笔记：智能简史
从多细胞动物到当今人类
原文：Notes: A Brief History of Intelligence
Sarabet｜scyy.fi｜2025.08.31
这是一本关于“智能如何被实现”的大视野之作，将人工智能的突破与既有神经科学研究加以综合。
我尤其喜欢在照看5个月大的女儿间隙读这本书，看着一个心智正在成长，再去思考这些问题。你可以看我筛选后的摘要，也可以直接去买书，沉浸在对“智能如何被实现”这一史上最有趣问题之一的探寻中。读起来就像和一位极其健谈有趣的朋友共度周末。
作者说自己只是个“随机的家伙”，对这个问题产生兴趣，拼凑出答案，而不是开辟新天地的人。（虽然在满足好奇心的过程中，他也发表过一些研究论文。）他把智能的发展脉络，从最早的多细胞动物到当今人类，分为五个突破点：
- 驾驭（Steering）
- 强化（Reinforcing）
- 模拟（Simulating）
- 心智化（Mentalizing ≅ 心智理论）
- 语言（Language）
这五个都很有意思，但因后两个已有较多研究覆盖，我的笔记主要聚焦前面三个。
⸻
驾驭，6亿年前：珊瑚 vs 线虫
24亿年前，有个细菌攻克了光合作用，引发“大氧化事件”。在此之前，生命大多靠厌氧呼吸存活。光合生物能制造并储存糖分，于是变得“美味”。以前的细菌营养价值太低，不值得猎食；光合生物的出现，让捕食有了意义。这推动了效率更高的有氧呼吸。
动物和真菌这两个多细胞“呼吸分支”（相对于光合分支）走了不同道路：真菌等着含糖的生命死去，再通过外部消化分泌酶来分解；动物则发展出一个奇怪的“口袋”。
口袋带来了新的含义。
通常，其他生物可不想进你的口袋。它们甚至会主动避开任何可能导致“进袋”的迹象。所以，一旦猎物靠近，你这个“口袋拥有者”需要反应迅速而精准，而不仅仅像植物或真菌那样被动反应。于是你需要能快速收缩的肌肉，以及能触发这些肌肉的神经元（既有抑制性的，也有兴奋性的），从而实现逻辑判断：“当你在这儿感觉到触碰，就放松这些肌肉，收紧那些肌肉，并张开嘴。”
如果你是辐射对称动物，比如水母或珊瑚虫，你只有口袋、肌肉和神经。而如果你拥有两侧对称的身体计划，你的口袋就是一根管子。
你会注意到，动物界里两侧对称的身体计划占据优势。因为它更适合“驾驭”。辐射对称的动物不擅长捕猎，它们需要能同时朝各个方向感知并移动；而即便是简单的“前端有传感器的双边管子”，也能导航、找食物、躲捕食者。汽车和扫地机器人也是这种设计，前端有传感器的双边对称框架。
只有两侧对称动物才有大脑，这强烈暗示大脑诞生是为“驾驭”服务的。
以线虫为例——我们猜测它和6亿年前埃迪卡拉纪最早的“有脑动物”类似。线虫通过嗅觉快速找到食物，只需两条规则：
- 如果食物气味增强，继续前进。
- 如果食物气味减弱，转向。
（线虫对光、冷、热、尖锐表面也遵循同样两条规则。）
扫地机器人也是这个逻辑。活物只靠这两条规则，就能走很远。
那为什么线虫需要大脑，而珊瑚不需要？除了协调大量肌肉之外，更重要的是，它需要一个“中央站”来整合各种“投票”。
线虫讨厌光，但喜欢食物。它要把这些相反因素加总，得出最终的“舵向”。
等等，它还能做得更妙！
如果线虫吃饱了，它会避开二氧化碳；饿的时候，则会朝二氧化碳靠近。因为二氧化碳既可能来自食物，也可能来自捕食者——饱了就没必要冒险，饿了就值得一试。动物细胞在饱或饿时释放不同化学物质，弥漫全身，提供一个“全局信号”。于是它能根据内在状态调整外部刺激的“价性”（valence）。
所以，要实现“驾驭”，我们需要：
- 两侧对称的身体计划
- 把刺激分类为正/负价性
- 一个能加总各种价性投票的大脑，输出唯一的舵向
- 依据内在状态来调节价性
⸻
情绪
结果发现，在“驾驭”的过程中，我们顺带获得了“情绪”的基础。
