【摘要】人工智能技术快速发展并融入人类社会的多个领域，为艺术创作与传统艺术观念带来深远影响，其背后存在自然智能与人工智能在认知机制上的根本差异：贝叶斯大脑基于因果推理与预测误差修正，形成具有解释性、目的性与情感深度的自然范畴；而以玻尔兹曼机为代表的人工智能依赖统计推理与数据拟合，形成缺乏因果意图的统计范畴。在艺术创作中，人类艺术根植于情感、意义与意识，而人工智能艺术本质上是数据模式的组合生成，虽能拓展形式边界，却无法具备人类的情感深度与自我意识。这一差异不仅揭示了人机认知的本质区别，也为未来人机共生的艺术与文化生态提出新的挑战。
【关键词】自然智能 人工智能 艺术创作 贝叶斯大脑 玻尔兹曼机
【中图分类号】TP18 【文献标识码】A
【DOI】10.16619/j.cnki.rmltxsqy.2026.02.009
【作者简介】刘闯，复旦大学哲学学院特聘教授。研究方向为科学哲学、智能哲学，主要论文有《自然理性内化与心智因果起源的哲学探究》《时空、引力与量子纠缠》《Substance and Method: Studies in Philosophy of Science》。
引言
随着人工智能理论和技术的日新月异，人类社会的各个领域都在经历前所未有的变革。从智能助手到无人驾驶，从合成蛋白设计到科学理论研究，人工智能正逐步融入我们生活工作的方方面面。与此同时，其对人类认知、创作以及艺术的影响也日益显著，尤其在艺术创作领域，人工智能已经开始挑战传统的艺术观念和创作方式。这一切背后，隐藏着深刻的哲学问题：自然智能与人工智能的本质区别是什么？后者为何会有如此空前的影响力？它们又将如何影响我们的未来，特别是在创造性和文化表达上？
自然智能，作为生物演化的产物，其基于动物（包括人类）大脑的贝叶斯推理结构和自我纠错机制，使我们能够感知世界、进行推理、作出决策，并通过行动、语言和情感与他人交流。人类的感知与认知深刻依赖于自身的身体。与此相对，人工智能作为一种由计算机算法驱动的“智能”，其感知与推理过程仅依赖于数据和统计模式，缺乏人类和动物特有的身体或具身情感与意识。通过大量数据学习，人工智能能够快速识别模式、解决问题，但其思考过程与传统意义上的智能截然不同。
本文将探讨自然智能与人工智能的原理性区别，通过艺术创作与欣赏的案例，阐述这种区别对人类与人工智能的共存与互动的影响，并结合贝叶斯大脑与玻尔兹曼机的对比，分析二者在感知、推理和创作过程中的不同机制，以及人工智能在艺术创作中展示的与人类艺术创作中不同的特点和挑战。希望为读者提供一种从基本原理出发讨论人工智能发展与影响的全新视角，促使大家思考：由于基本原理和机制的区别，人工智能创作出来的作品是否会逐渐远离人类固有的文化与文明，给人机共存的未来提出意想不到的挑战？还是人类会在诸多原创性领域“联合”其他动物，另辟蹊径，开创出前所未有的艺术文化？
动物大脑中的贝叶斯感知
传统被动感知理论。哲学家笛卡尔提出的二元论认为，动物身体（包括大脑）与心灵分为物质和精神两个独立的实体。物质性感知与行动的过程被视为一个“感官—神经—大脑—神经—肌肉”的闭环，强调外部感官信息通过神经系统传递至大脑，进而影响行为，整个过程是被动的。而心灵运用概念推理等方法主动指导与控制感知与行动，则是超出物质范畴的精神活动。与此同时，在哲学家洛克看来，外部世界的事物通过感官输入影响我们的心灵，这一过程也是被动的。感官输入是一种被动的感官印象，这些印象会根据刺激的性质，被大脑转化为内部的观念。比如，我们通过眼睛感知到的颜色、形状、距离等，都是感官印象的结果。大脑只是在这一过程中进行加工和反射，而不是主动地创造或解释这些印象。
这些有代表性的传统西方感知理论往往把感知刻画为被动过程，忽视动物（物质的）大脑在感知过程中的主动构建与推理。而贝叶斯感知理论的出现，突破传统的感知理论框架，提出大脑不仅仅是被动接受和处理外部信息的工具，更是能主动构建感知经验的推理系统。
