从刺激驱动到目标导向：生物进化视角下的人工智能代理架构演进研究

为解决人工智能(AI)缺乏生物代理的自发目标导向性问题，Michael Tomasello团队通过对比LLM（大语言模型）与恒温器的行为模式，提出借鉴生物进化中的多层级控制架构（如执行层与元认知层），构建具有共享意向性(shared intentionality)的AI系统。该研究为突破AI的框架问题(frame problem)和选择问题(selection problem)提供了新思路，发表于《Trends in Cognitive Sciences》。

　　

在人工智能技术突飞猛进的今天，大型语言模型(LLM)虽展现出惊人的信息处理能力，却仍与生物智能存在本质差异——它们缺乏自发目标导向性(goal-directedness)，仅是"刺激驱动"(stimulus-driven)的被动系统。这种差异引发核心思考：如何让AI像自然生物那样，在动态环境中自主感知、决策并适应？来自杜克大学(Duke University)和马克斯·普朗克进化人类学研究所(Max Planck Institute for Evolutionary Anthropology)的Michael Tomasello团队，从生物进化视角揭示了代理架构的层级跃迁规律，为构建类人AI提供了革命性框架。

研究采用跨学科分析方法，通过比较心理学、认知科学和计算模型的整合，系统梳理了从单细胞生物到人类的代理架构进化谱系。重点分析了哺乳动物的双层级控制系统（基础执行层+元认知层）和人类特有的共享意向性形成机制，并引入注意力分配(attention allocation)和假设导向学习(hypothesis-directed learning)等认知模型。

基础代理架构的生物学启示

研究表明，恒温器虽简单却具备生物代理的核心特征：设定目标温度后能自主调节环境（目标导向），而LLM虽智能却仅对输入刺激作反应（刺激驱动）。这种对比揭示了AI研发的两大历史路径分野——信息处理工具与自主代理系统的本质区别。生物代理通过感知-行动循环(perception-action loop)解决"框架问题"，即基于自身能力动态判断环境中的机会/障碍，如灵长类同时处理"坚果成熟度"和"捕食者距离"等多重信息。

执行与元认知的层级调控

自然代理通过执行层(executive tier)实现抑制干扰、前瞻模拟等高级功能，元认知层(metacognitive tier)则进一步支持因果表征和信念修正。这种双层级架构使哺乳动物能进行假设检验（如区分预测错误与执行错误），而人类更通过语言建构集体意向性(collective intentionality)，形成文化规范等超个体协调机制。

阶梯式发展路径的价值

作者提出AI开发应模仿生物"从简单到复杂"的阶梯式建构，如先掌握基础感知-行动协调再添加元认知功能。这种发展性构建可能解决AI的鲁棒性挑战(robustness challenge)——当任务微调导致系统混乱时，扎实的基础架构能提供稳定性支撑。

该研究开创性地将生物进化原则引入AI设计，其核心贡献在于：1）阐明目标导向性是区分生物代理与现有AI的本质特征；2）提出多层级控制架构是实现类人智能的必要条件；3）验证阶梯式发展路径对复杂认知功能的建构价值。这些发现不仅为克服LLM的局限性提供新范式，更预示着下一代AI可能通过模拟生物认知架构，真正实现自主性与适应性的统一。正如作者强调，当AI系统具备"知道自己在知道什么"的元认知能力时，人机协作将进入全新纪元。