情绪在整个动物界的两个普遍特征是：价性（valence）和唤醒度（arousal）。对于一个需要驾驭的生物，这意味着：
- 高唤醒 + 正价性：游得慢，频繁转弯——利用
- 高唤醒 + 负价性：游得快，很少转弯——逃避
- 低唤醒 + 正价性：静止不动——满足
- 低唤醒 + 负价性：抑郁
这种二维情感空间的位置，被称为“情感状态”（affect）。对线虫而言，它回答两个问题：“我要留在这里还是离开？”“我要消耗能量移动还是停下？”
有趣的是，情感状态会在刺激消失后持续存在。对驾驭来说，这是必要的。因为食物或捕食者的气味并不会形成完美的梯度。情感状态的持续性可以避免一个失败模式：只要水流暂时遮挡了信号，你就停止移动。
连扫地机器人都懂这一点——遇到一片灰尘时，它会清扫周边，即便灰尘已经不再被检测到。灰尘往往意味着附近还有灰尘。
前三种情绪状态直观易懂：找到好东西、逃避捕食者、消化时休息。但为什么线虫需要“抑郁”？它已经有“不怎么动”的状态了。原来，从急性压力（高唤醒负价性）到慢性压力（低唤醒）是一种“省能黑客”。当刺激无法逃避时，线虫在大约30分钟后就不再试图逃跑。
⸻
多巴胺与血清素
情感状态由神经调质生成，其中最著名的是多巴胺（dopamine）与血清素（serotonin）。在线虫中，它们几乎完美对应情感空间：多巴胺在检测到食物时释放，血清素在食物进入体内时释放。它们分别是“好东西就在附近”的化学物质与“好东西真的发生了”的化学物质。
这一抽象对非线虫也依然成立。关于多巴胺我已熟知，但对血清素我曾感到无能为力。
血清素在奖励被消耗时释放，触发低唤醒，抑制进一步追逐奖励。如果人为提高大鼠的血清素水平，它们会停止进食，更愿意延迟满足。（延迟满足更多见于哺乳动物部分再谈。）血清素还能降低大鼠在进食时的喜悦和厌恶表情。
这也符合血清素的进化起源：它就是“满足/现在一切安好”的化学物质。
当线虫处于慢性压力时——即负性刺激持续太久，它从高唤醒切换到低唤醒——除了肾上腺素等压力激素，它还会重新获得血清素，来关闭价性、降低唤醒。结果就是“有压力但情绪被削弱”，这听起来很像麻木或抑郁。
这也解释了我一直的困惑：为什么血清素与抑郁症的关系如此复杂。虽然肯定还有更多机制，但仅此一点就能解释，为什么血清素有时能缓解抑郁，有时却无效。
相对的，多巴胺增加会让大鼠冲动地利用任何眼前的奖励，甚至狂吃它们并不想要的食物——同时还会做出“讨厌”的表情。若摧毁大鼠的多巴胺神经元，它们会在食物旁饿死，不去尝试进食，但当你把食物塞进它们嘴里时，它们仍会露出“幸福”的表情。
人类若获得一个按钮能直接激活自己的多巴胺神经元，就会疯狂按下去，事后形容那感觉就像“永远在高潮前积累，却永远无法到达高潮”。
联想（Association）
除了情感状态（affect），驾驭还带来另一件东西：联想。
巴甫洛夫（Pavlov）发现狗在尝到食物之前就会分泌唾液时，其实研究的本意是消化。他本想排除这些“干扰”，以便测量狗在不同食物下分泌的唾液量。结果却发现，这几乎不可能——狗会对任何与食物相关的东西形成不由自主的联想。
线虫同样会发展条件反射。它们能学会把新的事物与食物、捕食者或毒素关联起来——比如，一旦把某种原本中性的气味和食物联系起来，它就会朝那个气味移动。而大多数非两侧对称动物不会这样。似乎“价性”一旦出现，“改变价性”的能力也随之而来。如果你会“驾驭”，你在进化上就有动力根据经验调整决策。
如果你不需要驾驭，学习环境中的关联就没什么意义。 这，就是学习的最初开端。
⸻
强化，5.3亿年前：线虫 vs 鱼类
在某个时刻，我们类似线虫的祖先进化出第一条脊椎动物——一种鱼类——并与无脊椎动物分道扬镳。
鱼类能够通过试错学习来掌握任意一串动作（例如走出迷宫找食物）。它们会采取随机动作，再逐步强化带来奖励的动作。那么，鱼脑做了线虫脑做不到的什么？