能动推理或预测加工理论的感知。贝叶斯大脑（Bayesian Brain）理论的核心在于“预测误差最小化”（PEM）机制和“感知—行动”统一化机制。该理论认为，大脑并非仅仅依赖对外部感官输入数据的整理和概念化来认知周围的世界，而是通过构建关于世界的生成模型（generative model），以及其与感官数据的因果生成关系，来预测感官输入。具体来说，大脑通过假设引起当前感官数据的外部成因，并根据这些假设与数据多层级对比产生的误差，更新其世界模型之间的先验分布，从而形成对外界事物的感知经验。[1]比如，当我们看到一个物体时，贝叶斯大脑并不是简单地将图像传输到视觉皮层，由概念加工、形成经验，再根据经验作出反应，而是首先通过先前经验构建的假设（如墙上的是小虫还是黑斑或是黑影）及其先验分布，预测它可能是什么，以及在感官层面会导致怎样的输入分布。这个预测的准确性决定我们对感官输入如何作出相应的行动。如果预测和实际感官输入存在差距，系统将进行更新、调整模型，使其更好地适应外部环境。
预测误差最小化过程。贝叶斯大脑的预测误差最小化过程，在动物大脑皮层中是一个层级性的机制。过程中预测误差通过大脑的不同层级处理（最小化后忽略）和向上传递（无法忽略的惊奇），从低级的感官输入到高级的感知功能，逐步调整生成模型，以减少误差的积累。比如，在视觉感知中，视觉皮层会不断调整关于物体形态、颜色、距离等特征的预测，确保感知结果与实际情况尽可能一致，而视觉经验判断皮层则会不断调整外物模型类别（如是猫还是小狗）的预测。
同时，贝叶斯大脑是一个标准“知行合一”的机器，也就是说，这一机制不仅限于主动预测和感知，还能通过主动预测指导行动来帮助感知（如移动视线以看得更加清晰）。通过“感知—行动”的紧密整合，大脑能够根据环境反馈快速调整其行为策略，这也是自然智能的一个重要特征。
深度学习中的大数据统计感知
深度神经网络与玻尔兹曼机。与自然智能的贝叶斯机制相比，人工智能系统的感知过程更加依赖于统计学习和大数据分析。深度神经网络（DNN）通过多个层次的非线性变换，从原始数据中提取出有感知与认知意义的特征，然后统计性地选择它们的组合，以最终确认外物。在这种结构与过程中，数据通过一系列的加权计算传递和变换，最终达到分类或回归的目的。
玻尔兹曼机（Boltzmann Machine），特别是限制玻尔兹曼机（Restricted Boltzmann Machines），是深度学习领域的一种重要模型，其工作原理源于统计物理学中的玻尔兹曼分布原理。该原理具有普适性与基础性，采用无监督学习方法，其相关研究成果更获得2024年诺贝尔物理学奖。玻尔兹曼机通过模拟粒子在物理系统中的状态变化来对数据进行建模：网络中的每个神经元或单元都具有某种概率状态，网络的目标是通过不断调整这些状态，最小化总能量，最终使网络能够在给定的输入数据中找到合适的分布状态。与贝叶斯大脑的预测性和因果推理不同，玻尔兹曼机可以在数据中发现潜在的结构和规律，通过在统计空间中反复调整权重，寻找最优化的模型来描述数据分布，以构建感知与认知经验。[2]
虽然深度学习还包括多种不同类型的神经网络，如卷积神经网络、循环神经网络，以及更为特殊的大语言模型，每种网络在架构和应用上都具有独特性。但鉴于玻尔兹曼机在原理上的基础性，学习机理上的超前性（无监督学习），本文选择将其作为与贝叶斯机相对应的分析对象。本文研究认为，其他部分神经网络的功能和运行可能更多依赖人为操作或控制，就人机共存的未来而论，玻尔兹曼机的独立特性使其具有独特的研究价值。
人工智能感知的统计特征。人工智能在处理感官数据时，依赖于统计学习方法，尤其是深度学习技术。通过大规模数据集的训练，人工智能能够挖掘潜在于数据中的各种特征并进行归类。例如，在计算机视觉领域，人工智能可以通过大量图像数据训练，自动学习山川、树木等外部环境的特征，从而实现图像识别。
人工智能系统的优势，在于能够通过直接处理大量数据，自主习得感知和认知能力，并在没有前验假设分布的情况下，从数据中“习得”有效识别能力。然而，人工智能的感知系统并不像人类大脑那样依赖于经验（前验假设）和概率因果推理，而是通过统计方法来解决问题，生成对感官输入的响应。
