最近看到一篇很有意思的文章，把人类比作多模态大模型。这个比喻初听起来有点荒谬，但仔细想想，其实挺有道理的。

文章的核心观点是：人类的思维过程和LLM生成token的前向传播，在本质上没有区别，只是复杂度不同。我们的大脑接收各种感官输入（视觉、听觉、触觉等），经过复杂的神经网络处理，然后产生输出（语言、行动、情感等）。这个过程和大模型的工作原理真的很像。

不同的人就像是同一个基础架构加载了不同权重的实例。你和我的大脑结构几乎一样，差别全在"参数"上——也就是我们的经历、教育、环境这些因素塑造了不同的思维模式。

有人可能会反驳：人类有意识、有情感、有持续学习能力，LLM没有。但文章认为这些都是架构差异，不是本质差异。给模型加上传感器就有了具身性，加上在线学习就有了持续学习能力，加上内分泌系统模拟就有了情绪。这些是工程问题，不是原理性障碍。

这个观点让我想到了Chalmers的"困难问题"：为什么特定的物理过程会伴随主观体验？如果人类真的就是复杂的大模型，那意识到底是什么？是涌现出来的属性，还是某种我们还没理解的基础现象？

从实用角度看，这个比喻对AI研究可能有启发。如果我们把人类当作多模态大模型来研究，可能会找到改进AI系统的新思路。比如人类的注意力机制、记忆系统、学习策略，这些都可能为AI设计提供灵感。

但这个比喻也有局限性。人类的大脑进化了数百万年，在这个过程中形成了很多我们还没完全理解的特性。简单地用大模型来类比，可能会忽视这些独特之处。

不管怎么说，这个思考角度挺有趣的。它提醒我们，在研究AI的同时，也要更深入地理解人类自己。也许这两个探索是相辅相成的。

Blog

人类作为多模态大模型：一个有趣的哲学思考