这一研究主要由澳大利亚公司Cortical Labs推动。早在2021年，团队就展示了一种名为DishBrain的实验系统：研究人员在微电极阵列上培养了约80万个人类神经元。这种阵列既能向神经元发送电信号，也能记录它们的活动。通过这种双向接口，神经元能够接收来自游戏的“感官信息”，并以电信号形式输出“行动指令”。

在当时的实验中，神经元被训练玩经典游戏《乓》（Pong）。系统会将屏幕上球的位置转化为不同的电刺激信号，例如球向上移动时刺激阵列上方区域，向下移动则刺激下方区域。神经元网络在不断接收反馈后逐渐形成活动模式，这些模式会被解释为控制球拍移动的指令。经过长时间训练，这些神经元能够在一定程度上成功击回球。

这一成果已经足够惊人，但它仍然属于一个相对简单的输入—输出系统。《乓》是二维游戏，规则非常直接：球的位置几乎可以线性映射为球拍移动方向。对于神经网络来说，这是一种较容易建立映射关系的环境。

然而，研究团队很快意识到，如果生物计算机真的有潜在价值，它必须能够处理更加复杂的情境。于是他们将目标升级为一款技术圈常用来测试设备性能的经典游戏：《毁灭战士》。

《毁灭战士》与《乓》完全不同。它是一个三维（准确说是2.5D）环境，包含复杂空间、敌人、武器、移动和攻击等多种行为。玩家需要在不断变化的视觉场景中做出实时决策。这种环境更接近现实世界中的感知与行动循环。

为了实现这一目标，Cortical Labs开发了新一代神经计算平台CL1。与早期系统相比，CL1最大的变化在于其软件接口：研究人员将系统开放为可以通过Python编程的接口，使开发者能够更容易地控制神经元网络。

这一改变极大降低了实验门槛。一个名叫Sean Cole的独立开发者——此前几乎没有生物计算经验——仅用了大约一周时间，就成功让神经元系统运行《毁灭战士》的开源版本Freedoom。

关键挑战在于：这些神经元没有眼睛，也无法真正“看到”屏幕。研究人员必须将视觉信息转换为电信号模式。例如，当游戏画面左侧出现敌人时，阵列左侧的电极会刺激对应区域的神经元，模拟一种“感官输入”。神经元对刺激作出反应，产生不同的放电模式。系统再将这些放电模式解读为行动指令，比如移动、旋转或开枪。

实验中使用的神经元数量约为20多万，远低于人脑约860亿个神经元的规模。但即便如此，这些神经元仍然能够表现出某种适应性行为。它们可以寻找敌人、射击、转向，尽管经常“死亡”，但研究人员观察到神经元的活动模式会随着反馈逐渐改变，显示出学习的迹象。

Cortical Labs的科学家Brett Kagan将这一成果描述为一个重要里程碑，因为它展示了生物神经网络能够进行实时目标导向学习。换句话说，这些神经元并不是简单地被动响应刺激，而是在不断调整自身活动模式，以更好地适应环境。

尽管如此，研究人员也强调，目前的系统与真正的大脑仍然存在巨大差距。首先，这些神经元并不具备意识，也不知道自己正在“玩游戏”。它们只是对电刺激做出反应。其次，科学家仍然不完全理解神经元网络是如何在这种环境中形成行为策略的。

英国曼彻斯特大学计算机工程师Steve Furber指出，虽然让神经元玩《毁灭战士》是一项显著进展，但我们仍然不知道神经元是如何“理解任务”的。没有视觉系统，也没有真正的身体，这些细胞究竟如何从电刺激中提取信息并形成行为模式，仍然是一个重要的科学问题。

不过，从技术发展的角度来看，这种能力本身已经具有潜在意义。英国西英格兰大学计算机科学家Andrew Adamatzky认为，《毁灭战士》实验展示了生物神经系统能够处理复杂、不确定、实时变化的环境，这正是未来生物计算机必须面对的挑战。

另一些研究者则把这类实验看作机器人控制技术的前奏。雷丁大学神经科学家Yoshikatsu Hayashi指出，让神经元在虚拟环境中控制游戏角色，其实与未来控制机器人手臂的任务类似。例如，一个生物计算机可能通过触觉信号学习如何抓取物体。

除了控制机器人，这种技术还可能带来另一项优势：能耗效率。现代人工智能模型通常依赖巨大的计算资源和能源消耗，而神经元本身是一种高度高效的信息处理系统。理论上，生物计算机可能在某些任务上比传统硅芯片更节能。