人工智能用统计学习方法“感知”外界，其机制与前文提及的传统被动感知理论具有更高的契合度。除去细节差异，有的哲学家如洛克的知识论会自然地认为，人类感知外界的机制本质上即遵循此类被动接收与归纳的逻辑。有趣的是，人类自然智能的感知过程，是遵循贝叶斯能动预测加工原理来实现的，而人类创造出来的人工智能却基本契合传统被动感知理论，以被动的统计学习方法来实现对外界的感知。
自然类范畴与统计类范畴
因果推理与统计推理的区别。除了在主动与被动感知模式方面的差异，由于感知推理模式的不同，自然智能与人工智能还以不同的范畴体系实现对世界的感知与认知。[3]自然智能的核心优势在于其概率因果推理能力。贝叶斯大脑不仅通过外部数据对环境进行建模，并用其预测外来数据的分布，还会在推理过程中不断修正和验证假设。相比之下，人工智能的推理更依赖统计推理方法：其通过对大量数据的统计建模，识别数据中可能存在的特征和特征间的组合规律。值得注意的是，人工智能的系统更关注数据的分布特征，而不是寻找背后的因果关系。从认知哲学的高度来看，人工智能系统所感知到的、与动物大脑相似的“感知印象”，一部分是靠人给予它的训练，一部分是通过数据迭代实现的统计磨合。
自然类别与统计类别的区别。自然类别（natural kind）是认知科学与哲学领域的核心概念，特指由生物演化、文化经验以及人类感知与认知系统自然而然形成的类别。在贝叶斯大脑的框架中，自然类别的构建并非依赖于对感官输入的归纳总结，而是自然选择和长期演化进一步结合的产物。比如，人类的眼睛对颜色、形状、运动等特征非常敏感，在生存竞争中，人类大脑会对外物在环境中形成的长期稳定形态和性质，构建生成模型假设及其概率分布，这一认知过程使得人类在面对一个物体时，能够自然地将其区分为“动物”“植物”等自然类别，进而完成对物体的感知与认知。此外，这种分类还会依赖物体对感知者所具备的潜在用途，在认知心理学中，这一属性被定义为“动缘”（affordance）。[4]
统计类别(statistical kind)则存在本质差异，人工智能系统缺乏感知外界的物理身体，即使像机器人这样拥有物理“身体”，也无法构成完整意义上的感知身体，其感知并不依赖于物体的固有特征，而是通过大规模数据分析，从数据的统计分布中提取关键信息，如最大概率特征在特征空间中的远近距离，进而实现对外界的分类“感知”。具体而言，人工智能系统，尤其是深度学习模型，主要依赖这种方法：通过训练海量数据，基于数据特征空间中概率峰值的距离，找出特征间的相关性，从而作出分类识别。从本质上看，统计类别是对数据集的数学建模，并不是基于对象本身的感知属性或者动缘属性，而是数据的统计规律。换句话说，人工智能的统计类别通常难以与人类的自然类别相吻合，其对同一自然物的分类可能存在差异，而这一差异主要取决于该物的感知数据在训练数据中的分布特征。
贝叶斯大脑与自然类别的关系。贝叶斯大脑的机制本质上是概率因果推理和预测，具体表现为对外界事物及其动缘信息的预测加工过程。在这种框架下，大脑通过构建关于环境的生成模型来理解世界，并不断优化这些模型，使其预测更加精确。这一过程结合行动，与自然类别的形成密切相关，因为人类的大脑并不是简单地接受外部信息，而是在每一次感知中主动推测可能的成因，依赖先前的经验和生存需求来调整感知模型。
那么，为何贝叶斯大脑在感知外界的过程中会产生采用自然类的范畴呢？答案可以从以下方面获得。[5]一是演化遗产与生物适应性。贝叶斯大脑理论是一个演化博弈理论，大脑的感知和推理系统经过演化筛选留存，旨在帮助个体适应复杂的环境。在这种演化博弈过程中，大脑和身体一道发展出基于适应环境需求的“自然类别”系统。这些类别在长期的演化过程中被筛选出来，并且能够有效地应对生存和繁衍所需的各种任务。比如，“动物”“植物”等自然类别对生存至关重要。动物大脑对这些类别的识别区分能力，因其对于动物在自然环境中寻找食物、避免危险及与同类交流至关重要，被自然选择留存为生存策略。因此，贝叶斯大脑在感知世界的过程中，会逐渐形成对这些自然类别的依赖，并借助它们构建对环境的感知和理解。
