)據(jù)導(dǎo)出的統(tǒng)計(jì)相關(guān)性外在定義的。諸如深度神經(jīng)網(wǎng)絡(luò)之類的機(jī)器學(xué)習(xí)模型通過梯度驅(qū)動(dòng)優(yōu)化來推斷模式，而這些模型本身并不包含反事實(shí)或物理機(jī)制的固有表示（Pearl，2019）。例如，一個(gè)經(jīng)過訓(xùn)練用于圖像分類的卷積神經(jīng)網(wǎng)絡(luò)會(huì)將像素配置與標(biāo)簽（例如，“貓”或“狗”）關(guān)聯(lián)起來，但這些關(guān)聯(lián)缺乏系統(tǒng)結(jié)構(gòu)中的內(nèi)在基礎(chǔ)。機(jī)器學(xué)習(xí)系統(tǒng)的“目標(biāo)”——最小化損失函數(shù)——是由設(shè)計(jì)者外部設(shè)定的，并不反映任何存在的必然性。雖然自組織系統(tǒng)展現(xiàn)出內(nèi)生因果關(guān)系（因果過程源于自我維持），但機(jī)器學(xué)習(xí)系統(tǒng)依賴于外生因果關(guān)系，其中因果歸因受到訓(xùn)練數(shù)據(jù)集的范圍和偏差（Marcus，2018）或既定規(guī)則（Marcus 和 Davis，2020）的限制。我們?cè)诒?2中總結(jié)了我們的討論。

4.2 物質(zhì)體現(xiàn)和因果推理的改進(jìn)

在自組織系統(tǒng)中，因果推理能力的提升源于對(duì)日益復(fù)雜目標(biāo)的物理具象化。在適當(dāng)?shù)耐蛔冏饔孟?，其?dāng)前運(yùn)行組織所提供的物質(zhì)基質(zhì)能夠直接促進(jìn)復(fù)雜性的發(fā)展，這體現(xiàn)在Heylighen（1995）所稱的元系統(tǒng)轉(zhuǎn)變中。這些轉(zhuǎn)變賦予了系統(tǒng)新的控制層次，即以全新的方式應(yīng)對(duì)擾動(dòng)的能力。這一過程在物理層面得以實(shí)現(xiàn)——細(xì)胞分化通過物質(zhì)重組創(chuàng)造出新的因果潛能，從而催生出涌現(xiàn)功能。重大的進(jìn)化轉(zhuǎn)變（Szathmáry，2015）表明，物質(zhì)重組如何驅(qū)動(dòng)因果能力的提升。當(dāng)獨(dú)立的自組織單元整合為更高階的集體時(shí)，它們會(huì)發(fā)生物理重組，從而形成一個(gè)更大的實(shí)體，該實(shí)體不僅在與環(huán)境的關(guān)系中，而且在與自身組成部分的關(guān)系中，都具備新的因果能力，這種能力是通過自上而下的控制實(shí)現(xiàn)的（Rosas等人，2020）。這種物理重組創(chuàng)造了多層次的調(diào)控網(wǎng)絡(luò)，其中因果關(guān)系在嵌套的空間和時(shí)間尺度上運(yùn)作——從分子識(shí)別（微秒）到記憶形成（數(shù)十年）。

這種物質(zhì)整合使得目標(biāo)導(dǎo)向結(jié)構(gòu)能夠擴(kuò)展到更廣闊的空間范圍和更長的時(shí)間跨度，即所謂的“關(guān)懷錐”（Witkowski et al., 2023）。哺乳動(dòng)物的長期規(guī)劃并非源于計(jì)算規(guī)模的擴(kuò)大，而是源于神經(jīng)結(jié)構(gòu)的物理演化，這些神經(jīng)結(jié)構(gòu)能夠物質(zhì)性地整合多種內(nèi)部狀態(tài)。相比之下，多層次系統(tǒng)（MLS）通過與其物質(zhì)載體脫鉤的通路發(fā)展因果推理能力。它們的物理基礎(chǔ)保持靜止，而抽象參數(shù)則不斷調(diào)整，從而在能量消耗和因果改進(jìn)之間造成了熱力學(xué)上的脫節(jié)。神經(jīng)網(wǎng)絡(luò)消耗的能量相同，無論它們是在完善因果模型還是在強(qiáng)化虛假相關(guān)性（Thompson et al., 2020）。

