为什么历史上所有的大脑隐喻都是错误的
为什么历史上所有的大脑隐喻都是错误的
科学简化的必要性与危险性
科学需要把复杂的现实简化，以便人类认知能够理解。由于人类的工作记忆和注意力有限，研究者会构建有意省略细节的模型来识别模式。然而，在这一过程的两种哲学视角之间存在关键张力：
- Simplicius：相信宇宙本质上是简单的，找到一个优雅的方程就意味着发现了潜在的真理。
- Ignorantio：认为简化是人类局限所迫的必然；模型是有用的虚构或近似（地图，而非领土），而非字面上的真理。
《The Brain Abstracted》作者、Mazviita Chirimuuta 教授主张 Ignorantio 立场，认为成功的科学证明我们善于构建有用的简化，而不是自然本身是简单的。这被称为“学得的无知”——研究一个主题以了解不可知的边界。
大脑隐喻的演变
纵观历史，大脑的主流模型始终映射当时最先进的技术。这一模式表明这些模型是类比而非字面描述：
- 液压自动机：笛卡尔把神经系统看作通过管道泵送的液体，以推动杠杆。
- 电报网络：随着电信号的发现，大脑被建模为一套电线网络。
- 电话总机：大脑被视为由接线员路由信号的系统。
- 计算机：当前占主导的隐喻把心智视为运行在生物硬件上的软件。
这种转变体现了“错位具体化的谬误”，即有用的隐喻硬化为被视为现实的东西。早期控制论学者如 McCulloch 与 Pitts 将逻辑门作为神经元的功能描述，而现代话语常常声称大脑就是计算机，误把描述的优雅当作现实的结构。
软件、精神与因果不变性
Joscha Bach 提出挑衅性的观点：软件字面上是“精神”，而非比喻。他认为某些模式拥有“因果不变性”——无论其物理基底是硅、神经元还是纸币，它们都具有因果力量。在此视角下，软件是控制其基底的抽象机制。
对此立场的反驳认为，不同基底之间的“相同”是人类强加的。例如，金钱的因果力量并不在纸张或数字账本中，而在于人类共识的社会基底。因此，这种不变性是人类解释实践的结果，而非自然固有属性。
预测 vs. 理解
预测或控制系统的能力与真正理解系统之间存在根本区别。诺贝尔奖得主 John Jumper 将其划分为三类：
- 预测：预报未来的数值或状态。
- 控制：操纵系统以实现特定的未来数值。
- 理解：拥有一套紧凑且可传达的事实，能够解释为何会出现某个结果。
虽然 AI 模型（如 LLM）在预测和控制方面表现出色，但它们并不执行“理解”的行为。Noam Chomsky 认为，一个能够预测一切的理论（例如“随便怎样”）并未解释任何事，因为它未能回答为何事物是这样而不是那样。仅依赖预测黑箱会带来风险：当工具失效时，缺乏底层理解导致故障难以预见。
AGI 必然性的幻觉
对通用人工智能（AGI）必然性的广泛信念可能是一种“文化历史幻觉”。这种观点认为，这种信念并非基于科学确定性，而是长期机械论视角对生命与心智的产物。如果“心智仅是机制”的假设错误，那么类生物 AI 的必然性也就没有依据。
知识的具身性与视角性
知识并非一种普遍、无视视角的仓库（如互联网或 LLM 提供的“上帝视角”），而是本质上社会化、具身且具视角的。
触觉写实主义
Chirimuuta 教授提出“触觉写实主义”，认为科学知识更像触觉而非视觉。研究者不是远距离观察现实，而是“戳探”系统，这意味着他们发现的模式在一定程度上是由调查过程本身共同创造的。
认知视界
Noam Chomsky 指出有机生物拥有“认知视界”——其能力的固有界限。正如无论提供多少数据，老鼠都无法被训练去理解素数一样，人类也可能在结构上有限制其能够理解的事物。认识到这些墙壁是科学进步的关键部分。
摘要： 该视频探讨了科学简化和隐喻——从液压泵到计算机——如何常常硬化为被视为现实的东西，主张理解必须认识到这些模型的局限性。
标题： 为什么历史上所有的大脑隐喻都是错误的