在人工智能快速渗透日常生活的当下，一个根本性问题正被重新提出：我们是否理解自己大脑的工作方式？《The Verge》最新文章指出，当前AI行业普遍采用的"大脑-计算机"类比存在严重局限，这种认知偏差正在影响我们对AI技术的理解与应用。文章结合神经科学与进化生物学视角，提出一种更符合生物实际的"反馈-控制"认知模型。

计算模型主导的AI发展路径

人工智能的发展始终围绕着"大脑是生物计算机"这一核心隐喻。这一思想可追溯至图灵提出的"图灵机"概念，将思维简化为三步算法：输入-计算-输出。 Google首席大脑科学家迪米斯·哈萨比斯称大脑为"生物版图灵机"，埃隆·马斯克则直言"人脑就是台生物计算机"。这一模型确实推动了计算技术的飞跃——从最初的加法机发展到神经网络与生成式AI，形成了高度工程化的技术路径。

但这一模型存在根本性缺陷。上世纪发育计算机科学的关键人物冯·诺依曼曾质疑，计算模型"根本不可能捕捉人类神经系统的 exceptional complexity（卓越复杂性）"。问题在于，这种模型将认知与身体行为割裂，忽视了大脑在漫长进化中形成的动态适应特性。

反馈控制模型：大脑作为行动导向系统

蒙特利尔大学神经科学家保罗·西塞克提出的"反馈-控制"模型提供了另一种理解框架。该模型认为大脑并非被动的信息处理器，而是主动的反馈控制系统——我们通过行动主动调节接收的感官输入，而非等待输入后被动计算。

一个经典例证来自棒球运动：根据计算模型，外野手接飞球需完成复杂的 subconscious mental calculus（潜意识心智计算），估算球速、重力影响等参数。但西塞克指出的替代方案更符合实际体验：“保持球在视野中的相对位置不变，随之移动身体”。这种启发式策略无需invoking complex calculations（复杂计算），将感知与行动融为一体，避免了计算模型对人类认知的过度简化。

进化视角揭示大脑的层次化结构

西塞克的模型与神经进化史高度吻合。从远古鱼类到现代人类，大脑结构的演进始终围绕"控制能力的延伸"展开：当恐龙灭绝后，夜行性哺乳动物得以在白昼活动，催生了空间导航等新能力；随着哺乳动物发展出更强运动能力， hippocampus（海马体）应运而生，专门处理地标识别与夜间导航；正是这种探索行为的重复，逐步演化出"情景记忆"——对过去事件的记忆能力。

显著反差在于：计算模型无法与可观测的神经科学结构对应，而反馈控制模型能清晰描绘从古老 fishes 到灵长类的脑区功能演化路径，并将特定脑结构与其 evolved behaviors（演化行为）对应起来。该模型显示，从顶部到底部（top to bottom）的时间维度上，新行为在新环境刺激下逐步浮现，而非按Left-to-right（从左到右）的输入输出线性流程运作。

社会反馈循环的缺失

更关键的是，计算模型无法解释人类独有的社会性认知特征。文章指出，人类文化建立在"模仿"能力之上：数十万年前祖先学会模仿手势与动作，使工具制造技术得以传承；随后声音模仿催生口语，定居农业社会催生复杂交流需求，最终文字系统形成。这些构成了"知识传递的社会反馈循环"。

一个被忽视的现状是：Big Tech companies（大型科技公司）在不足十年间系统性拆解了这些千年演化形成的认知基础设施。它们推广的AI产品设计逻辑仍基于过时的计算模型，既未尊重人类 evolved cognition（演化出的认知方式），也未考虑社会反馈机制的脆弱性。

落地建议

• 对AI产品开发者：应避免将用户认知简单等同于数据处理，设计更尊重动态感知-行动闭环的产品逻辑
• 对技术教育者：在课程中需同步引入神经科学视角，帮助学生建立更完整的人机交互认知图谱

写在最后

当AI技术持续扩展人类影响世界的边界时，我们对"如何思考"的理解滞后于"如何构建思考机器"。这种认知模型的错位，恰如作者所言，让AI成为"认知领域的垃圾食品"——短期令人着迷，长期损害心智健康。重建人脑与技术的适配关系，需超越图灵机的百年范式。