不过，这一领域的发展也引发了一些伦理讨论。随着实验规模扩大，人们可能会开始担心实验室培养神经元的地位问题。例如，如果未来培养出更复杂的神经组织，它们是否会具有某种形式的意识？是否需要新的伦理规范？

目前来看，这些担忧还停留在理论层面。研究人员强调，当前实验使用的神经元只是简单的细胞网络，没有意识或自我体验。它们更像是一种特殊材料，一种能够处理信息的生物基底。

即便如此，从《乓》到《毁灭战士》的跨越仍然具有象征意义。在科技圈有一句著名的玩笑：“任何设备最终都会有人问——它能不能运行《毁灭战士》？”几十年来，人们已经让这款游戏在各种设备上运行，从计算器到拖拉机，再到ATM机。

如今，这个名单上又多了一种设备——由活体人类神经元驱动的生物计算机。

参考来源

在今天，社交媒体已经深深地嵌入了人们的日常生活，当个体面对现实世界中的信息爆炸时，对于信息进行过滤与整理似乎是一种必然的选择。为了应对社交媒体的所带来挑战，算法工程师们提出了许多平台层面的干预策略。随着推荐算法的不断完善，推送到人们面前的信息已经在变得更加平衡且丰富。与此同时，人们对于个性化推荐所带来的“信息茧房”或“同温层效应”感到担忧。例如，特定的社交平台会根据用户的政治倾向推荐同质化的内容，导致用户只能接触到片面的信息来源。从而对于良性的公共对话产生负面影响。

怀有警醒的态度生活当然是很好的，然而对于信息茧房在现实层面的具体面貌，目前仍缺乏清晰的研究。我们缺乏对于信息茧房是否存在的实证，并对于它如何影响个人的信息选择也缺乏了解。事实上，人们选择性地接触信息并不是一个新现象。也有学者指出，“同温层效应” 确实存在，但目前的担忧其实是夸大了事实。“信息茧房”这一概念引发了广泛的担忧，但这是否是一种叫魂式的担忧呢？为了更好应对我们身处的复杂世界，我们需要对于这个过程有更好的研究与理解。

在许多关于信息茧房的讨论中，人们抱有这样一种假设：如果你能接触到多样化的信息，那么就能打破信息茧房。而在杜克大学社会学家克里斯·贝尔（Chris Bail）的《打破社交媒体棱镜》（Breaking the Social Media Prism）一书中，他提出了这样的一个问题：如果个体在社交媒体上接触到与自身对立的观点，这是否真的有助于他反思自己？贝尔在他的实验中发现，用户在社交媒体的日常使用中接触到的对立观点，其实并没有帮助他们反思自身，反而让他们的政治立场变得更加极端。所以哪怕信息茧房被打破，社会的极化也并不会消失。由此，贝尔提出了“社交媒体棱镜”， 他认为社交媒体并不是一面如实反映世界的镜子，而是一个会扭曲用户对自我和他人认知的棱镜。对于人这种扭曲会让用户形成错误的自我身份认同和虚假政治极化（false polarization），从而变得越来越极端。

贝尔在他的书中提到了一种喜欢在网上发泄情绪，引起大家关注的人。我想我们都很熟悉这样的人物画像，他们的目的不是表达或者寻求共识，而是制造混乱。面对这样的人时，人们很容易做出情绪化的反应。事实上，这种形象在现实中当然也存在，在《卡拉马佐夫兄弟》里，在先前表现糟糕的老卡拉马佐夫来到了一家餐厅，他在心里对自己说：“ 我总是感到，不管我走到哪里都低人一等，每一个人都想对待小丑一样对待我——那就让我真的演一次小丑吧，你们所有人，无一例外，都比我低级。” 他这样想着，然后在餐厅里大闹了一场。而不幸的是，在网络上和在现实中一样，这样的闹剧总能得到更多的关注。

最近，阿姆斯特丹大学的彼得·滕贝里（Petter Törnberg）和迈克·拉罗伊（Maik Larooij）两位作者在物理学预印本平台arXiv上发表了一篇论文，并得到了《科学》杂志的关注。在这篇名为《我们能修复社交媒体吗？利用生成式社会模拟测试亲社会干预》 （Can We Fix Social Media? Testing Prosocial Interventions using Generative Social Simulation）的论文中^[1]，他们利用大语言模型生成了500个虚拟用户，并构成一个小型的社交网络。每个用户都根据美国国家选举研究中来自全国选民调查的真实用户画像，被赋予了年龄、性别、宗教信仰、政治倾向和教育程度等特征。