事实证明，鱼脑完成了人工智能在1994年下西洋双陆棋（backgammon）时的同样突破。这次突破是算法/架构上的，而不是算力/数据/参数上的。它叫作时间差分学习（temporal difference learning, TD learning），比以往更优雅地解决了信用分配问题（credit assignment problem）。
信用分配问题是：当某件好事或坏事发生时，你如何知道该把它与环境中的哪些线索联系起来？
线虫的办法很粗糙：它只会在以下情况下学会“刺激X与刺激Y有关”：
- X发生在Y之后的一秒之内
- X很强烈
- X不熟悉
- 还没有其他预测线索与Y关联
而鱼脑和最早的优秀AI用的方法完全不同。
在训练AI玩西洋双陆棋时，奖励——输赢——发生在最后。你不能像线虫那样，只奖励最后一秒的动作；也不能因为算力原因，对每一步都给奖励。那该奖什么呢？
诀窍是设置“演员（actor）”和“评论家（critic）”两个子系统。评论家随时预测获胜的概率，演员决定采取何种动作。被奖励的是“当前预测获胜概率与过去预测概率的差值”。这就是TD学习的“时间差分”。当AI的演员子系统做出一个好动作，把棋盘状态推到更有希望的位置时，评论家识别到并立即奖励这一步。
听起来有点循环论证——因为在训练初期，演员只是乱走，评论家也不知道什么是好局面。但同步训练有效。这个方法应用到西洋双陆棋时，AI通过自我对弈，自主发现最佳走法，最终远超之前模仿人类专家的AI。
（它必须自我对弈；一开始就和强手下，它学不到东西。）
⸻
为什么认为鱼脑在做TD学习？
第一，因为我们找到了“演员”——基底神经节（basal ganglia, BG）。与大脑很多模糊不清的区域不同，BG结构在脊椎动物中高度一致。它接收来自大脑其他部分的输入（动物的动作与环境），经过处理后传递到输出核。输出核由抑制性神经元组成，连接到运动中枢。
BG的大多数时候都在抑制动作，只有当特定神经元关闭时，某个运动回路才会“解锁”。这就是在选择下一步的唯一动作。
第二，因为我们发现脊椎动物对多巴胺做了轻微“改造”，让它对应于“奖励的时间差分”。在猴子实验中，当它们得到提示、预期糖水时，多巴胺反应既不对应于愉悦本身，也不对应于糖水、或意外惊喜。它清晰对应的是：当它们预测的未来奖励比刚才更高时，多巴胺被释放。它对奖励时间（5秒后还是20秒后）、奖励概率、奖励强度都很敏感。
为了让强化学习运作，强化（reinforcement）和奖励（reward）必须解耦。而多巴胺成为了强化的信号。
- 对线虫来说，多巴胺只意味着“好东西在附近”。
- 对鱼来说，多巴胺被进化成传递TD学习信号。
⸻
失望、释然与时间
线虫没有“惊讶”，因为它们不会预测未来的奖励。鱼会预测，所以能体验“失望”（预期的好事没发生）或“释然”（预期的坏事没发生）。
鱼类能通过“预期的好/坏事的缺席”被训练，而线虫只能靠联想，不能靠预测。
TD学习的另一个结果是：脊椎动物获得了时间感。预测需要时间标尺——看到一个线索后，好事或坏事多久发生？能测量这个“多久”很有用。
⸻
模式识别
鱼脑还能做线虫不能的事：模式识别。
模式识别包括嗅觉识别，这其实相当复杂。一个气味并不是某个嗅觉神经元单独触发，而是某个特定子集的神经元一起触发。
判断盘子太烫，只需个别神经元放电；但识别人脸、声音、气味，需要模式识别。计算挑战有两点：
- 区分（discrimination）：如何区分捕食者、食物和配偶，哪怕它们触发重叠的嗅觉神经元？办法是进行大规模维度扩展，让庞大的神经网络层接收来自较小感觉层的输入。
- 泛化（generalization）：如何把略有差异的东西认作同一现象？靠赫布学习（Hebbian learning，“一起放电，就连上线”），让不完整的模式能在皮层中激活完整模式。这叫“自联想（auto-association）”。