這種熱力學(xué)解耦限制了多層系統(tǒng)（MLS）中因果推理能力的提升。如果沒有能夠跨尺度擴(kuò)展控制的物質(zhì)重組，因果進(jìn)步就純粹是工具性的——服務(wù)于外部定義的目標(biāo)，而沒有擴(kuò)展自我維持能力，也沒有擴(kuò)展其中蘊(yùn)含的任何其他存在意義。多層系統(tǒng)的因果改進(jìn)主要依賴于數(shù)據(jù)量，而非物質(zhì)重組。盡管有證據(jù)表明，當(dāng)跨越某些網(wǎng)絡(luò)規(guī)模閾值時(shí)，系統(tǒng)會(huì)經(jīng)歷類似相變的改進(jìn)（Sch?lkopf等人，2021），這與重大的進(jìn)化轉(zhuǎn)變有相似之處，但這些改進(jìn)在本質(zhì)上仍然與進(jìn)化轉(zhuǎn)變不同。多層系統(tǒng)在預(yù)定義的架構(gòu)約束內(nèi)擴(kuò)展，而不會(huì)生成能夠?qū)崿F(xiàn)根本性全新因果推理形式的新型物質(zhì)配置。

后者解釋了為什么生物因果推理展現(xiàn)出無限的改進(jìn)空間，而人工因果關(guān)系卻始終受限于其工具性本質(zhì)和熱力學(xué)解耦。我們的討論總結(jié)于表3。

4.3 因果關(guān)系的歸因

自創(chuàng)生系統(tǒng)和機(jī)器學(xué)習(xí)系統(tǒng)在因果歸因的認(rèn)識(shí)論基礎(chǔ)上存在根本差異，揭示了它們?cè)谖镔|(zhì)和操作原則上的分歧，從而揭示了一個(gè)哲學(xué)維度。

4.3.1 自生系統(tǒng)中的機(jī)制因果關(guān)系

在自組織系統(tǒng)中，因果歸因是機(jī)制性的，并基于物質(zhì)相互作用。用于理解生物因果關(guān)系的實(shí)驗(yàn)方法——例如酵母基因敲除研究揭示了基因在糖酵解中的因果作用（例如，PGI1缺失會(huì)阻斷葡萄糖代謝）——直接操縱物理組分以觀察系統(tǒng)范圍的效應(yīng)（Kitano，2002），并且可以通過涉及電學(xué)、化學(xué)和流體動(dòng)力學(xué)等層面的機(jī)制，改變其他尺度的特征或被其他尺度的特征所改變（Levin，2019）。因果關(guān)系的認(rèn)識(shí)論與物理上可觀察和可操縱的過程緊密相關(guān)，例如通過晶體學(xué)或電子顯微鏡觀察到的酶-底物結(jié)合。

這種機(jī)械論的因果關(guān)系方法揭示了自創(chuàng)生因果關(guān)系的本體論本質(zhì)——因果關(guān)系嵌入于系統(tǒng)的物理結(jié)構(gòu)和過程中，而非依賴于觀察者的建構(gòu)。當(dāng)生物學(xué)家確定某個(gè)基因是表型的致病基因時(shí)，他們實(shí)際上是在識(shí)別物理相互作用傳播效應(yīng)的物質(zhì)途徑（Bechtel和Richardson，2010）。這些系統(tǒng)的多層次組織意味著因果關(guān)系同時(shí)在分子、細(xì)胞和生物體層面發(fā)揮作用，且各層級(jí)之間存在雙向影響。

4.3.2 機(jī)器學(xué)習(xí)系統(tǒng)中的工具性因果關(guān)系

相比之下，機(jī)器學(xué)習(xí)系統(tǒng)中的因果歸因是工具性的、事后的。研究人員采用諸如消融實(shí)驗(yàn)（移除神經(jīng)網(wǎng)絡(luò)層）或 Shapley 值（Lundberg 和 Lee，2017）等技術(shù)來近似特征重要性，但這些方法提供的只是統(tǒng)計(jì)近似值，而非揭示物理因果機(jī)制。當(dāng)機(jī)器學(xué)習(xí)研究人員將某個(gè)特征認(rèn)定為“因果特征”時(shí)，他們是在對(duì)統(tǒng)計(jì)關(guān)系做出認(rèn)知上的斷言，而非識(shí)別物理路徑。