二是效率与信息处理的优化。贝叶斯大脑理论强调“预测误差最小化”机制，即大脑根据过去的经验和外部环境的感知输入来预测结果，并不断调整自身模型以减少误差。自然类别的使用能够极大提高这一预测过程的效率。通过归纳出“常见类别”，并根据这些类别形成因果模型对外因进行预测，大脑可以在面对复杂和动态的环境时，通过对感官“小数据”的预测，迅速作出反应，而不需要逐一分析新的事物或事件。比如，当我们看到一只具有特定外形的动物时，大脑无需逐一分析细节（如颜色、大小、形状等），而是迅速将其归入“动物”类别，并根据已有的经验判断它是否是危险的、可食用的或友善的。这种分类方式不仅能节省处理信息的计算量，还能够提高大脑在日常生活中的适应性。
三是感知与行动的紧密整合。贝叶斯大脑的一个重要特点是感知与行动的紧密整合。按照神经科学家弗利斯顿等人的口号：感知就是行动，行动也是感知。[6]自然类别通过提供一种方便、高效的框架，使大脑能够利用相应行动来迅速识别和理解外部世界。这种基于自然类别的感知机制可以帮助个体迅速作出适应性反应，从而进一步感知与认知到环境的细节。比如，当非洲原野上的人类看到狮子时，大脑立即将其归为“危险动物”类别，并激活应急反应机制来迅速测试这一动缘的真实性，而不是逐步分析其形态和其他属性。自然类范畴能够快速引导行为，减少过度思考和推理的时间，从而在生存竞争中占据优势。
四是自然类别与生物和社会演化的联系。自然类别的形成不仅是为了提高感知与认知效率，还与动物身体的根本需求密切相关。大脑的结构、功能与生理过程紧密相连，比如，“食物”和“捕猎”等自然类别与动物获取能量、维持生命的需求息息相关。这些类别为大脑提供有效框架，使得个体在复杂的自然环境中，能够快速作出决策并采取行动。此外，人类的自然智能不仅仅涉及生理层面，还包括文化和社会层面。许多自然类别，如“家庭”“社区”“国家”等，多通过社会交往和文化传承逐渐形成。这些类别帮助个体在社会中实现有效互动，并维持社会结构和秩序。因此，贝叶斯大脑的自然类范畴不仅是对物理生物世界的感知，也涉及与他人互动、学习和社会适应的需要。
玻尔兹曼机与统计类别的关系。玻尔兹曼机是一类无监督学习模型，基于概率统计推理来学习和理解数据中的模式。在这种模型中，外界的事物（如图像、语言、声音等）被看作巨大的数据集，包含海量特征、属性及其间的相关性。玻尔兹曼机通过对这些数据进行统计分析、比较和建模，习得在数据的多维空间中发现规律的方法。
与贝叶斯大脑依赖先验假设，并通过预测与修正获得后验分布来感知世界的机制不同，玻尔兹曼机不关注事物的概率因果关系，而是通过大量数据的分布特征推断类别与模式。其通过随机初始化和优化过程逐步调整模型的权重，以获取最能准确描述数据分布的模型。
玻尔兹曼机的主要目标在于，通过特征和模式识别实现信息处理。其将输入数据（如一个句子的词汇或图像中的像素）转换为高维的统计空间，并在其中寻找具有相似特征的数据簇，即通过比较统计空间中不同特征对应的高斯分布峰值间的距离，将邻近的峰值归为同一数据簇。这些数据簇即构成“统计类别”，这些类别并不必然地依赖于事物的实际物理属性或因果关系，而是通过在大数据中识别并归类频繁出现的模式，最终实现对此类属性与关系的认知。比如，在语言处理任务中，玻尔兹曼机可以通过分析大量文本数据，自动学习词汇之间的统计关系（如词频、词汇共现、上下文信息等），而不是像贝叶斯大脑依赖自然类别（如“动物”“物品”）实现感知和分类。其进而识别出语义相关的词语和句子结构，并根据这些统计关系生成新的文本或预测下一个词语。[7]
玻尔兹曼机系统通过优化网络权重实现最小化系统能量，这一过程类似于统计热力学中系统状态依据玻尔兹曼分布律进行调整的机制。这种优化过程本质上是统计的，而非概率因果推理的。玻尔兹曼机通过调节神经元之间的连接强度（即权重），使系统能量最小化，从而得到一个统计类的最优概率分布。
玻尔兹曼机的另一个关键特点在于，其能够通过处理大数据的泛化能力，习得更为复杂的模式。在人工智能领域中，尤其是大语言模型和图像处理任务中，数据规模通常极为庞大，传统的分类或概率因果推理方法难以应对。因此，统计类方法（如玻尔兹曼机）可通过学习数据的分布特征来进行感知和推理，进而有效适应和处理大规模、复杂的数据集。比如，玻尔兹曼机能够通过学习大量图像，统计出最常见的像素模式，并通过这些模式识别出图像中的物体，而不需要依赖预设的自然类别（如“猫”“车”等）。其通过对数据的深度分析，发现一个比自然类别更加细致的统计空间，使其能够在没有显式定义的情况下进行模式识别和生成。