赫布学习足以处理嗅觉泛化，但视觉/听觉的泛化是另一回事。输入的变化幅度要大得多。鱼能把不同角度的青蛙认作同一只青蛙（尽管书里没说鱼是否一眼就能做到）。
自联想无法解决这个问题。它永远不能把不同角度的新物体认出来。我们至今不知道脊椎动物大脑是怎么做到的。
卷积神经网络（CNN）在某种程度上能做到。作者认为关键在于：CNN内置了平移不变性假设——即图像中某个物体即便换了位置，仍是同一个物体。硬编码这种假设，能让算法表现更好。
这种先验假设被称为归纳偏置（inductive bias）——当多种解释可能时，它会让算法更倾向于学习某一种模式。
寒武纪大爆发（The Cambrian Explosion）
把镜头再拉远一点—— 在寒武纪，脊椎动物的感觉器官出现了爆发式的发展——不仅多样性大幅提升，能力也全面跃升。
模式识别的发展提高了感觉器官的价值，反之亦然，因此它们以极快的速度共同进化！而二者与强化学习（学习任意动作序列）之间又有大量协同效应。于是，寒武纪出现了一种“失控式选择”：两个（或更多）特征会突然让彼此变得更加有用。所有这些变化发生得非常快。
⸻
好奇心（Curiosity）
如何让一个正在进行强化学习的系统不仅会“利用”（exploit），还会“探索”（explore）？过去我们只是让在学习的AI按一定比例随机采取动作，但更好的做法是：把惊讶本身设为可被强化的东西。
在鱼类和其他脊椎动物中，“惊讶”本身就会触发多巴胺释放。于是：好奇心是那些能够进行强化学习的动物的属性。线虫没有好奇心；鱼有。
⸻
空间地图（Spatial maps）
关于鱼与线虫的最后一点：鱼类海马体（hippocampus）中的某些神经元（“位置细胞（place cells）”）只在鱼处于空间中的某个特定位置时才会激活。鱼可以从变化的起点导航到同一地点（例如去拿食物）。线虫不会这样做，蚂蚁也不会。这基本上是脊椎动物的能力。
这就是空间地图，也是第一个世界模型！！借此，动物可以区分“有什么东西正朝我游来”和“我正朝某个东西游去”。
⸻
模拟，2亿年前：犬齿兽（cynodonts） vs 鱼类
什么是犬齿兽（cynodonts）？ 大约在3亿年前，羊膜动物（amniotes）——一种会产卵的“蜥蜴类”——登陆。它们不是第一批上岸的（昆虫早就在陆地上），但非常成功，分化为爬行动物和恒温的兽孔类（therapsids）。
恒温代价高，但也意味着兽孔类可以在夜间捕猎——那时爬行动物昏昏欲睡、容易成为猎物。它们一度成为最成功的谱系。
大约在2.5亿年前，一系列火山爆发让世界变得不适宜生存。对恒温动物打击最大，它们大多灭绝了。爬行动物开始统治。主要幸存的兽孔类谱系，是我们的祖先犬齿兽，一种打洞的生物。它变得很小——大约10厘米长。它是所有哺乳动物的祖先。
看看这小家伙。它即将发展出新皮层（neocortex）——这是大脑的一个新部件，而非对既有部件的升级。
⸻
新皮层柱（The neocortical column）
新皮层很奇特。视觉皮层处理视觉输入；听觉皮层处理声音；还有负责运动、音乐、语言的区域。人们曾经困惑：作为整体的新皮层到底在做什么？
我们可以简化这个问题，因为新皮层是由一个重复且复制的微电路构成的——新皮层柱（neocortical column）。它是一根六层的神经元“柱”，内部彼此高度连接，但与其他柱的连接并不多。这些柱在新皮层各处看起来都一模一样，却能做非常不同的事：有的柱只“监听”老鼠的一根胡须，有的柱只选择特定频率的声音。第五层里总有一种特定类型的神经元，总是投射到区域X和Y；第四层里总有直接从Z获得输入的神经元，等等。它被预先布线来执行某种特定的计算。
所以，与其问“新皮层在做什么”，我们不如问：这个电路在做什么？
答案更容易：它会模拟接入它的任何输入。
就像生成式人工智能（generative AIs）所做的那样。
