AI有意识吗？——从脑机智能与脑机接口谈起

来源：澎湃新闻

2026年10月21日，浙江大学宗教哲学与艺术哲学研究所举办了一场题为《AI有意识吗？——从脑机智能与脑机接口谈起》的讲座，受到校内外广泛关注。

主讲人：祁玉，浙江大学脑与脑机融合前沿科学中心研究员、博士生导师，中国人工智能学会脑机融合与生物机器智能专委会秘书长，研究方向为脑机接口、人工智能。

与谈人：何欢欢，浙江大学哲学学院求是特聘教授。

主持人：杨昌杰，浙江大学哲学学院求是博士后。

讲座现场

引言、宏大命题的入口：AI概念的提出与意识之问

人工智能（Artificial Intelligence，AI）是否具有意识，是一个宏大的问题：意识的定义与判定标准尚无共识，AI的技术基础和能力边界则在不断变化。如果不理解机器如何获得知识、实现思考，相关讨论便容易停留在使用感受或抽象推测之中。因此，作为思考这一宏大问题的一个切入口，我们需要回溯AI如何从遐想抵达现实，在技术路径的考察中追问，通过这样的方式建构出来的人工智能，是否可能产生意识？

1955年，麦卡锡（John McCarthy）、明斯基（Marvin Minsky）等学者在达特茅斯夏季研究项目提案中提出“人工智能”概念，直至今日，其定义仍未统一——“人工”相对明确，而“智能”却难以界定。早在1950年，图灵（Alan Turing）就提供了一个测试方法：评判者通过文字交流，判断对话对象是人还是机器，如果评判者难以通过文字交流区分机器与真人，便可以认为机器在这种交互中表现出了类似人的智能。但这仍然是一种主观、宽泛的判别方式，并不能客观定义“智能”。

1955年，《达特茅斯人工智能夏季研究项目提案》首页局部，“人工智能”（Artificial Intelligence）这一名称在此提出

1956年，参加达特茅斯人工智能夏季研究项目的部分研究者

由此可见，“人工智能”并非新近出现的概念。早在其发展初期，就有《人工智能》（A.I. Artificial Intelligence，2001年）、《2001太空漫游》（2001: A Space Odyssey，1968年）等影片表达了对技术失控的担忧。彼时，这些忧虑也许和电影情节一样充满科幻意味。但随着人工智能的迅速发展，它们正变得切近而真实。不禁让人疑惑，为什么近几年，人们会如此真切地感受到这种忧虑？

一、机器如何学习：从规则推理到深度学习

围绕“智能”，人们至少有两条朴素的期待：一是拥有知识，能够掌握语言和概念关系；二是足够聪明，能完成推理、识别与判断。围绕这些问题，大致形成了三种研究取向：模拟人的心智的符号主义、模拟大脑结构的连接主义以及模拟行为的行为主义。

符号主义将知识和推理规则形式化，成为计算机能够理解的符号语言。在这一过程中最重要的是如何定义人的思考过程。经典例证是“三段论”（Syllogism）推理：从“凡人皆有死”和“苏格拉底是人”两个前提，推导出结论“苏格拉底会死”。把这一过程写成机器可以处理的形式化表达，计算机便能完成推理。早期“专家系统”（Expert System）正是沿着这一方向，尝试将特定领域的专业知识组织为可供调用的规则体系。

这条路径的困难在于，人的主观判断事实上难以被充分转化为确定的、有效的规则。比如，如何教机器认识一只猫？我们可以描述猫的眼睛、耳朵、鼻子和尾巴，但不同品种、不同姿态以及图像风格之间的差异，很难通过描述将规则穷尽。换言之，人通常能够迅速辨认对象，却未必能完整说明自身的判断依据。

但是，基于符号主义的规则系统表现出了很强的任务执行能力。1997年，IBM公司的国际象棋系统“深蓝”（Deep Blue）在比赛中击败了世界冠军加里·卡斯帕罗夫（Garry Kasparov）。这是因为，“深蓝”系统依据棋局规则，以每秒评估约两亿个局面的速度搜索可能的走法，从中选择落子方案。这种强大的计算能力足以超越任何人类棋手。