自然类与统计类的冲突与融合问题。随着深度学习和神经网络理论和技术的发展，人工智能已在许多领域超越传统的自然类别认知。比如，在科技研究领域，人工智能可以通过大数据学习，发现远超人类自然感知能力的潜在模式。然而，这也带来一些问题，即人工智能的感知系统可能会偏离人类传统的自然类系统，导致对世界的解读与人类的理解存在显著错位。
这种冲突表现在，人工智能可能会生成一些看似“合理”的分类，但这些分类并不符合自然类的常识认知。比如，在图像识别中，人工智能可能将部分外形相似的物体（如圆形物体和球体）归为同一类，而忽略人类对物体功能和用途的不同理解。然而，统计类的“离奇”也给我们提供了机会，人工智能可通过运用统计类别来拓宽人类的感知与认知视野。其可通过对海量数据的分析发现人类之前未注意到的类别关系，并为人类提供新的视角，帮助人类更好地理解和分类世界。
人工智能的艺术创作与体验
自然智能与人工智能在能动地感知与认知外界时，所用的心理工具（自然类与统计类）有所区别。那么，这种区别会产生怎样的影响？本文以艺术为例来探讨这个问题，主要有两点原因。一是艺术领域受到人工智能的冲击，且这一情况已经得到公众的普遍关注；二是艺术创作与体验领域可能成为未来人机共存中的一个分水岭。若以科学技术领域的发现和发明为例，自然与人工智能之间的张力尚未表现出明显特征，不必过度关注。比如，科技领域中自然类范畴早在人工智能大量介入之前就已经受到冲击，物理学的“自然类”除了“基本粒子”、四大“基本相互作用”，其他均不具备严格自然类属性。化学分类也不同于日常认知中的自然类，即便是现代生物科学中的分类，也与日常的自然类存在很大区别。因此，以艺术领域为例更能说明问题。目前中外文献中已有对艺术领域案例的讨论。[8]
艺术创作的要义，在于通过作品的感官呈现（如视觉、听觉等）传递情感和思想，引发观众的感知与共鸣。无论是通过绘画、雕塑、音乐还是其他新兴艺术形式，都致力于以作品为媒介，激发受众的情感体验。艺术创作不仅仅是外部物质媒介的简单表达，还承载着创作者的意图与情感，作品的意义通过观众的感知体验得以实现。在这个过程中，人类艺术家的大脑通过贝叶斯机制预测观众的反应，并根据这些预测调整创作内容与形式。比如，艺术家可能会通过事物的选择、色彩的搭配、形状的选择等方式，来引导观众的感知，以达到预期的艺术效果。而人工智能的创作过程则存在显著差异。
当人工智能作为主体参与艺术创作时，其“创作”并不是基于情感和意图的传递，而是基于从大数据中学习到的统计规律生成新的作品。人工智能艺术创作依赖于算法的训练，其通过对大规模数据集的分析，能够生成符合统计规律的新艺术作品。例如，生成对抗网络（GANs）可以生成看似逼真的图像，这些图像可能在形式上符合艺术品的标准，但它们缺乏艺术创作中的情感和意图。
如果说人工智能系统可以实现对艺术的“欣赏”行为，其“艺术体验”则更为直接，其不需要理解作品的深层意义，而是仅通过算法分析作品中的数据特征，就可生成对作品的反应。在这种情况下，人工智能的“艺术体验”与人类的艺术体验有着根本的区别。人类在欣赏艺术时，会通过自己的经历、文化背景和情感状态对作品产生独特的理解，而人工智能则仅仅是根据输入的数据生成相应的输出。
那么，以自然类范畴和以统计类范畴创作艺术的根本区别又体现在何处？根据前文的分析，人类艺术依赖自然类的范畴来进行因果性叙事与情感表达。艺术家在创作过程中，不但会对形式、色彩等视觉元素进行排列组合与艺术化处理，更重要的是会追问“为什么”。毕加索的《格尔尼卡》之所以成为世纪名作，并非因为其在形态设计上的独特性，而是因其通过符号化的形象，承载了战争的残酷经验与情感控诉。画中的断裂马身、嚎叫的母亲和扭曲的空间，都通过人类大脑的自然类感知被解读为“痛苦”“毁灭”和“无助”。这种艺术体验，本质上是人类大脑在因果框架下重建意义的过程。类似地，中国水墨画中“山”的形象，不仅仅是视觉元素的组合，而更是触发观者对自然、隐逸与哲思的文化性联想。这类因果性与文化性，构成人类艺术不可取代的底色。