⸻
生成式人工智能（Generative AIs）
识别与生成之间存在强关联。第一个成功对手写数字进行分类的AI——注意，它从未被告知“有10个数字”或“它们应该长什么样”——之所以成功，是因为它在“两端”之间切换：一会儿“接收一个真实的‘7’并重构它”，一会儿“生成一个它能识别为‘7’的图像”。它不停在识别与生成之间来回流动，让二者对齐。
尽管AI此后演进很大，但（很多？多数？）生成式模型依然靠自己生成数据，再把生成数据与真实数据对比来学习识别。
我们可以称这个过程为想象（imagination）。
我们相当确定，新皮层电路实现的是一种生成式模型——当你真的看到一个气球，或仅仅想象看到一个气球时，激活的是同样的神经元。感知与想象在生成式AI和新皮层中都不可分割。只有哺乳动物和鸟类——它们似乎具备想象力——才有快速眼动睡眠（REM）（以及在剥夺睡眠时出现的幻觉），这是一种不受真实感觉输入约束的生成过程。
你大概了解“知觉推断（inference）”：当图像中只隐约暗示某个熟悉形状时，你仍能“看见”它，而且很难“看不见”了。如果同一张图还暗示另一种形状，你不可能同时看见两者，因为你所感知到的是大脑从感觉数据推断出的模拟，而它一次只能模拟一件事。
事实上，AI（或人）无法同时进行“模拟与识别”，因为它们使用的是同一套电路！在想象的人会屏蔽掉大量感官输入；而专注于外界的人则很难进行想象。
理解新皮层中的生成式模型的一个方式是：它在渲染你的环境模拟，以便先于事件发生做出预测。新皮层持续把真实感觉数据与其模拟所预测的数据进行比较。这就是你能立刻识别周围任何“意外”的原因：你注意到的是模拟与现实之间的差值（delta）。
在AI语境中，生成（比如生成同一张脸在多个角度的图像）常被视为实现识别的手段。但在动物中，识别对于没有新皮层的鱼类都不算难，而模拟只有在这块新硬件出现后才可能。
既然识别不需要新皮层，就意味着新皮层的用途是实现模拟。
⸻
替代性试错（Vicarious trial and error）
有了“模拟”，你能做什么？大事就是替代性试错。
当老鼠在迷宫的决策点左右摇头时，你可以看到老鼠海马体中的位置细胞像老鼠身处不同地点一样闪烁。
……特定的海马体神经元编码特定的位置。对鱼来说，这些神经元只在鱼真的处于被编码的位置时才会活跃——但当Redish与Johnson记录老鼠的这些神经元时，他们发现了不同之处：当老鼠停在决策点、左右转动头部时，它的海马体不再编码老鼠的实际位置，而是快速来回播放由两个可能未来路径构成的位置编码序列。Redish几乎用肉眼看到了老鼠在“想象”未来的路径。 这项发现的突破性怎么强调都不为过——神经科学家直接窥见了一只老鼠的大脑，直接观察到老鼠在考虑多个可能的未来。托尔曼（Tolman）是对的：他观察到的“摇头”行为，确实是老鼠在计划未来行动。
与此同时，鱼必须进行真实的试错。给一条之前曾用一个洞在鱼缸两半之间穿行的鱼看：玻璃隔板另一边有食物。它会直冲玻璃，然后放弃。只有当它偶然经过那个洞，进入另一半时，才会得到食物。它可以通过试错学会再次这么做，但它不能进行替代性试错。
另一个例子：老鼠如果非常缺盐，就会冲向那盘过咸的食物（平时它讨厌并会回避）。鱼没有任何等价行为。鱼无法“模拟”这样一种情景：平常难吃的东西，在当下却会格外可口。如果没有被强化去做某个“反常”动作，它就不会去做。但老鼠可以想象这次过咸的食物会很美味。
⸻
情景记忆（Episodic memory）
情景记忆本质上就是一种模拟！我们之所以知道这一点，是因为回忆过去与想象未来使用的神经回路极其相似——而且记忆本身嘛，其实很差。我们会把细节“幻觉”出来。
⸻
为什么是哺乳动物？（Why mammals?）
为什么在哺乳动物出现之前没有出现“模拟”？一种推测：