1997年，纽约人机国际象棋对抗赛现场，卡斯帕罗夫与IBM“深蓝”对弈

那么，成功完成特定任务是否就说明有意识存在？或者说，沿着符号主义的路径继续发展，AI是否可能产生意识？这个问题的答案很简单：如果意识能够被描述清楚，并转化为机器可处理的符号与规则，那么就能进一步探索其在机器中实现的可能。但问题在于，人能将意识本身描述得透彻吗？

符号主义的这种局限，也让另一条研究路径显得尤为重要，即“连接主义”，后者改变了机器获取知识的方式。研究者仿照人脑神经元相互连接的原理构建“人工神经网络”（Artificial Neural Network，ANN），让机器从数据中学习。以图像分类为例，训练者提供图片及类别标签，模型可通过调整参数学习输入与输出的对应关系，逐渐学会区分不同对象，无须由人预先写出完整、清晰的规则。

理解这一过程，可以从简单的“感知机”（Perceptron）入手。它将多个输入按不同权重加总，与设定阈值进行比较，输出0或1。例如，决定“今晚是否参加演唱会”时，天气、交通、是否有同伴都可作为输入项，权重则表示各项因素的重要程度。综合得分达到阈值，便判断为“去”（1），否则为“不去”（0）。训练时，模型根据已有的决策记录调整权重，学习不同条件如何影响最终选择。

这只是对单个神经元的模拟，接下来，还需要让多个神经元彼此“连接”，组成网络，从而让机器能学习更复杂的映射。同样是识别猫的任务，在这种技术框架下，就可以依靠图片和标签训练，而不需要依赖预先制定的描述性特征，这就像儿童在反复接触中认识动物。

但问题亦随之而来，神经网络的内部计算过程常被称为“黑箱”，即机器究竟依据哪些特征认出这只猫，往往难以完整解释。早期模型还受到训练方法和计算资源限制，研究者往往需要先做“特征工程”（Feature Engineering），提取图像、音频或脑信号中有助于判断的信息，再交由模型处理。

上述连接主义路径的发展，是2015年以前计算机科学的真实发展水平，机器学习减少了人工编写规则的工作，却仍高度依赖人的规则设计。以人脸识别为例，2015年前的系统常需要提供各种角度、灯光下的照片，即便如此，识别率仍然很差。像今天这样仅凭一张身份证照片，不受装扮、角度、光线影响的人脸识别，在当时几乎无法实现。

改变局面的是深度学习（Deep Learning，DL）。早期神经网络不能太深、神经元不能太多，层数一旦超过一定数量，训练就变得困难，相当于大脑容量有限。2006年，杰弗里·辛顿（Geoffrey E. Hinton）与合作者发表于《科学》（Science）的一项研究提出了一条思路，即把深层网络拆成若干浅层网络、逐层训练，深层网络由此变得可训练。2006到2010年前后，有关深度学习技术的理论层出不穷。

杰弗里·辛顿与萨拉赫丁诺夫2006年发表于《科学》的论文《利用神经网络降低数据维度》

深度学习真正实现了连接主义的构想，推动了“端到端学习”（End-to-End Learning）：研究者提供输入数据和目标标签，由网络学习中间表征。此前的人工设计特征受限于人的经验，而数据驱动的方法则能发现对任务更有效的特征，也拓展了脑信号等复杂数据的分析手段。

语音识别技术的变化也颇为直观。2000年左右的系统需要先采集使用者的声音、记住声音模板再进行逐字匹配，语调、语速、口音变化都会影响识别结果。而如今的语音识别系统对陌生使用者的语音也有较强适应能力。图像领域亦是如此，模型可以迁移绘画风格，也能描述画面中的对象及其关系。

我们由此看到了机器学习能力的显著提升，但“能够学习”和“具有意识”之间究竟存在怎样的关系，仍然值得追问。

二、从学习到理解：大语言模型和脑机探索

AI发展到深度学习阶段已足够令人震撼，大语言模型（Large Language Model，LLM）则将“机器能否理解”的问题推至眼前。

机器翻译是计算机科学长期探索的一项任务，也是理解大语言模型技术演进的重要线索。翻译的难点在于结合上下文确定词义、处理语序差异等。早期一些神经机器翻译模型，会先把整句原文压缩为固定容量的内部表示，再据此生成译文。这类似读完原文后，仅凭一份有限的摘要完成翻译，句子越长，越难保留全部信息。