相较之下，人工智能艺术依赖统计类范畴来生成作品。其并不追问“为什么”，而只是回答哪些模式最可能共现或最能吸引眼球。当人工智能生成一幅“梵高风格的猫”时，其实际上是在像素层面将“猫”的统计特征与“梵高画风”的统计特征进行叠加。结果可能极具视觉冲击力，却不存在因果叙事与情感根基。而人工智能生成的音乐作品，往往是基于大量旋律的统计模式拼接，旋律或优美或离奇，但其背后没有“作曲家思念家乡时的心境”或“宗教仪式的精神氛围”这类情感内核。观众在聆听时，仍然会用自然类的因果推理来赋予其意义，但这种意义是人类大脑主动投射上去的，而非人工智能创作中所承载的表达诉求。而当概率拼接足够离奇时，人类大脑的投射有可能无济于事。
因此，用自然类的艺术呈现的意图与解释，通过概率因果推理把经验和文化编织成作品；而用统计类的艺术呈现的形式与特征的统计拼接，依靠模式的统计重组制造新奇感。二者在表面上可能都能吸引观众，内在逻辑却完全不同。一个源自“解释世界”，一个源自“拟合数据”。这也解释了为什么人类艺术和人工智能艺术在未来有可能呈现出两条分道平行的发展轨迹。
自然类范畴创作与统计类范畴创作的关键区别可总结为以下方面。首先，是情感与表达的深度。自然类范畴创作强调艺术家的情感表达和对世界的理解，作品往往能够触动人心并引发观众的共鸣。艺术家通过作品表达对生活、自然、人类经验等感悟，其作品通常带有个人色彩和独特的艺术理念。这种共鸣如果缺乏长期演化而来的身体和大脑，恐难以产生。统计类范畴创作则往往缺乏这种情感深度。由于不具备经由生物演化而形成的思考能力和情感特性，人工智能在创作时不会有情感和意识，其只是根据数据之间的统计关系来生成作品。尽管人工智能可能模仿某些艺术风格，但由于这种创作并不具备自我意识或情感表达，往往更冷静、理性，但也可能突破动物艺术感的边界，创作全新的艺术维度。
其次，是创作过程的主观性与客观性。在自然类范畴的创作中，艺术家的主观性至关重要。艺术家的个人体验、情感，以及对世界的认知都会直接影响作品的最终呈现。艺术创作是一个主观体验的过程，艺术家通过直觉、情感或哲学思想来探索和表达世界。在统计类范畴的创作中，人工智能的创作过程呈现客观性和概率选择性。其通过处理大量数据并依靠算法规则生成作品。即便能够产生“视角”，也不是主观视角，而只是客观的相对位置差异。因此，人工智能创作的艺术可以产生离奇的创意，在很多情况下甚至超越传统创作，但其本质是基于数据分析与模式重组，并不包含主观意图。
自然类范畴的创作具有较高的情感原创性，因其依赖于艺术家的独立思想和个人感知，而艺术家从自然世界中提炼出独特的视角和创作意图。艺术作品往往是对现实的再创造，其不仅仅是现象的再现，更是对世界的深刻解读。统计类范畴的创作则可以在视觉上产生新颖的作品，以离奇的原创性展现于世，这种作品是基于现有数据的重组和创新，虽然可能开创新维度，但它不具备情感的原则性。人工智能的创作并不源自内心主观艺术冲动，而是对数据规律的应用和变换。
虽然人工智能是人类文明高度发达的结晶，但统计类范畴的创作方式代表了人工智能与自然智能截然不同的创作途径。自然类范畴创作的艺术作品通常注重情感的表达、艺术家的意图以及作品背后的深层次思想，而统计类范畴创作则更关注数据模式的识别和重组，其创作过程是数据驱动和客观生成的。
尽管如此，人工智能的艺术创作并非完全与自然类创作对立。在未来，人工智能艺术创作可能通过更深层次的学习与训练，逐渐产生独立于人类艺术，但与之互补的创作方式，并以此开辟艺术创作与体验的新天地。事实上，人类艺术史上不乏试图超越人类感知与认知局限性的尝试。伟大的艺术家往往都是挑战传统艺术观念和模式的先行者。人工智能艺术给人类带来的全新的维度，很可能会成为未来艺术家选择和合作的对象。人工智能的出现已经在创新方面给科学技术领域以极大的帮助，我们有理由相信，人工智能艺术将会对人类艺术创作未来作出相似贡献。
同时，在未来人工智能艺术发达、人类无法在同样的维度上与之竞争的情况下，人类艺术家很可能另辟蹊径，开辟人工智能艺术无法效仿的领域。比如，无论未来的人工智能系统多么发达先进，其也不可能拥有通过长期生物演化而来的动物身体，而这样的动物身体与贝叶斯大脑的结合所产生的情绪、感知和初级认知，是人工智能系统所望尘莫及的东西。因此，人类文明在未来高度发达的人机共存时代里，有可能放弃人类在很长一个时期内追求的“高大上”的艺术目标，而回归到创作原始、粗糙但充分体现动物具身感受和感知的作品里去，它们自然、非理性、微妙、难以捉摸和不可言喻，与人工智能艺术作品构成鲜明对比。