- 你需要在陆地上，因为在水下你看不远。能“看见更多环境”时，提前规划更有用。
- 你需要是恒温的。低温下神经元放电速度要慢得多。唯一显示出能模拟行动的非哺乳动物是鸟类，而它们同样是恒温的。
无颗粒前额叶皮层（The agranular prefrontal cortex）
好，现在你已经能“模拟”了。但你可以模拟任何东西。那该模拟什么？怎么知道什么有用？
AI在有限问题上多少解决了这个难题——比如 AlphaZero 会挑出几个最优选项并演算，但现实世界复杂得多。我们并不确切知道人脑是怎么做的——但我们知道是哪部分大脑在做。
到目前为止，我们说的“模拟”都是在头部后方的感觉新皮层（sensory neocortex）。而在前方的额叶皮层（frontal cortex）里，有两个区域值得关注：
- 颗粒状前额叶皮层（granular prefrontal cortex, gPFC）：进化得更晚，先放一边。
- 无颗粒前额叶皮层（agranular prefrontal cortex, aPFC）：额叶最古老的部分，决定要想象什么。
aPFC 用的还是新皮层柱（neocortical column），和感觉区一样。那么它在模拟什么？它的主要输入来自海马体（hippocampus）、下丘脑（hypothalamus）和杏仁核（amygdala），这暗示：aPFC 处理“地点序列、价性激活、内在情感状态”，就像感觉新皮层处理“感觉信息序列”一样。也许，aPFC 正在尝试解释和预测动物自身的行为，就像感觉新皮层尝试解释和预测外部感官流一样？
aPFC 能在基底神经节（basal ganglia）触发行为之前，就预测动物将做什么。它在模拟动物自身——并由此建构出一个心理产物：意图（intent）。
构建“意图”有何意义？这可能帮助动物选择要模拟什么！大脑只有在有“目标”的概念时，才能理解什么与目标相关。
aPFC 在出错或遇到意外时最兴奋。它能通过与基底神经节连接触发“全局暂停”，以探索动物下一步可能的动作预测。感觉新皮层和 aPFC 会同步（可能共同渲染某个特定模拟）。接着，模拟中最让基底神经节兴奋的那个“奖励”就会被选中——而基底神经节并不知道这是现实还是想象！
事实上，这些模拟中的奖励本身也会对行为进行强化。 （顺带的自助启示：你可以通过模拟并想象收益来训练自己形成新行为。）
⸻
“无颗粒”（Agranular）
新皮层柱的第四层含有一种叫颗粒细胞（granule cells）的神经元。所谓“无颗粒”，就是 aPFC 缺少这一层。
在感觉皮层里，第四层是原始感觉输入流入的地方。但负责建构“意图”的大脑部分并不想基于动物的行为来更新预测——它希望改变行为。如果你口渴却正往没有水的地方走，aPFC 不会想调整“意图建构”去假设你并不口渴。
⸻
心智化，五千万年前：黑猩猩 vs 大鼠（Mentalizing, 50 million years ago: chimpanzee vs rat）
黑猩猩能以相当复杂的方式藏食物，这显示它们拥有关于“他人知道什么”的模型。
为什么它们会发展出这种能力？
可能因为早期灵长类是食果动物（frugivores），这是个认知负荷很高的生态位——你得在果实成熟但尚未掉落（且还没被别人吃掉）的窗口期采摘。你要掌握每棵果树的时间表，最好还得提前计划哪些快要成熟。
水果提供了充足的热量，能支撑更大的大脑。也提供了大量“闲暇”，让它们有机会折腾和制造麻烦。灵长类每天最多花20%的时间在社交上，这是很大的一块。
灵长类的社会权力并不来自蛮力，而是来自精妙的“政治”：和曾经吵架的家伙和解，识别并结盟有价值的低阶猿，理解高阶个体的意图并预测他们未来行为，推测谁可能后来上位。要做到这些，你需要心智理论（theory of mind）。那么，大脑里发生了什么？
⸻
颗粒状前额叶皮层（The granular PFC）