機(jī)器學(xué)習(xí)因果關(guān)系的認(rèn)識(shí)論本質(zhì)上仍然是統(tǒng)計(jì)學(xué)的——圖像分類任務(wù)中像素的高 Shapley 值并不意味著存在物理上的因果路徑，而僅僅表明模型已經(jīng)學(xué)會(huì)利用的統(tǒng)計(jì)相關(guān)性。當(dāng)在現(xiàn)實(shí)世界中部署機(jī)器學(xué)習(xí)系統(tǒng)時(shí)，這種區(qū)別至關(guān)重要，因?yàn)閷?duì)因果關(guān)系的理解（而非相關(guān)性）對(duì)于安全有效的運(yùn)行至關(guān)重要。

5. 從進(jìn)化角度看互補(bǔ)性

盡管前幾節(jié)概述了自組織系統(tǒng)和MLS之間的根本差異，但一些有前景的互補(bǔ)途徑正在涌現(xiàn)。這些方法旨在彌補(bǔ)我們發(fā)現(xiàn)的關(guān)鍵差距——尤其是在目標(biāo)形成、物質(zhì)具身化和因果理解方面——從而為跨越這一進(jìn)化鴻溝提供潛在的橋梁。

5.1 進(jìn)化算法和開放式探索

將進(jìn)化原理應(yīng)用于機(jī)器學(xué)習(xí)設(shè)計(jì)，是朝著更具生物啟發(fā)性的系統(tǒng)邁出的重要一步。與專注于最大化預(yù)定義指標(biāo)的傳統(tǒng)優(yōu)化方法不同，進(jìn)化算法強(qiáng)調(diào)多樣性、適應(yīng)性和新解決方案的涌現(xiàn)（Lehman 和 Stanley，2011）。質(zhì)量多樣性算法和多維表型精英檔案庫（MAP-Elites）的最新進(jìn)展表明，與僅僅關(guān)注性能相比，保持行為多樣性能夠產(chǎn)生更穩(wěn)健、更具創(chuàng)造性的解決方案，從而更好地模擬生物適應(yīng)性（Mouret 和 Clune，2015；Cully 等人，2015）。

開放式進(jìn)化研究通過創(chuàng)建計(jì)算環(huán)境擴(kuò)展了這種方法，在這種環(huán)境中，持續(xù)創(chuàng)新無需預(yù)先設(shè)定適應(yīng)度函數(shù)即可涌現(xiàn)（Taylor et al., 2016）。這些系統(tǒng)通過允許發(fā)現(xiàn)新的目標(biāo)，而不僅僅是優(yōu)化預(yù)先設(shè)定的目標(biāo)，開始解決第4.1節(jié)中指出的目標(biāo)導(dǎo)向性差距。正如Packard et al.（2019）所指出的，真正開放式的人工智能系統(tǒng)需要一些機(jī)制，這些機(jī)制不僅支持優(yōu)化，而且支持不斷涌現(xiàn)定義和追求目標(biāo)的新方法——這是生物進(jìn)化固有的特性（Boden, 1998）。

然而，這些方法仍然主要在算法層面運(yùn)作，對(duì)第 4.2 節(jié)中強(qiáng)調(diào)的物質(zhì)基礎(chǔ)差距的影響有限。挑戰(zhàn)仍然是將開放式探索與物理體現(xiàn)相結(jié)合，這是起源認(rèn)知系統(tǒng)的基本要求。

5.2 具身認(rèn)知和物質(zhì)智能

彌合物質(zhì)差距的更直接方法是開發(fā)人工系統(tǒng)，其中物質(zhì)性在認(rèn)知中起著構(gòu)成性作用。除了通常在物理外殼中實(shí)現(xiàn)脫離實(shí)體的算法的傳統(tǒng)機(jī)器人技術(shù)之外，新興研究正在探索物質(zhì)屬性本身如何執(zhí)行計(jì)算功能（Pfeifer 等人，2007；Paul，2006）。

