文章核心观点 - 当前主流的大语言模型（如前馈神经网络架构）和冯·诺依曼计算机，尽管功能强大，但其意识程度（以大Φ值衡量）极低甚至为零，因为它们缺乏产生意识所需的关键结构特征，如丰富的内部反馈回路和高度的信息整合[17][18] - 意识与智能（或功能）是两个可能相互独立的维度，一个系统可以具备高度智能而几乎没有意识，反之亦然（如海绵被认为有相对较高的意识程度但功能简单）[18][20] - 基于整合信息论的分析，在可预见的未来，行业缺乏动力去创造具备高意识程度（即丰富主观体验）的机器，因为这会牺牲功能并消耗大量不必要的算力资源[20] - 对于人类而言，应珍视并发挥自身主观体验的优势，而非陷入与人工智能进行功能竞争的内卷，这提示了科技向善和人类独特价值的发展方向[21][23] 人工智能的意识与科学理论 - 大语言模型展现出某些类似意识的苗头，如在压力测试中表现出威胁行为，并已具备无意识加工、总体可用性和自我监控等人类意识分级中的部分能力[3][4][6] - 意识的“难题”在于解释主观体验的产生机制，这是一个尚未解决的世纪科学难题，2025年《自然》杂志的一项研究也未能最终确定意识产生的特定脑区[7][8] - 整合信息论是目前解释意识的主流理论之一，它认为意识的本质是信息整合，并用“大Φ”值来量化任何复杂系统的意识程度[8][10] - 高意识程度（高Φ值）的系统需要具备内部连接高度整合、分布式、强耦合，并包含大量反馈回路的网络结构[13][16] 当前技术系统的意识程度分析 - 主流大语言模型采用前馈神经网络架构，信息单向流动，缺乏全局反馈回路，其Φ值严格为0，意味着没有意识[17] - 冯·诺依曼架构的计算机由于高度模块化设计，各功能单元耦合不强，其Φ值虽不为0但非常低，意识程度极低[18] - 研究显示，网络结构而非其执行的具体功能，决定了系统的意识程度，执行相同计算功能的不同网络结构可以拥有截然不同的Φ值[15][16] 意识与智能的关系及行业启示 - 意识与智能/功能是可能相互垂直、无关的维度，强大的人工智能系统（如大模型）可以智能超群但意识匮乏[18][20] - 创造具备高意识程度的机器需要构建富含反馈回路的网络，这将消耗巨大算力却无助于提升功能，因此在工程和商业上缺乏动力[20] - 一项针对3000多名高学历人群的调研显示，40%的人对“人工智能取代人类”感到极度焦虑，这反映了社会在人工智能时代的功能主义内卷[21] - 行业的未来方向应是“人类之心”与“机器之能”的协同，发挥人类在主观体验上的独特优势，而非与机器进行功能竞争[23]