BRAIN / BRAIN × AI20 SEP 2026
脑科学与AI66｜飞机不扇翅膀，但得先懂空气动力学：为什么要从大脑学智能
这一篇合并"智能的计算基础"系列开头的第 001 到 012 篇，回答这个系列、也是我们"脑科学与AI"系列最根本的问题：AI 已经这么强了，为什么还要回头研究大脑？
"飞机不用扇翅膀"这句话常被用来说明 AI 不必模仿大脑。但它有被略过的下半句：莱特兄弟能造出飞机，是因为先有人弄懂了升力从哪来。不照抄大脑的样子，不等于可以不懂智能的原理；而我们今天对大模型，恰恰是"能飞，但说不清为什么能飞"。
3条路 01 数理逻辑、符号主义、神经网络 |
2022 02 NeuroAI白皮书引发的争论 |
2个视角 03 计算看齿轮，进化看来历 |
前面十几篇（第 51 到 65 篇）讲了神经元、突触、基底节、小脑、海马、脊髓。这一篇退一步，看整张地图：智能是什么、怎么测、AI 走过哪些路、为什么大脑还值得学。
飞机和鸟一起在天上。飞机不扇翅膀，但它和鸟遵守同一套空气动力学。图片来源：Stephen Leonardi / Pexels
理解智能的两个视角：计算视角拆开看齿轮（它怎么算），进化视角追问它为什么长成这样（它从哪来）。AI 走过三条路：数理逻辑、符号主义、神经网络。
BRAIN / 01
一、智能是什么：至今没有统一定义
原文第 005 篇坦白：研究了这么多年，"智能"的定义至今没有共识。它包含太多东西：推理、记忆、学习、创造、理解情绪……
一个比较能用的定义，来自 DeepMind 联合创始人 Shane Legg 和 Marcus Hutter：智能是一个主体在各种各样的环境里实现目标的能力。关键词是"各种各样"——只在一种环境里很厉害，不算真正的智能。
原文给了几个"不太聪明"的例子：一种掘土黄蜂，捕到毛毛虫后会先放在洞口，自己进洞检查一遍，再出来拖进去。如果实验者趁它进洞时把毛毛虫挪开几厘米，它出来会把毛毛虫拖回洞口，再进洞检查一遍……可以无限循环。固定的程序，遇到程序没想到的情况就卡住了。这正是"智能的下限"。
（顺带一提：这个黄蜂故事流传很广，但后来的观察发现，并非所有黄蜂都会无限循环，有些重复几次后就不检查了。它更适合当比喻，不宜当铁的事实。）
BRAIN / 02
二、怎么测一个系统聪不聪明
—算得快不等于聪明。计算机算数比人快几百万倍，但遇到程序员没预想到的情况就束手无策。—ARC 测试：2019 年 François Chollet 提出，给几个例子，让系统自己找出规则，再用到新题上。人类做起来很容易，AI 长期做得很差，近两年才有明显进步。—莫拉维克悖论：对人难的事（下棋、证明数学题）对 AI 反而容易；对人毫不费力的事（走路、抓东西、看懂一个场景）对 AI 反而难。第 65 篇讲的"走路不用大脑逐条指挥"，正是这类"不费力"的本事有多深。
BRAIN / 03
三、AI 走过的三条路
原文第 009、010 篇讲了 AI 的历史，可以归成三条路：
—数理逻辑：从莱布尼茨、布尔到图灵，把思考变成符号的推演；—符号主义：把人类的知识写成规则（"如果……那么……"），专家系统是它的高峰，也是它的天花板——规则写不完；—神经网络（联结主义）：不写规则，让机器从数据里自己学。它经历过两次"寒冬"，直到 2012 年前后靠显卡和大数据爆发（第 ㊿ 篇讲过"硬件彩票"）。
今天的大模型，是第三条路走到现在的结果。
BRAIN / 04
四、AI 还要不要向大脑学？一场至今没吵完的争论