形態(tài)計(jì)算領(lǐng)域的最新研究表明，物理動(dòng)力學(xué)可以取代顯式計(jì)算，使系統(tǒng)能夠利用材料特性實(shí)現(xiàn)智能行為（Hauser et al., 2011 ; Müller and Hoffmann, 2017）。軟體機(jī)器人和可編程材料通過其固有的材料特性而非顯式編程來實(shí)現(xiàn)自適應(yīng)行為（Laschi and Cianchetti, 2014 ; Rieffel et al., 2009）。這些方法通過構(gòu)建物理結(jié)構(gòu)直接參與信息處理的系統(tǒng)，開始解決4.2節(jié)中提出的熱力學(xué)解耦問題。

挑戰(zhàn)依然在于開發(fā)出不僅能夠進(jìn)行計(jì)算，還能自我維持和再生的材料——這是自生系統(tǒng)的一個(gè)決定性特征。然而，將自生結(jié)構(gòu)“本原性地”整合到因果推理和其他推理形式中仍處于起步階段（McMillen 和 Levin，2024）。

5.3 內(nèi)穩(wěn)態(tài)調(diào)節(jié)和預(yù)測(cè)處理

主動(dòng)推理框架（Friston，2010；Friston 等，2017）提供了一種計(jì)算方法，有望將自組織自我維護(hù)與機(jī)器學(xué)習(xí)聯(lián)系起來。該框架將認(rèn)知定義為通過持續(xù)預(yù)測(cè)和更新來最小化意外（或自由能），從而為系統(tǒng)如何在適應(yīng)環(huán)境挑戰(zhàn)的同時(shí)維持體內(nèi)平衡提供了一種計(jì)算解釋。

近期在人工系統(tǒng)中的應(yīng)用表明，預(yù)測(cè)架構(gòu)可以發(fā)展出與維持系統(tǒng)生存狀態(tài)相關(guān)的內(nèi)在目標(biāo)（Baltieri 和 Buckley，2019）。尤其值得關(guān)注的是將穩(wěn)態(tài)調(diào)節(jié)直接整合到神經(jīng)網(wǎng)絡(luò)架構(gòu)中的研究。Lechner 等人（2021）展示了具有穩(wěn)態(tài)機(jī)制的神經(jīng)網(wǎng)絡(luò)，這些網(wǎng)絡(luò)能夠在適應(yīng)外部挑戰(zhàn)的同時(shí)維持內(nèi)部穩(wěn)定性，展現(xiàn)出一種原始形式的自組織系統(tǒng)固有目標(biāo)導(dǎo)向性。

這些方法通過將因果理解建立在系統(tǒng)自身的生存條件而非純粹的統(tǒng)計(jì)相關(guān)性之上，開始著手解決第 4.3 節(jié)中指出的因果關(guān)系缺口。然而，它們?nèi)匀恢饕谟?jì)算領(lǐng)域內(nèi)運(yùn)作，與物理上的自我維持聯(lián)系有限。在這方面，Kolchinsky 和 Wolpert ( 2018 ) 通過定義“語義信息”的概念取得了概念上的進(jìn)展，該概念指的是負(fù)責(zé)系統(tǒng)生存能力的香農(nóng)信息，即系統(tǒng)在自組織意義上的自我生成。然而，這一度量尚未與自我生成真正聯(lián)系起來，而是與同樣具有信息性的代理生存能力公式聯(lián)系起來。

5.4 多尺度整合與層級(jí)代理

自組織系統(tǒng)的層級(jí)結(jié)構(gòu)——其組織和調(diào)控的嵌套層次——與新興的多尺度人工智能方法有著相似之處。層級(jí)強(qiáng)化學(xué)習(xí)和多智能體系統(tǒng)的最新進(jìn)展表明，集體智能可以從不同尺度下運(yùn)行的簡(jiǎn)單智能體之間的交互中涌現(xiàn)出來（Domingo-Fernández et al., 2022）。