可以想象，在未来的人机共存环境中，艺术的发展可能沿着两条分离的方向前进。人类艺术将继续深化因果叙事、返璞寻源和文化积累，强调情感和感知与初级认知，甚至更积极地探索感知错觉与因果预期之间的张力。而人工智能艺术则会在统计组合和新奇性上不断拓展，在虚拟现实、游戏与沉浸式艺术中展现出独特优势。它们擅长风格混搭与形式实验，能创造出前所未有的感官体验景观。
由此可见，人类与人工智能艺术可能既分道扬镳，又相互补充。如上所述，两者平行发展，最终或许会出现双轨的艺术世界：人类为人类创作，人工智能为人工智能创作，二者在各自的维度上延展，但也可能在交汇处催生“人机共创艺术”。在这一过程中，人工智能不断挑战“艺术本质”的哲学边界，而人类则因人工智能的存在被迫重新反思自身艺术的独特性与不可替代性。正是在这种互动与张力之中，人类与人工智能的艺术未来将走向既分离又互补的发展方向。
结语
本文通过比较自然智能（以贝叶斯大脑理论为代表）与人工智能（以玻尔兹曼机模型为代表）的运作机制，揭示二者在感知、推理与艺术创作中的根本差异。贝叶斯大脑依赖因果推理，以预测与误差修正的循环来主动建构对世界的理解，并形成与进化和经验相关联的自然类范畴。该机制使人类的感知与创作具有解释性、目的性与情感深度。然而，玻尔兹曼机及其相关的深度学习模型，则通过统计推理拟合大数据的统计分布，形成统计类范畴。这种机制在模式识别和数据生成方面极为高效，但缺乏因果性与内在意图。
在艺术创作中，这种差异带来深远影响：人类艺术强调情感、意图与因果意义，而人工智能艺术则依赖数据统计和模式组合生成作品。人工智能或能拓展艺术的新形式，但其生成过程本质上缺乏人类创作的情感与自我意识。自然智能与人工智能的机制差异不仅揭示人机认知的根本区别，也为未来人类与人工智能共存的艺术与文化生态提出新的挑战并引发深度思考。
注释
[1]参见赵汀阳：《人工智能还给人类的思维难题》，《中国社会科学》，2024年第8期；K. Friston, "A Theory of Cortical Responses," Philosophical Transactions of the Royal Society B: Biological Sciences, 2005, 360(1456)。
[2]参见《2024年物理诺奖颁给“AI+物理”：Geoffrey Hinton和John Hopfield因人工神经网络成果获奖》，2024年10月8日，https://finance.sina.com.cn/roll/2024-10-08/doc-incrvwyw7089607.shtml；G. E. Hinton and R. R. Salakhutdinov, "Reducing the Dimensionality of Data with Neural Networks," Science, 2006, 313(5786)。
[3]J. Otsuka, Thinking About Statistics: The Philosophical Foundations, New York: Routledge, 2023, p. 204.
[4]J. J. Gibson, The Ecological Approach to Visual Perception, Boston: Houghton Mifflin, 1979.
[5][6]K. Friston, "A theory of cortical responses," Philosophical Transactions of the Royal Society B: Biological Sciences, 2005, 360(1456).
[7]如今的大语言模型并不是用玻尔兹曼机，仅耗能一项就不切实际，但是理论上是可以用玻尔兹曼机构建大语言模型产品的。
