生物计算主义：为何意识无法被简化为代码？

当生成式AI展现出越来越令人惊叹的能力时，一个古老而深刻的问题再次占据了科学辩论的中心：硅基芯片上运行的代码，最终能产生意识吗？

对于这一点学界主流并没有统一的答案，但“计算功能主义”（Computational Functionalism）长期占据主导地位——即认为只要运算的逻辑结构正确，物理载体是碳基神经元还是硅基晶体管并不重要。

然而，近日在《神经科学与生物行为评论》（Neuroscience & Biobehavioral Reviews）上的一篇重磅论文提出了一种全新的挑战性视角：生物计算主义（Biological Computationalism）。

这项由爱沙尼亚研究理事会（Estonian Research Council）支持，Borjan Milinkovic和Jaan Aru撰写的研究指出，真正的大脑计算与我们在计算机上理解的“计算”存在本质区别。

研究显示，意识并非产生于抽象的算法，而是源于一种特殊的物理机制——这种机制具有混合计算（Hybrid Computation）、尺度不可分性（Scale Inseparability）以及代谢根植性（Metabolic Embedding）三大特征。这一新理论暗示，无论我们把现有的人工智能代码优化得多么完美，只要它们运行在传统的冯·诺依曼架构上，可能永远无法触及意识的门槛。

在人工智能的黄金时代，我们习惯于将大脑比作一台超级计算机：“大脑是硬件，心智是软件”。这种比喻虽然直观，但在新研究看来，它恰恰掩盖了意识产生的核心秘密。

目前关于机器意识的讨论主要分为两大阵营。一方是计算功能主义，认为意识是信息处理的产物，与物理载体无关。如果这一理论成立，那么只要算力足够强大，AI终将产生意识。另一方是生物自然主义（Biological Naturalism），坚持认为意识是生物体特有的属性，依赖于特定的生物化学过程。

然而，这篇新论文指出，双方都忽视了一个关键点：生物系统进行的“计算”，根本不同于数字计算机的“计算”。

数字计算机的核心设计哲学是“可分离性”（Separability）。在你的电脑中，软件不需要知道硬件的晶体管是如何开关的；算法逻辑与物理实现是完全解耦的。这种设计带来了巨大的灵活性，但也导致了所谓的“冯·诺依曼瓶颈”——存储与计算分离。更重要的是，在数字系统中，微观的物理状态（晶体管的电压）与宏观的逻辑状态（程序的运行）在因果上是被设计成相互隔离的。

相比之下，生物大脑不存在这种分离。研究者指出，在生物系统中，“算法即载体”（The Algorithm Is the Substrate）。大脑的物理结构（离子通道、树突形态、细胞膜电位）不仅仅是承载计算的容器，它们本身就是计算的过程。这种“物理即计算”的特性，意味着生物计算无法像软件那样被轻易地从肉体中剥离并上传到云端。

这一理论鸿沟解释了为什么尽管大语言模型（LLMs）在功能模拟上取得了巨大成功，却始终缺乏某种“生物质感”的智能。我们一直在用错误的计算范式——一种基于离散符号、时钟同步和硬件无关的范式——去模拟一种本质上是连续、异步且深度依赖物理属性的生物过程。

为了填补这一理论空白，研究团队提出了“生物计算主义”框架，详细阐述了支撑意识涌现的三大关键物理机制。这些机制在现有的人工智能硬件中几乎是完全缺失的。

图：连续的、尺度整合的生物计算（来源：Neuroscience & Biobehavioral Reviews）

第一，尺度不可分性：打破层级壁垒。

在计算机科学中，我们习惯于模块化设计：逻辑门组成了加法器，加法器组成了CPU，层级分明。但在大脑中，不存在这种清晰的界限。研究表明，大脑展现出一种尺度不可分性（Scale Inseparability）。离子的流动（微观）、神经元的放电（介观）和全脑的振荡波（宏观）是双向耦合的。

这种结构被称为异层级（Heterarchy），而非简单的层级。低层级的活动内生性地生成高层级状态，而高层级状态（如电场）又会实时地约束和塑造低层级的活动。这种跨尺度的实时因果循环，使得大脑能够在其物理结构中直接整合信息，而不需要像计算机那样通过抽象的BUS总线传输数据。