在三项独立的实验中，研究人员分别使用三种主流大型语言模型（LLM）——ChatGPT、Llama 和 DeepSeek——将虚拟用户扩展为包含兴趣、爱好和职业等更细致特征的个人画像，并基于这些画像生成决策。在实验过程中，系统随机选取的用户需在三种行为中进行选择：从 10 篇随机新闻文章（从 21 万个候选项中抽取）中选择一篇并撰写相关帖子；转发已有帖子；或依据自身画像关注其他用户。用户的选择会受到其信息流内容的影响，该信息流包含 10 条帖子，其中一半来自用户已关注的人，另一半则来自未关注用户的热门帖子。

在每次实验中，虚拟社交网络均运行了一万个周期。然而，无论研究人员采用哪一种 LLM 模型，平台最终都不可避免地出现了三种典型的负面现象：回音室效应、影响力集中，以及极端声音的放大。

该研究随后以理想化形式测试了六种通常用于缓解社交媒体算法问题的干预策略：

1. 按时间顺序推送或随机推送

2. 淡化主流（高转发量）内容

3. 平衡党派内容的桥接算法

4. 优先发布具有高同理心或高推理能力的帖子

5. 隐藏社交媒体统计数据，例如粉丝数量

6. 隐藏个人简介以减少基于身份的信息传递

然而实验结果令人沮丧。只有部分干预措施对于系统起到了轻微的改善作用，但没有一项能够彻底地修复出现极化的系统。事实上，一些干预措施反而加剧了问题。平衡党派内容的桥接算法显著削弱了党派倾向与参与度之间的联系，并略微改善了观点多样性，但同时也加剧了社交媒体中的关注度不平等。按时间顺序推送对减少关注度不平等效果最为显著，但同时也存在弊端：它加剧了极端内容的传播。

按时间顺序推送是一种属于 Web2.0 时代的，更加古早的推送策略。人们倾向认为 BBS 论坛等按时间排序的网络社区，更容易实现注意力的平等，减少社群的分裂与极化；而采用推荐算法的社区，因“回音室效应”容易造成群体间的间隔，进而加速观点极化。而在这两位科学家的模拟中，取消了推荐算法按时间排序推送，反而加剧了极端内容的传播。这是一个有些反常识的发现。

在接受 Ars Technica 的采访时，彼得·滕贝里也提到了他作为一个学者对于在研究中对于 AI 模拟实验的批评与怀疑。但是与此同时，单纯使用观测数据，使得研究者很难验证反事实假设。因此，研究者们也会创建系统的计算机模型，并在此基础上进行实验并验证反事实假设。计算机模拟在社会行为研究领域有着悠久的历史，例如罗伯特·艾克斯罗德（Robert Axelrod）就曾在《合作的进化》（The Evolution of Cooperation）中使用计算机模拟“重复囚徒困境”竞赛，研究合作的产生与竞赛。这种方法有助于研究网络动力学的结构和发掘社会现象的涌现过程。正如彼得·滕贝里所言：“我仍然要对这些发现持保留态度，意识到这些只是模型，它们捕捉的是一种假设的世界——就像真空中的一头球形奶牛······不幸的是，在这个实验中，我们发现了一种似乎非常稳健的机制。”

而在更早之前，在《自然》杂志 2021 年发表的一项研究中^[2]，多伦多大学计算机科学系的研究团队以社区平台 Reddit 过去 14 年间共计 51 亿条评论为样本，分析了用户在 1 万多个子社区中的发言行为。结果显示，Reddit 的社区结构并非仅以“话题”划分，而是深受用户的年龄、性别与政治立场等社会因素影响。研究发现，2012 至 2015 年间，Reddit 上的政治极化程度相对稳定；但在 2016 年美国大选期间，平台的政治极化水平突然显著上升。值得注意的是，这一变化主要由当年新加入的用户推动，而老用户的立场变化极小。这一结果表明，用户的极化程度与平台使用时长关系不大，更可能受外部政治事件驱动，而非社交平台内部行为的积累所致。