原文第 007 篇记录了 2022 年 10 月的一场争论：Bengio、LeCun 等一批顶尖学者联名发表白皮书，主张下一代 AI 需要回到神经科学，重点是动物那种感知、运动、和环境互动的能力。两天后，DeepMind 的研究员 David Pfau 公开反驳：Transformer 和今天常用的训练方法，发明者未必读过神经科学论文。
争论后来转向一个更根本的问题：智能是不是必须模仿生物，还是可以走一条完全不同的路？
原文第 007 篇引用了一句 Hinton 的话："Transformer 架构足以在 5 年内产生类人推理能力。"这句话我没能找到可靠的出处，读的时候不要当成 Hinton 的原话。
BRAIN / 05
五、作者的立场：飞机的下半句
原文第 008 篇给出了作者的立场，也是这个系列最值得记住的一段：
人们常说"飞机不扇翅膀"，来证明 AI 不必模仿大脑。但这句话的下半句是：莱特兄弟之前，已经有人弄明白了空气动力学——升力从哪来、机翼为什么要那个形状、失速是怎么发生的。不照抄鸟的样子，不等于可以绕过飞行的原理。
今天的大模型更像一架"能飞，但说不清为什么能飞"的机器。说不清，就很难放心地把它用到更多地方，也很难知道它会在哪里失速。理解大脑，是为了理解智能的原理，而不是为了照抄大脑。
BRAIN / 06
六、两个视角：齿轮和来历
原文第 001、002、012 篇提出，理解智能要同时用两个视角：
—计算视角：把机器拆开看齿轮——它是怎么算的？（本系列第 57 篇的小脑、第 58 篇的海马，都是这个视角。）—进化视角：它为什么长成这样？——工程师先定义问题，再设计方案；进化从来不定义问题，它只是不断试错，留下活下来的。所以大脑里很多设计不是"最优解"，而是"历史留下来的、够用的解"。
原文第 012 篇引用了加拿大神经科学家 Paul Cisek 的方法：从最简单的生物开始，一层层看每一个新机制是怎样在旧机制上叠加出来的。这正是第 ㊼ 篇《智能简史》的思路，也是第 65 篇"高层叠加而不取代底层"的道理。
还有一个有意思的起点：行为本质上是一个负反馈回路。单细胞生物营养不足时就动，动到营养够了就停。动机、目标、价值，都是从这个最原始的回路一步步长出来的（第 ㊻ 篇讲的"代价"、第 55 篇讲的多巴胺）。
BRAIN / 07
七、整张地图
把"智能的计算基础"这 46 篇和本系列对应起来：
—动作控制：第 64、65 篇（反射、脊髓节律、姿势）；—选择和价值：第 51、55 篇（基底节、多巴胺）；—记忆和地图：第 58、59、60 篇（海马、嗅觉、导航）。
原系列还在继续更新，后面会讲到皮层、视觉、语言、意识。出一篇，我们跟一篇。
BRAIN / 08
八、边界
—原文第 007 篇引用的 Hinton"5 年内产生类人推理"一语，未找到可靠出处。—黄蜂无限循环的故事是经典例子，但实际观察结果并不如故事那么整齐。—"AI 需要向大脑学"是一种立场，不是定论；本系列的态度是：学原理，不照抄样子。
BRAIN / 09
九、自测：合上文章回答
—Legg 和 Hutter 怎样定义智能？关键词是什么？
BRAIN / 10
十、三行，留着复习
```
智能是什么 在各种环境里实现目标的能力（Legg、Hutter）；固定程序遇到意外就卡住；莫拉维克悖论
为什么学大脑 飞机不扇翅膀，但先有人懂了空气动力学；大模型能飞却说不清为什么；学原理不照抄样子
两个视角 计算视角看齿轮，进化视角看来历；进化不定义问题，只留下够用的解，高层叠加在底层上
```