當(dāng)設(shè)計(jì)中各層級(jí)之間具有適當(dāng)?shù)慕Y(jié)構(gòu)耦合時(shí)，這些系統(tǒng)可以發(fā)展出類似于生物群體的涌現(xiàn)目標(biāo)和協(xié)調(diào)模式（Levin et al., 2023）。這種多尺度方法能夠?qū)崿F(xiàn)不同組織層級(jí)間的自下而上和自上而下的因果關(guān)系，從而有望解決4.3節(jié)中指出的因果歸因差距。這與進(jìn)化論的觀點(diǎn)相一致，這些觀點(diǎn)不僅關(guān)注個(gè)體選擇和合作機(jī)制，也關(guān)注群體選擇和合作機(jī)制，這些機(jī)制已被證明在生物學(xué)和文化領(lǐng)域有效（Wilson, 1975 ; Foster et al., 2017 ; Wilson et al., 2023），并且最近已被經(jīng)濟(jì)學(xué)采納為一種替代性的基礎(chǔ)范式（Wilson and Snower, 2024）。

6 討論

我們考察了自組織系統(tǒng)（生物有機(jī)體）和機(jī)器學(xué)習(xí)系統(tǒng)（MLS）之間的根本差異，重點(diǎn)關(guān)注它們不同的性質(zhì)如何影響因果認(rèn)知。我們提出，目標(biāo)是比較這些系統(tǒng)的關(guān)鍵樞紐，并探索了自組織系統(tǒng)與機(jī)器學(xué)習(xí)系統(tǒng)整合以體現(xiàn)“本源生成認(rèn)知”的潛在融合路徑。

我們的分析首先確立了人類和機(jī)器學(xué)習(xí)系統(tǒng)（MLS）認(rèn)知在功能上的相似性，以及二者之間根本的結(jié)構(gòu)差異。隨后，我們深入研究了自組織系統(tǒng)，重點(diǎn)闡述了它們的自組織特性、涌現(xiàn)目標(biāo)和多層次組織。接下來，我們分析了機(jī)器學(xué)習(xí)系統(tǒng)如何通過統(tǒng)計(jì)推斷和優(yōu)化來實(shí)現(xiàn)因果推理，并遵循外部設(shè)定的目標(biāo)。這一比較框架使我們能夠從三個(gè)關(guān)鍵維度識(shí)別出這些系統(tǒng)在因果推理方面的主要差異：目標(biāo)和因果關(guān)系的運(yùn)作方式、物質(zhì)體現(xiàn)和改進(jìn)機(jī)制，以及因果歸因的認(rèn)識(shí)論基礎(chǔ)。表4總結(jié)了這些根本性的運(yùn)作、基礎(chǔ)和認(rèn)識(shí)論差異，為理解生物因果系統(tǒng)和機(jī)器學(xué)習(xí)因果系統(tǒng)之間的演化差異提供了一個(gè)具體的框架。

表4所示的差異揭示了其對(duì)我們理解和發(fā)展人工智能的深遠(yuǎn)意義。自創(chuàng)生系統(tǒng)展現(xiàn)出遞歸的、自指的因果關(guān)系，這種因果關(guān)系根植于其運(yùn)行封閉性，其目標(biāo)源于自我維護(hù)的必然性。它們的因果推理能力通過物理重組得到提升，從而實(shí)現(xiàn)多尺度控制，物質(zhì)實(shí)體直接參與認(rèn)知過程。相比之下，多尺度系統(tǒng)（MLS）通過外在優(yōu)化和統(tǒng)計(jì)相關(guān)性運(yùn)行，其物理基礎(chǔ)保持靜止，而抽象參數(shù)則進(jìn)行調(diào)整——這導(dǎo)致能量消耗與因果改進(jìn)之間存在熱力學(xué)上的脫節(jié)。

我們的分析表明，需要將包括機(jī)器學(xué)習(xí)、自組織以及其他認(rèn)知架構(gòu)在內(nèi)的認(rèn)知架構(gòu)，與關(guān)于因果關(guān)系和能動(dòng)性的哲學(xué)問題相結(jié)合。在“從自組織到起源”一節(jié)中回顧的近期一些引人注目的例子，展示了這些哲學(xué)概念如何在生物學(xué)實(shí)例中找到具體的體現(xiàn)。異種機(jī)器人和類器官表明，群體行為如何在沒有外部編程的情況下從細(xì)胞自組織中涌現(xiàn)，這表明當(dāng)合適的組織架構(gòu)出現(xiàn)時(shí)，起源特性可以從自組織的基礎(chǔ)自然擴(kuò)展（Kriegman et al., 2020 ; Davies and Levin, 2023）。