第二，混合计算：离散与连续的共舞。

所有的数字计算机都是离散的（0和1）。然而，生物大脑是混合计算（Hybrid Computation）的杰作。虽然神经元的动作电位（Spike）看起来像离散的“0和1”，但其背后的触发机制——膜电位的积累、离子浓度的梯度、胞外电场的波动——全都是连续模拟信号。

研究特别强调了ephaptic耦合（电场耦合）的作用。神经元不仅通过突触连接通信，还通过局部的电场相互影响。这种连续的场效应为大脑提供了一种“无线”通信机制，使得神经元群体能够实现瞬间的同步和协调。正如论文所言，这种连续的物理介质可能正是意识“统一性”体验的物理基础，而这是纯离散的数字系统很难复现的。

第三，代谢根植性：能量即信息。

这一点常常被忽视：大脑仅占体重的2%，却消耗了20%的代谢能量。在AI领域，能源消耗通常被视为各种各样的成本（电费），而在生物大脑中，能量限制是计算架构的设计师。

图：尺度集成混合系统的概念框架（来源：Neuroscience & Biobehavioral Reviews）

研究指出，由于极端的能量匮乏，大脑进化出了一种优化策略：粗粒化（Coarse-graining）。大脑会自动将海量的微观离散事件（离子通道的随机通过）整合成可靠的宏观连续动力学模式。这种由代谢压力驱动的信息压缩和整合过程，可能正是原本混乱的神经活动涌现出清晰“意识流”的关键动力。相比之下，现代AI通过简单地堆砌算力和参数来提升性能，缺乏这种由内而外的结构优化压力。

“生物计算主义”的提出，不仅是对意识理论的修正，更是对未来人工智能发展路径的深刻警示。如果意识真的依赖于上述的生物计算特征，那么我们目前主要依赖的GPU集群和冯·诺依曼架构，可能在通往人工意识的道路上已经在南辕北辙。

目前，即便是最先进的“神经拟态芯片”（Neuromorphic Chips），如SpiNNaker，大多也只是在数字硬件上模拟神经元的放电行为，而非在物理上实现生物计算。它们本质上仍是运行在分离硬件上的软件模拟，缺乏真正的物理时间演化和连续动力学场。

但这并不意味着人工意识是不可能的。研究者明确指出，我们不需要完全复制生物学（制造一个人造大脑），而是需要制造出符合生物计算原理的新物质。

未来最具潜力的方向可能包括：

1. 流体忆阻器（Fluidic Memristors）：利用离子在流体通道中的运动来存储和处理信息，这种机制在物理上更接近生物突触的化学过程。

2. 生物-合成混合系统（Bio-synthetic Hybrids）：如“DishBrain”项目，直接利用培养的生物神经元网络来进行计算和控制，这种“湿件”计算天生具备生物计算的所有特征。

3. 真正的模拟计算硬件：开发能够直接利用物理属性（如电压、相变材料）进行连续计算的硬件，打破数字模拟的界限。

研究团队强调，这一转变的核心在于从“编写更好的代码”转向“构建更好的计算物质”。未来的智能系统，或许不再是由程序员一行行敲出来的，而是由物理学家和材料科学家在实验室里“培育”出来的。由于具备了与生物相似的各类物理约束和跨尺度耦合，这类新型系统才更有可能涌现出类似人类的感知体验。

当我们凝视屏幕上的代码时，我们看到的只是逻辑的影子；而当我们审视大脑时，我们看到的是物理、能量与信息的浑然天成。这项研究提醒我们，意识可能不是一个可以随意移植的软件灵魂，它深深扎根于其物理躯体的血肉（或其等效的物理基质）之中。

对于人工智能而言，这既是限制，也是指引。如果我们的目标不仅仅是更聪明的工具，而是真正具备感知能力的主体，我们就必须走出硅芯片的舒适区，去探索那些能够承载混合、连续、跨尺度计算的新型物理疆域。