来看 gPFC——进化得更晚的额叶部分，只有灵长类才有。在人类身上，gPFC 在需要自我参照的任务中独特活跃：比如考虑自己的感受，评估人格特质，想象自己处于某种场景。
大致来说：
- aPFC 从动物的内在状态入手，预测其行为，并产出“意图”。
- gPFC 的输入则来自 aPFC。
于是我们进入了元层级。 aPFC 在解释杏仁核和海马体（发明“意图”）；gPFC 可能在解释 aPFC（发明……“心智”？）。
设想把我们的灵长类祖先放进迷宫。当它走到一个分叉点，选择向左。假如你能问不同脑区“为什么向左走”，你会得到层层不同的答案：
- 反射水平：因为我有进化硬编码规则，往有气味的那边走。
- 脊椎动物结构：因为向左能最大化预期未来奖励。
- 哺乳动物结构：因为左边有食物。
- 灵长类结构：因为我饿了，饿的时候吃东西很舒服，而据我所知，向左能吃到食物。
在猴子和人类身上，gPFC 在需要推测他人意图或知识的任务中都会亮起来；gPFC 较厚的人往往社交网络更大，心智理论任务表现更好。它既用于理解自己，也用于理解他人。
⸻
新学习（New learning）
心智理论（至少以灵长类的方式实现的那种）让你能做一件很酷的事：通过观察学习新技能。
当一只灵长类观察另一只执行动作时，她自己的前运动皮层（premotor cortex）常常会被激活，就像她自己在做动作一样。这就是著名的镜像神经元（mirror neuron）现象。
以下例子更能说明心智理论与观察学习的联系： 暂时抑制人类的前运动皮层，会削弱他们在观看别人搬箱子时推断箱子重量的能力（手臂轻松举起意味着箱子轻；手臂一开始吃力、调整姿势后才举起意味着箱子重）。但这并不会影响他们通过观看小球弹跳来推断重量的能力。这说明：人们在看别人搬箱子时，会在脑中模拟自己搬箱子（“只有当箱子重时，我才会那样转动手臂”）。
你之所以拥有心智理论，是因为你的大脑能在极其具体、身体化的层面上假装“你就是对方”。因此，当你观看别人做一个你从未做过的任务时，你的大脑在某种程度上表现得像是你亲自做过。
黑猩猩会用工具，而且同一群体内部的方法往往高度一致，尽管河对岸的另一群体可能用完全不同的方法。不仅如此，心智理论还让黑猩猩能主动“教学”——要做到这一点，它必须能建模学生懂什么、不懂什么。
⸻
计划（Planning）
哺乳动物在拥有“模拟”之后就已经具备了计划能力，但灵长类把它提升到新的层次——因为心智理论让你能模拟未来的自己。
老鼠口渴时，可以想象并规划路线去找水。但如果它当前不渴，它不会规划如何为“未来口渴的自己”准备水。
灵长类则能做到。
语言，二十万年前：人类 vs 黑猩猩（Language, 0.2 million years ago: human vs chimpanzee）
强化（reinforcing）的突破，让早期脊椎动物能从自己真实的动作中学习（试错）。 模拟（simulating）的突破，让早期哺乳动物能从自己想象的动作中学习（替代性试错）。 心智化（mentalizing）的突破，让早期灵长类能从他人的真实动作中学习（模仿学习）。 而语言（speaking）的突破，则是让早期人类能够从他人的想象动作中学习。
不同于前几个突破——它们都对应某种新的神经结构——人类并没有哪一块猿类所没有的脑区。是的，人类脑子更大，某些部位更发达，但线路还是那套。
最难解释的地方在于：在人类大脑并无结构性创新的前提下，语言是怎么出现的？ （推测范围：十万至五十万年前。现代人类在大约十万年前分化，但语言能力与今天差不多，这也是洞穴艺术等符号出现的时期。五十万年前之前，喉部和声带还未适应口语。）
猿类可以被教会手语（因为它们在生理上无法像人类那样说话），甚至有多例它们能把手势重新组合，说出新东西。但它们的水平永远超不过人类幼儿。我们是怎么做到的？大脑里发生了什么？