在国际学术界，关于社交媒体与政治极化关系的研究多以政治取向（如左右翼）为衡量维度。然而，多数实证研究表明，社交媒体并不会显著加剧社会的极化现象。换言之，极化更多是现实政治分裂的映射，而非平台算法所制造的“回音室”或“信息茧房”效应。

也许，更接近现实的解释或许是：社会本身的分裂决定了社交媒体内容的分裂。人们在网络上看到的对立声音，并非由算法催生，而是现实世界的分裂在社交媒体世界的真实反映。即便在不存在算法干预的中性环境中，人类依然倾向于靠近与自己观点相似的群体；而面对异见群体时，自我认同的防御性强化反而会使极端立场更加突出。

事实上，我想起《美国的反智传统》的作者理查德·霍夫施塔特（Richard Hofstadter）的论述，他早在上世纪60年代就开始批判他所处时代政治的偏执狂传统。“这是一种持续存在心理情结。” 也许，无论我们用纸媒交流，用电台或是电视交流，还是像现在一样在社交媒体上交流，这样的极化与偏执总是存在的，这是一种我们无法否认，也无法避免的现实。面对历史，也许我们不得不承认，与其怪罪算法，我们更加应当意识到我们作为人类的局限。当然，这也就是说，我们不要放弃，去理解这个我们所生活的世界。

参考文献

[1] Larooij, M., & Törnberg, P. (2025). Can We Fix Social Media? Testing Prosocial Interventions using Generative Social Simulation. arXiv preprint arXiv:2508.03385.

[2] Waller, I., & Anderson, A. (2021). Quantifying social organization and political polarization in online platforms. Nature, 600(7888), 264-268.

这是上映于2013年的科幻电影《她》的剧情，却也奇妙地预言了十多年后的今天的现实。随着大语言模型（LLM）的技术突破，和ChatGPT的问世，无数的萨曼莎开始走进我们的生活，越来越多人不只把AI作为生产力助手，而是当作倾诉情感的对象。大量基于LLM的软件涌现出来，给人类提供情绪支持、疗愈甚至心理咨询。有人说，AI比咨询师更理解ta，有人却觉得机器永远不能替代人与人的情感连结。AI是否具备共情能力？为什么不同人对AI共情的接受程度差异如此之大？在AI不可避免地渗透到生活每个角落的时代，我们又该如何理解人与AI的关系，想象共情的未来？

您需要付费解锁才能查看当前内容

立即订阅

年刊订阅免费

已付费？登录 或 刷新

从一开始，人工智能和神经科学便是姊妹学科，自然智能为人工智能提供了样板，而神经科学的原理则为人工智能的方法提供了灵感。最为根本的原理之一是，人工智能中的许多方法基于神经科学的基本信条：信息储存在神经元之间连接的权重中。在人工智能中使用的人工神经网络（Artificial Neural Networks, ANN）中，还有一些其他受神经科学启发的原理，包括卷积神经网络（对应视觉皮层）、正则化（对应稳态可塑性）、最大池化（对应侧向抑制）、丢弃（对应突触失效）以及强化学习。

然而，许多最近推动人工智能爆炸性成功的进展，已偏离了将神经科学作为计算原理的来源。十年前，受到大脑启发的循环神经网络（RNN）似乎是人工智能解决时间相关问题（如语音识别和自然语言处理）的前进方向。然而，这一方向很快发生了变化，2017年具有里程碑意义的《你所需要的仅仅是注意力》（Attention is all you need）论文提出了新的突破。

Transformer架构的引入标志着人工智能历史上的一个重要转折点。Transformer因其惊人的强大能力以及与大脑的差异性而备受关注。它们没有循环神经网络中的循环连接，且在不连续的时间中操作——也就是说，通过离散的时间步长进行计算，且没有对前一个时间步状态的“记忆”。它们同样没有任何形式的工作记忆；相反，它们巧妙地通过每次迭代增加输入的长度来外化工作记忆。最值得注意的是，Transformer没有任何内部动力，也无法感知时间。例如，ChatGPT无法正确回答“等10秒再告诉我加拿大的首都”这一提示（至少，在不调用Python编译器的情况下是这样）。

大脑通过内部动力的循环神经网络以及其他机制（如短期突触可塑性）来编码时间和近期的感官信息。与此不同，Transformer通过为每个单词或标记表示的向量添加位置信息（如“第一”、“第二”等）来编码时间（更准确地说，是顺序性），这一方法称为位置编码。这种差异使得Transformer能够解决梯度爆炸或梯度消失的问题，在这种问题中，序列末尾生成的误差信号在反向传播到前序信息时会逐渐衰减。