关键的技术转折是“注意力机制”（Attention Mechanism）的引入。过去，模型像是读完原文后，仅凭一份摘要完成翻译；有了注意力机制，它便能在生成不同词语时，重新利用原文中相关的信息。这如同翻译者不断回看原文，随时寻找理解当前语句的线索。Transformer就是一种以注意力机制为核心的神经网络架构。它能够结合上下文中不同位置的信息，学习词语之间的关系，为许多大语言模型提供了技术基础。

架构搭建起来，新的问题是如何训练模型。研究者采用的路径是，先读大量文本，学习语言的一般规律，再通过专门训练，适应问答、分类等具体任务。这两个阶段分别称为“预训练”和“微调”，正如儿童先在日常接触中学会说话，再进入学校学习知识。2018年提出的BERT便沿着这条路径展开训练，它需要做两类练习：一类近似英语考试中的“完形填空”，根据上下文补出被遮住的词；另一类判断两段文字是否在原文中前后相接。此时，大语言模型已经可以训练，其发展也变得非常迅速。

我们熟知的GPT（Generative Pre-trained Transformer，生成式预训练Transformer）初代也在此时出现，它以预测后续词语为主要训练任务，即根据给定的文字，学习接下来怎样写。随着模型训练数据规模的扩大，这种看似简单的练习逐渐训练出强大的文本生成能力。2022年，InstructGPT（ChatGPT的前身）进一步引入人类示范和反馈，让模型从顺着文字“接着写”，走向依照人的要求作答。人与机器的交流，也因此变得更加自然。

此时，图灵测试重新受到关注：在特定实验条件下，一些大语言模型已经能使参与者难以将其与真人区分，然而是否能据此判定AI已经拥有了意识？

2024年，诺贝尔物理学奖授予辛顿与约翰·霍普菲尔德（John J. Hopfield），以表彰他们为利用人工神经网络开展机器学习所作的奠基性贡献。辛顿这位人工智能先驱，也始终警惕着技术发展可能带来的风险。2025年10月，在接受《乔恩·斯图尔特每周秀》（The Weekly Show with Jon Stewart）访谈时，辛顿提出：当前的AI系统或许已经具备某种初级意识，但人类对意识本质的误解，导致AI本身也无法认识到这一点。而在2026年6月的一档访谈节目《大科技播客》（Big Technology Podcast）中，辛顿更是将AI描述为一种“新的物种”（new being）。这一判断也提醒我们，技术的发展正不断拓展问题的边界。

2025年10月，杰弗里·辛顿（右）接受乔恩·斯图尔特（左）采访 讨论人工智能与意识问题

2024年诺贝尔物理学奖获奖者海报，约翰·霍普菲尔德（左）与杰弗里·辛顿（右）

计算机是否已经具备了某种形式的初级意识，我们不得而知。这一问题始终绕不开对意识的界定，似乎把问题再次抛给了哲学。

但技术的发展仍能为这一问题提供一些线索。为什么大语言模型使意识问题变得迫近？是什么带来了AI能力的跃迁？算力早已达到相应水平，是语言的介入开启了这种跨越。语言，是从概念通往知识的桥梁，而机器学习的目标正在于建立概念和理解概念。大语言模型通过提升网络和数据规模，驱动模型“理解能力”提升。

那么，今天的AI究竟是真正理解概念，还是靠海量数据做出统计模仿？论争双方都提出了自己的证据。

倾向“AI是统计模仿”的证据是，AI对具体概念掌握得较好，对抽象概念把握则不足，越抽象越薄弱。这使人怀疑，AI所表现出的理解，在很大程度上依赖训练数据中的统计规律。

支持“AI能真正理解”的证据，来自神经科学与模型表征的对照。关键发现是脑-机概念网络结构的相似性，如2022年的一项研究发现，当大语言模型参数量足够大时，它对各概念的表征方式与人脑高级视觉皮层中形成概念关系的表征已经相当相似。而2025年的一项研究，在表征与行为层面都观察到模型与人之间显著的相似性。值得注意的是，训练过程并没有要求大模型要向人靠近，它却在概念层面自然涌现出与人相近的表征。