因此，起源生成認(rèn)知研究計(jì)劃應(yīng)沿著四個(gè)互補(bǔ)的方向進(jìn)行：（1）最小起源生成系統(tǒng)——利用合成生物學(xué)技術(shù)構(gòu)建展現(xiàn)構(gòu)成性因果關(guān)系的簡(jiǎn)單化學(xué)/細(xì)胞系統(tǒng)。例如，特定組分的敏感性和魯棒性可能揭示類似因果關(guān)系的行為（Shinar et al., 2009）；（2）用于表征起源生成的測(cè)量框架——通過協(xié)調(diào)物質(zhì)和信息處理之間的相互作用來操作化目標(biāo)導(dǎo)向性。后者需要整合動(dòng)力系統(tǒng)理論中與自生成相關(guān)的概念，例如穩(wěn)態(tài)恢復(fù)時(shí)間、吸引子盆地和生存能力分析，以及解釋系統(tǒng)信息如何與其作為整體的存在相關(guān)的信息論指標(biāo)（Friston, 2010 ; Kolchinsky and Wolpert, 2018 ; Rosas et al., 2020）； （3）規(guī)?；瘶?gòu)成認(rèn)知——通過多尺度建模方法了解起源屬性如何在集體中出現(xiàn)（Szathmáry，2015）；以及（4）混合生物合成結(jié)構(gòu)——將生物材料與人工基質(zhì)相結(jié)合，以實(shí)現(xiàn)日益復(fù)雜的目標(biāo)導(dǎo)向行為（Witkowski 等人，2023；Fields 和 Levin，2022）。

然而，當(dāng)前的融合路徑面臨著諸多局限性：進(jìn)化算法在開放式環(huán)境中會(huì)遇到計(jì)算難題；物質(zhì)智能缺乏真正的自我維持能力；穩(wěn)態(tài)方法主要依賴于計(jì)算而非構(gòu)成；多尺度整合則難以應(yīng)對(duì)具身性方面的挑戰(zhàn)。這些挑戰(zhàn)并非不可逾越的障礙，而是當(dāng)前的研究前沿，這意味著突破性進(jìn)展需要超越這些單一路徑局限性的全新方法。表5總結(jié)了這些融合挑戰(zhàn)。

7 結(jié)論

人工智能的未來或許在于那些既非完全機(jī)器也非完全生命體，而是通過新型的具身化、自我維持的認(rèn)知形式來彌合進(jìn)化鴻溝的系統(tǒng)。基于此，我們建議開展一項(xiàng)旨在實(shí)現(xiàn)“自創(chuàng)生認(rèn)知”的研究計(jì)劃。這項(xiàng)雄心勃勃的研究計(jì)劃的融合路徑涉及開發(fā)展現(xiàn)真正自創(chuàng)生特性的合成系統(tǒng)——即在其模擬域內(nèi)實(shí)現(xiàn)自我創(chuàng)造、自我維持和自我邊界定義。合成生物學(xué)和人工生命的研究旨在創(chuàng)造展現(xiàn)這些特性的最小化學(xué)系統(tǒng)（Luisi，2003；Stano等人，2023）。