Transformer在某种意义上被刻意设计为“不受时间影响”的。用时间哲学中的术语作类比，Transformer运作在一个“区块宇宙”中，其中过去、现在和未来（对于双向Transformer而言）是同时可用的。相比之下，循环神经网络运作在一个“现实主义宇宙”中，在这个宇宙中，只有当前的输入是可用的，计算是随着连续的时间展开的。

所谓Transformer中的注意力机制听起来像是生物学上的注意力，但它并不真正指代大多数认知神经科学家所认为的注意力。它本质上是为句子中所有单词对之间的关系强度赋值，而不是根据期望或随意控制来选择性地调节信息处理。此外，注意力机制的实现也缺乏生物学上的合理性。神经网络中的大多数操作对应于活动向量与权重矩阵的乘法，但注意力机制依赖于一般被认为是两个活动向量的乘法。也就是说，至少从神经元的角度来看，这是一个难以实现的数学操作。

尽管Transformer取得了成功，但它们也有自身的局限性——包括其无底洞般的能量消耗。正因如此，人工智能领域正在重新审视类似循环神经网络的方法。但新旧的类似RNN的架构，如长短期记忆网络（LSTM）、门控循环单元（GRU）和Mamba等，并不一定在神经科学领域中有直接的类比。它们往往缺乏神经电路的生物学合理性——部分原因在于，人工智能程序通常是在传统的数字计算机上实现的，这使得它们可以执行比生物神经网络更丰富的数学操作，例如LSTM的门控操作。事实上，只要人工智能仍继续通过数字计算机实现，人工智能领域的发展就将受到摩尔定律的制约，而神经科学则将继续缓慢前行。

硬件的重要性也与一个更深层的哲学问题密切相关，即在理论上，基于传统计算机实现的人工智能是否有可能具备知觉。数字计算机在离散时间中运行（由计算机的时钟频率决定），与大脑不同，它们可以轻松暂停或改变时钟速度。现在，假设我们正在运行一个新型的人工神经网络模拟，假如它是有意识的。那么，如果我们将时钟速度降低到每年转一圈，会发生什么呢？人工智能是否会在主观状态下“冻结”一年？

大多数意识理论，例如全局工作空间理论和高阶理论，似乎都默认假设意识与大脑的连续时间动态相关。在这些理论中，意识就像音乐：只有当它随着时间流动时才存在。而且，根据人工神经网络运行在CPU、GPU或TPU上（以及核心数量）的不同，在一个时间步内，ANN中的所有状态不会实时同步更新——这意味着，任何意识状态都将依赖于硬件的细节，即使输入输出关系是相同的。

关于意识依赖于大脑动态的观点，有一个例外，那就是具有争议的泛心论整合信息理论（Integrated-Information Theory,IIT）。IIT 不是一个神经科学理论，而是一个基础物理学理论——尽管它与其他物理法则无关。粗略来说，IIT 量化了相比于随机配置，当前系统状态在多大程度上限制了过去和未来的状态。IIT 进一步声称，这个量度直接等同于意识。

正如已经指出的，IIT 仅适用于离散系统。遗憾的是这意味着，IIT 对于大多数传统的物理系统是不适用的，因为这些系统是可以连续变化的。因此当尝试将 IIT 应用于我们唯一确知的有意识的事物时，这就成了一个特别严重的问题。因此，适用于大脑动态系统的意识理论似乎排除了在离散冯·诺依曼架构中运行的人工智能出现知觉的可能性。

毫无疑问，人工智能和神经科学将继续进行协同互动。人工智能在发展过程中将继续借鉴神经科学的新发现。然而，展望未来，人工智能可能会为神经科学提供更多的启示，而不是反过来。迄今为止，神经科学家对于从人工智能中获得的一些早期教训消化得较慢。其中一个教训是，人工或生物神经网络的完整连通组的价值有限。ChatGPT 的每一个连接、权重和偏倚都是已知的，但对这些知识的获取并没有转化为对其工作原理的即时或深刻理解——这并不是说这些知识没有用。一个潜在的教训可能是，神经科学家需要重新审视如何理解像大脑这样复杂且高度分布的系统的涌现性质。

计算机科学之所以独立于神经科学发展，是因为大脑并不拥有处理信息的独占权。人工智能和神经科学将继续分道扬镳，因为大脑并不拥有创造智能的独占权。