人脑与人工智能模型的表征相似性研究，（左）大语言模型表征与人脑视觉活动的对应关系（右）物体概念表征的实验设计及模型、人类行为与脑活动的比较方法

顺着“让模型更像人”这一思路，脑机智能领域的研究者选择直接从大脑表征中学习。在实验中，祁玉老师的团队会采集人观看各类图片时的脑信号，让计算机据此重建对应的图像与语义。2020年前后，图像重建效果初现；到2024年，重建图像已经越来越相近。随后研究从图像重建转向文本与语义层面的描述，到2026年，语义重建的效果已经相当不错。

有了大脑对概念的表征之后，下一步是让大模型的概念表征与大脑对齐，并在训练中加入向人靠拢的要求。研究者发现，只需在150个具体概念上进行脑-机对齐，训练的效果就可以泛化到训练集之外的概念。对齐所需的概念之后，模型对新概念的组织也呈现出与人类相似的层级关系，甚至出现与英语词汇数据库（WordNet）相似的概念结构。

从符号主义的规则推理，到连接主义借助神经网络从数据中学习，AI的探索已取得可观成果。但这是否意味着人工智能研究已接近终点？下一步又在哪里？这些追问引导我们来到第三条路径——行为主义，即在与环境的交互中学习。

“强化学习”（ReinforcementLearning，RL）是实现这一思路的重要方法：让机器在不断尝试中，根据环境反馈调整行动。许多技能难以仅凭概念和定义掌握，正如学骑自行车，听懂要领并不等于学会骑行，还需要亲自尝试，在一次次调整中找到平衡。对智能而言，从实践中学习同样不可或缺。

这也引出了当下备受关注的具身智能（Embodied Intelligence）：通过身体的感知与行动，在与环境的交互中形成和发展智能。这一方向已有多年的研究积累，而新一轮AI的发展，又为它打开了更广阔的空间。至于这些探索最终能够走多远，目前仍难预设。

三、佛学视角的回应

何欢欢老师从佛教哲学的视角，接续了关于人工智能意识的讨论，将目光进一步引向技术背后有关人的问题。

近期，美国AI巨头Anthropic公司秘密召集全球宗教学者与神职人员，向其宣扬AI模型Claude具有意识的主张。这一做法也引发了许多质疑：强调AI自身的意识与道德地位，是否会使人们忽略AI背后的开发者与企业的责任，将技术造成的社会伤害归于机器本身？

从对AI发展脉络的梳理中，我们似乎又可以发现哲学的空间：在AI时代，哲学至少可以先界定和讨论“意识”是什么。例如，在佛教的脉络里，意识有一套细致的划分：眼、耳、鼻、舌、身、意，每个感官各有其识，还有末那识和阿赖耶识对这些意识加以调控。人们需要在技术的洪流中，借哲学之思来厘清前路；而从科技的维度，我们在使用AI的同时，也更需要去理解AI是什么。

至于另一个问题或许可以这样问：AI应不应该有意识？“有意识”意味着思辨能力，是一种好处，但也可能带来许多科幻作品描写过的负面后果。人们希望孩子、宠物是有意识的，却很少以“有意识”的方式期待一件工具，如果AI被定位为工具，它该不该有意识，同样值得追问。

如果认为AI有意识，还会牵涉到AI是否会成为膜拜对象。不同宗教对这一问题的理解各有其思想背景。天主教关于人按上帝形象受造的观念，使其尤为重视人的尊严与独特性。伊斯兰教、基督新教等传统，也会从各自的教义出发理解人与AI的关系。佛教讲缘起性空，世间万物由各种因缘条件相互和合而成，并不存在造物主，也没有固定不变的灵魂、本质或意识，因而对AI这样的“新物种”的态度更为开放。特别是，佛教关于识相续与转世的讨论，可以为这一问题提供另一种思考背景。器官移植在医学上已不鲜见，意识能否被保存、复制或移植，却仍是充满科幻意味的设想。因此，对人、神、机器之间的关系持相对包容态度的佛教、道教等东方宗教，在一定程度上也更易受到AI研究者和热爱者的欢迎。

结语

从机器如何学习、如何理解，到AI是否可能具有意识，技术的发展让古老的问题有了新的面貌。这场对谈不仅没有给出确定答案，还使问题变得更加复杂：

那么，AI能成佛吗？