本文探讨了几个交叉领域的深刻议题：意识的物理基础、复杂系统的数学理解、人工智能在生物医学中的应用潜力及局限，以及神经网络训练的内在特性。关键论点包括，意识可能源于大脑中特定频率脑电波的反馈控制，并可能涉及新物理学；理解复杂系统依赖于人类的图形化洞察，而非单纯的计算；AI虽能加速生物学发现，但临床试验和疾病的复杂性仍是难以逾越的障碍；神经网络训练中的分形结构揭示了进化可能采用了非梯度优化方法来解决复杂的参数调优问题。
意识的物理本质
Max Hodak 认为意识的核心在于解决“绑定问题”，即大脑如何将分散的信息整合成统一的体验。
- 模式绑定 (Mode binding): 大脑如何将颜色、形状、纹理等不同属性组合成一个统一的物体感知，例如“一个红色的杯子”。这与 Gamma 波 (40Hz) 有关，它负责局部神经元的快速协调。
- 瞬间绑定 (Moment binding): 为何在几十毫秒内，全脑神经元的活动会被我们体验为单个、连贯的意识瞬间。这与 Alpha 波 (10Hz) 有关，它像大脑的“前向传播”，统一了整体体验。
Hodak 提出，意识本质上是 一种反馈控制机制，由 Alpha 波驱动，确保大脑中物理存储的世界表征是准确的。然而，这一理论也引发了疑问：
为何反馈控制就等同于意识？按照这个逻辑，内存刷新是否也算是一种意识？
此外，Hodak 推测，彻底理解意识可能需要 发现新的物理学，其基础性堪比四大基本力。他认为，如果意识能对世界产生实际影响，那它必然是一种新物理现象。但这种观点也存在疑点：
- 许多现象（如木头浮在水上）能对世界产生影响，但它们只是现有物理定律的推论，并不需要新物理学来解释。
- 进化在偶然中发现并利用了一种我们用现有技术从未探测到的全新物理场，这似乎不太可能。
非线性动力学与混沌
Steven Strogatz 的著作强调，理解一个复杂系统如何演化，最好的方法不是观察单一轨迹，而是 通过图形化方法绘制系统从不同起点出发的演化路径。这种几何化的直观方法，能带来深刻的洞察力。
我如果没有大语言模型（LLMs）和异步课程，根本无法理解这些内容。我几乎每分钟都会暂停，向聊天机器人提问澄清疑点，或尝试预测下一步。
尽管人工智能在计算上很强大，但在理解复杂系统方面，人类的洞察力仍然不可或缺。以一个昆虫爆发的模型为例：
- 判断力至关重要： 首先需要判断哪些维度是关键的，并选择正确的“无量纲形式”来简化问题。
- 可视化需要洞察： 即使有了方程，如何将其图形化也决定了能否获得直观理解。通过巧妙的作图，可以清晰地看到系统的三种不同状态：种群无法发展、被天敌控制、以及种群爆发失控。
这种 洞察力与对问题本质的理解 紧密相连，目前的 AI 很难在这方面提供帮助。真正推动领域发展的，是那些能提出全新思考框架的少数数学家。
人工智能与生物医学的进展
Dario Amodei 认为，AI 有望在几年内带来生物学领域一个世纪的进步。他的论点是：
- 生物学的重大进展由 突破性发现 驱动，而这些发现似乎受限于人类的智力。
- AI 能通过创造新的数据收集工具来 克服数据瓶颈。
然而，现实情况是，尽管过去几十年基因测序成本大幅下降，新疗法和药物的研发速度似乎并 没有相应加快，甚至有所放缓。
对此，一个有力的反驳是，对疾病机理的初步理解不足以开发出有效药物。例如，我们知道阿尔茨海默症与 β-淀粉样蛋白有关，但所有旨在清除该蛋白斑块的药物都失败了。即使 AI 带来了更多类似发现，也无法取代在活人身上进行实验的必要性。
Amodei 认为 AI 能提高药物试验的成功率，从而加速审批流程。但这种想法似乎过于乐观，除非我们能 用 AI 完整地模拟人体，否则很难提前判断一种药物是否有效。指望数据中心的 AI 科学家能消除所有新药研发的风险，目前看来并不现实。
神经网络训练中的分形之美
Jascha Sohl-Dickstein 的一篇博文指出，神经网络训练中存在一个奇特的现象：
- 模型训练时，收敛与发散之间的边界呈现出 分形结构。
- 这种分形的、不规则的边界使得使用梯度下降法来优化学习率等超参数变得异常困难。
这引出了一个有趣的问题：进化是如何为我们的大脑找到正确的“超参数”的？进化可能采用了某种 非梯度优化 的方法，通过在分形区域中寻找平均收敛速度最快的“区域”，而不是沿着某个特定点的梯度移动，从而更有效地解决了这个难题。
分形之所以出现，是因为梯度下降本身是一种 迭代应用的函数。这同样可以解释其他迭代过程（如思维链或 RNN）中出现的方差问题，它们可能都源于这种类似分形的动态特性。