[8]参见于广莹：《人工智能艺术的局限性与当代价值》，《美学研究》，2024年第1期；M. Kunda, "Visual Mental Imagery: A View from Artificial Intelligence," Cortex, 2018(105)；A. Elgammal et al., "CAN: Creative Adversarial Networks, Generating 'Art' by Learning About Styles and Deviating from Style," 21 Jun 2017, arXiv preprint arXiv:1706.07068。
责 编∕邓楚韵 美 编∕周群英
The Impact of Differences Between Natural Intelligence and Artificial Intelligence Mechanisms on Artistic Creation
Liu Chuang
Abstract: The rapid development of artificial intelligence and its many applications in human society have had a far-reaching impact on the traditional conception of art. The Backdrop of such impact is the essential difference between the fundamentals of the natural and artificial intelligence: the Bayesian brain, based on causal reasoning and prediction error minimization, produces natural categories with interpretability, purposiveness and profound emotional depth; in contrast, artificial intelligence represented by the Boltzmann machine relies on statistical reasoning and data fitting, forming statistical categories lacking causal inferences and intentionality. In artistic creation, human art is rooted in emotion, meaning and consciousness, while AI art is essentially a combinatorial generation of data patterns. Though it may help to expand the boundaries of artistic forms, AI art is incapable of having emotional depth and self-awareness of human beings. This difference not only reveals the intrinsic cognitive difference between humans and machines, it also presents new challenges for the artistic and cultural ecology of human-machine symbiosis in the future.
Keywords: natural intelligence, artificial intelligence, artistic creation, Bayesian brain, Boltzmann machine