這項(xiàng)研究計(jì)劃的實(shí)現(xiàn)需要研究開放式演化環(huán)境中的元系統(tǒng)轉(zhuǎn)變（Heylighen， 1995）和重大演化轉(zhuǎn)變（Szathmáry，2015 ）。元系統(tǒng)轉(zhuǎn)變代表著系統(tǒng)發(fā)展出新的控制和協(xié)調(diào)水平的時(shí)刻，從根本上改變了其問題空間（Witkowski等人， 2023），并催生了新的因果推理形式。通過創(chuàng)建能夠使此類轉(zhuǎn)變自然發(fā)生的人工環(huán)境，我們可以利用日益復(fù)雜的“關(guān)懷錐”（Witkowski等人，2023）來駕馭問題空間——擴(kuò)展其能夠基于內(nèi)在目標(biāo)而非外在目標(biāo)發(fā)揮有意義的因果影響的空間和時(shí)間范圍（Deacon，2011）。關(guān)懷錐的擴(kuò)展將是邁向人工系統(tǒng)的關(guān)鍵一步，這些系統(tǒng)能夠通過真正的理解而非簡(jiǎn)單的統(tǒng)計(jì)優(yōu)化來適應(yīng)復(fù)雜、開放式的環(huán)境（Seth，2021）。正如 Fields 和 Levin ( 2022 ) 所論證的那樣，此類系統(tǒng)將通過內(nèi)在動(dòng)機(jī)驅(qū)動(dòng)的探索和基于物質(zhì)的因果推理 (Walsh, 2015 )來展現(xiàn)跨多個(gè)領(lǐng)域的能力，從而有可能改變我們對(duì)生物智能和人工智能的理解。

這一雄心勃勃的綜合表明，我們對(duì)認(rèn)知和能動(dòng)性有了新的理解，這可能使我們更接近解決身心問題，不是通過理論抽象，而是通過具體開發(fā)體現(xiàn)物質(zhì)自我維護(hù)和復(fù)雜因果理解的系統(tǒng)。

開發(fā)具有真正內(nèi)在目標(biāo)和物質(zhì)基礎(chǔ)因果理解的人工實(shí)體，會(huì)引發(fā)一系列根本性的倫理考量，這些考量必須在本研究項(xiàng)目中得到系統(tǒng)性的探討。為了在現(xiàn)有科學(xué)認(rèn)知框架內(nèi)保持分析的嚴(yán)謹(jǐn)性，本文的討論重點(diǎn)在于早期發(fā)展階段的問題，而非其他一些有趣但更具推測(cè)性的場(chǎng)景（這些場(chǎng)景已在其他文獻(xiàn)中有所探討，例如 Kurzweil，2005；Aerts 和 Argu?lles，2022；Vidal，2024）。本研究項(xiàng)目強(qiáng)調(diào)具有受限操作范圍的最小系統(tǒng)，因此需要為自修改系統(tǒng)建立全面的安全協(xié)議，以確保早期人工智能原型能夠有效地協(xié)同工作，優(yōu)先考慮漸進(jìn)式發(fā)展，并對(duì)涌現(xiàn)能力進(jìn)行系統(tǒng)性監(jiān)測(cè)。

一項(xiàng)尤為重要的倫理考量在于理解一般系統(tǒng)中經(jīng)驗(yàn)狀態(tài)背后的基本物質(zhì)-信息動(dòng)力學(xué)——這項(xiàng)研究必須貫穿整個(gè)研究項(xiàng)目的始終（Witkowski et al., 2023）。鑒于起源系統(tǒng)代表著具有潛在經(jīng)驗(yàn)?zāi)芰Φ陌胱灾鲗?shí)體，倫理規(guī)范需要根據(jù)對(duì)人工系統(tǒng)中能動(dòng)性、感知和意識(shí)的不斷發(fā)展的科學(xué)理解而持續(xù)修訂。這種迭代式的倫理框架至關(guān)重要，因?yàn)殡S著這些系統(tǒng)發(fā)展出更大的自主性和復(fù)雜性，研究對(duì)象可能擁有需要謹(jǐn)慎道德考量的經(jīng)驗(yàn)或原始感知形式。

這項(xiàng)雄心勃勃的綜合研究提出了一種對(duì)認(rèn)知和能動(dòng)性的新理解，它或許能讓我們更接近解決身心問題，而解決之道并非在于理論抽象，而在于具體開發(fā)能夠體現(xiàn)物質(zhì)自我維持和復(fù)雜因果理解的系統(tǒng)。通過開發(fā)具有真正內(nèi)在目標(biāo)和物質(zhì)基礎(chǔ)因果理解的人工實(shí)體，我們或許最終能夠彌合生命與機(jī)器之間的進(jìn)化鴻溝，同時(shí)堅(jiān)持謹(jǐn)慎且符合倫理的進(jìn)步。

原文鏈接：https://www.frontiersin.org/journals/cognition/articles/10.3389/fcogn.2025.1618381/full