文章核心观点 - 人类正处于由人工智能（AI）驱动的认知范式革命之中，其深度堪比哥白尼的“日心说”对“地心说”的颠覆 [5] - 这场革命由五大互相关联的范式转变构成，它们共同重塑了我们对计算、智能以及AI未来发展的理解 [6] 自然计算 - 计算是一种自然现象，早在人类制造计算机之前就已存在于自然界，这一认知将推动计算机科学、AI、物理学和生物学的革新 [6] - 约翰·冯·诺依曼在1951年就发现了计算与生物学的深刻联系，证明了生命本质上是“计算性”的，DNA即是生命的代码 [13][14] - 艾伦·图灵在理论生物学领域做出开创性贡献，描述了组织如何通过感知和释放化学信号（形态发生素）进行生长和分化，这是一种强大的模拟计算形式 [16] - 谷歌“智能范式”团队的实验表明，在一个模拟的玩具宇宙中，可以从随机字符串“汤”中自发涌现出能够自我复制的最简单“人工生命”形式 [18] - 生命的复杂性通过自愈或繁殖能力得以持续存在，进化通过“多级选择”机制，使现有部分反复组合，形成越来越庞大复杂的实体，人类智能即源于约860亿个神经元的协同运算 [22][23] 神经计算 - 计算机科学的先驱们早已认识到大脑本质上是计算机，早期计算机的逻辑门即被构想为人工神经元 [25] - 传统AI（GOFAI）试图通过编写精确程序来复制智能，但最终失败，导致神经科学与计算机科学分道扬镳 [26][27] - “联结主义”学派拥抱机器学习，让神经网络从经验中学习，但20世纪基于二进制和串行执行的经典计算范式与神经计算并不契合 [28][29][30] - 大脑拥有约860亿个神经元，运行缓慢但高度并行且节能，而传统计算机模拟神经计算效率低下 [32][33] - 未来的神经计算范式将出现，其芯片可能包含数百万计像神经元一样并行工作的处理节点，计算由分布存储的数十亿参数决定，并能从经验中学习，实现分散且稳健的计算 [34][35] 预测智能 - 大语言模型（LLM）仅通过预测下一个词元就展现出惊人的通用智能，这一发现具有划时代意义 [36] - “预测性大脑假说”认为大脑进化是为了不断建模和预测未来，智能建立在不断演进的知识和对未来的统计建模之上 [10][38] - 未来的AI模型将演变为自我构建的系统，通过经验动态生长发展，并消除训练与推理（运行）之间的界限，实现持续、开放式的学习 [10][40] - LLM作为强大的通用预测器，不仅能处理语言，还能彻底变革机器人技术，驱动从自动驾驶汽车到人形机器人的各种形态 [42] - 拥抱预测处理范式，将规划、行动和预测统一起来，有望改进AI技术，并为机器学习、神经科学和理论生物学建立统一的理论基础 [43] 通用智能 - 关于AI是否具备真正智能的争论，功能主义的视角更为重要：关注系统实现的目的和功能，而非其具体实现方式 [48][49] - 当前的AI模型已经能够完成一系列广泛且不断增长的认知任务，其技能广度已超越任何单个人类个体 [10][53] - 衡量AI性能的标准已悄然从“任何个体”转变为“全人类”，当前单个人类的“通用性”已低于AI模型 [53] - 实现AGI（通用人工智能）的关键在于“无监督训练”，即在不规定具体任务的情况下进行通用学习，使模型获得广泛能力 [54] - AGI可能没有一个明确的跨越界限，或者这个界限已经被跨越，如今的LLM若展示给2002年的AI研究人员，会被认为是AGI [48][53] 集体智能 - 智能本质上是社会性的，“社会智力假说”认为人类智能的爆发源于社会性反馈循环和心智理论的发展 [10][56] - 人类通过认知分工组成了一个“超级生命体”，其智慧是集体性的，LLM通过训练大量人类集体成果，已在知识广度和平均深度上远超任何单个个体 [62] - 大脑皮层是一个模块化的“社区”，由运行通用学习算法的专门化区域组成，智能可被理解为一种“社会性分形” [64][65][66] - AI模型也遵循“规模法则”，更大的模型更聪明，并通过“专家混合模型”或“涌现模块化”实现内部的认知分工 [67] - AI发展的前沿正从单一的、权重冻结的基础模型，向具备高度自主性、能与其他智能体互动协作、并具备长期记忆和持续学习能力的形态演进 [68][69] - 智能的社会视角为AI工程和哲学问题（如意识）提供了新视角，LLM在心智理论测试中表现与人类不相上下，因其训练数据本就包含大量此类任务 [70]

研究突破与核心创新 - 研究团队成功破解斑马鱼视觉运动行为的神经计算过程，并开发出能在真实河流中游泳的机器鱼，成果登上《Science Robotics》封面[1] - 创建名为simZFish的虚拟仿真系统，并在80厘米长的物理机器人ZBot上实现验证，模拟了斑马鱼视觉运动行为的神经回路[3] - 机器鱼系统在瑞士Chamberonne河的急流中实现自主导航，展现出从实验室到真实世界的泛化能力[5] 神经通路复刻与技术细节 - 研究基于斑马鱼的视动反应（OMR），使用物理引擎Webots构建simZFish系统，虚拟鱼包含7个身体节段、双目摄像头及流体动力学模拟[6] - 构建从视网膜到脊髓的完整神经通路，人工神经网络包含数百个神经元节点和数千个连接，以1000Hz频率实时运行，实现感觉-运动闭环控制[8][9] - 通过数字孪生系统发现鱼眼视角（90°、120°、150°）显著影响神经活动和行为表现，并揭示后腹侧视野在驱动OMR中的关键作用[10][12] 真实世界验证与应用潜力 - 物理机器鱼ZBot长80厘米、重2.7公斤，保留双目相机、分段式身体及与虚拟系统完全相同的神经控制网络，在复杂自然环境中测试[16] - ZBot在河流测试中能在水流中保持位置的时间比关闭视觉系统长57%，比被动漂流长188%，证明实验室神经机制在真实环境的有效性[22] - 该方法可扩展至其他感觉模态，未来可能整合连接组数据与机器学习技术，为新一代智能机器人设计提供蓝图[22][24] 行业生态与企业列举 - 文章列举了工业机器人、服务与特种机器人、医疗机器人、人形机器人、具身智能企业及核心零部件企业等多领域代表性公司[28][29][30][31][32]