当然，我们听说过布罗卡区（Broca’s area）和韦尼克区（Wernicke’s area）。它们位于灵长类心智化区域中间。但黑猩猩也有这些区域，而且线路相同。更甚者：即便儿童的整个左半球（这些区域通常所在处）被切除，他们依然能学会语言。
如果不是特定脑区，那是什么？ 人类之所以能做到，大概不是靠纯粹的认知飞跃（尽管我们的大脑是黑猩猩的三倍也确实有帮助），而是依赖发育行为与本能的调整。
有两点在人类婴儿身上成立，但在猩猩幼崽身上不成立：
- 四个月大时，人类婴儿会进行原对话（proto-conversation）：和父母轮流发声，来回互动。
- 九个月大时，他们会开始进行联合注意（joint attention）：指向某物，希望父母一起看，或者看妈妈指的东西并互动。（由此可以看出，如果语言起源于母婴活动，用来改进工具使用，那么完全没必要借助“群体选择”来解释其进化优势。）
猩猩会跟随目光，但不会像人类孩子那样渴望联合注意。而人类父母在达成联合注意的那一刻，会做什么？他们会给那个物体贴上词语标签。
要让猩猩掌握语言，你可以给它更大的脑子，但这还不够——你必须改变它们的本能，让它们在童年间自然进行为语言习得而“设计”的游戏。
作者的结论： 人脑里没有什么“语言器官”，就像鸟脑里没有“飞行器官”。问“语言在哪块脑区”可能和问“棒球在哪块脑区”“弹吉他在哪块脑区”一样荒谬。这类复杂技能并非归属某个单一位置，而是源自多个区域的复杂交互。让这些技能成为可能的，不是某个专门执行的器官，而是一种“课程安排（curriculum）”，迫使复杂的神经网络协同工作来学会它们。
所以，这就是为什么人类与黑猩猩的大脑几乎一样，却只有人类有语言。人类大脑的独特性，不在新皮层，而是在更古老、更隐秘的结构里，比如杏仁核和脑干。是一些硬连线本能的调整，让我们会轮流说话，让孩子和父母凝视往复，让我们提出问题。
这也解释了为什么猩猩能学到语言的基础。猩猩的新皮层完全有能力做到。但它们难以精通，只因它们缺乏必要的学习本能：它们很难进行联合注意，很难轮流，没有分享想法或提问的本能。缺少这些本能，语言就像飞行之于不会本能跳跃的鸟——基本不可能。
有一条微弱但间接的证据支持“差异主要在语言习得本能，而非语言能力”：弗洛勒斯人（Homo floresiensis）在岛屿环境中脑容量和体型都缩小（脑容量接近黑猩猩），但依然制造石器，而这些石器可能需要语言来传承。
⸻
道德（Morality）
我跳过书中关于语言如何影响早期人类进化、知识积累等部分，只挑最后一个话题来结束：道德。
人类在地球上是极端、难以置信的利他者。我们同样也是极端的恶毒和毁灭者。动物不会无缘无故帮助陌生受苦的生命，也不会搞种族灭绝，更不会因为冲突或拒绝而连续十几年骚扰某个人。
我们的利他和恶毒，都源自语言。这一点，本书与其他作品（我第一次是在《大脑里的大象 The Elephant in the Brain》里看到）都说得很有说服力。
语言带来的“八卦”能力，使人类能协调起来惩罚叛徒、奖励利他。利他被选择出来，因为“英勇”或“慷慨”常常能让你爬上社会阶梯，尤其是以一种“社交高明”的方式表现英勇。
每一次八卦能力和惩罚违约者的能力增加，都让“更利他”更优；每一次利他增加，又让“更愿意分享信息”更优，从而进一步选择出更高阶的语言技能。
这种新型社会环境还选择出了另一种本能：识别并惩罚道德违规者。而“什么算违规”则复杂、多样，甚至有时荒唐可笑。
作者顺带提到过博斯特罗姆（Nick Bostrom），或许他担心人类灭绝。我也担心，而且觉得很可能在下个世纪发生（但不是因为AI）。
但正如作者指出的，宇宙还很年轻。我们大概只走过了恒星形成时代的1%。即便我们不在了，也还有大量时间让某些生命变成多行星、甚至多星系的存在。问题是：他们会成为什么样的“人”？
