长久以来，人类习惯将智能视为自身的专利。但于非院士在《智能简史——从大爆炸到元宇宙》中提出了一个颠覆性的观点：智能是宇宙中普遍存在的一种自然现象，它与岩石滚动、冰雪融化一样自然。
跨越学科的视角： 从物理学的天体运行、化学的分子反应，到生物学的植物生长（如菟丝子选择营养更好的山楂树），再到人类社会和未来的元宇宙，智能无处不在。
核心驱动力： 智能的本质是为了缓解宇宙中的不平衡。无论是物理世界的万有引力，还是生物界的优胜劣汰，其目的都是为了通过调节梯度，实现系统的稳定。
📐 寻找AI的“香农定理”：可量化的公式
在信息时代，香农通过“信息熵”量化了信息，奠定了通信科学的基础。然而，对于“智能”，我们至今缺乏类似的数学定义。于非院士指出，目前的人工智能（如深度学习、大模型）更多是基于认知科学的启发，属于仿生学阶段（如同早期模仿鸟类造飞机），而非基于数学原理的科学。
为了解决这一难题，于非借鉴了热力学和信息论的思想，首创了衡量相对智能程度的数学公式：
dL=∂S∂RdL=∂R∂S
dLdL （智能的变化）： 表示智能的增量。
SS （秩序的相似度）： 表示当前秩序与预期秩序的相似程度。
RR （参数）： 代表时间、数据量等一般性参数。
这一公式的深层含义在于：智能不是绝对的，而是一个相对的、描述“前后过程”的尺度。 它衡量的是在一个学习过程中，随着时间推移耗散了多少信息。当信息耗散得越多，系统越趋于稳定，智能也就随之产生。
🤝 从单体智能到集体学习
基于这一定义，我们对AI未来的发展路径也有了新的认识。当前的AI大多聚焦于单体智能（Single Intelligence），即依赖大量预定义数据训练单一模型。这种方式存在明显的局限性，就像自动驾驶汽车难以穷举所有路况一样。
于非院士认为，未来的方向是集体学习（Collective Learning）：
智能交换： 未来的网络不仅仅是信息的交换，更是智能的交换。就像人类文明通过语言和文字传递知识一样，机器之间也需要形成“智能互联”。
区块链与安全： 在集体学习中，数据隐私和安全至关重要。区块链技术的分布式特性，可以为智能交通等复杂系统提供去中心化、可信的安全保障。
超越“暴力美学”： 目前的大模型训练依赖算力堆砌（“暴力美学”），耗电量巨大。如果能基于科学的智能定义进行优化，我们或许能以更低的能耗实现更高的智能水平，真正逼近人类学习的效率。
结语
于非院士的探索，试图用同一个逻辑来解释从物理、化学到生物、人类乃至机器的运转过程。“明白了就获得了自由”，正如斯宾诺莎所言，只有当我们真正理解了智能的本质，用数学公式定义了它，人工智能才能从“炼金术”走向“化学”，迎来真正的科学革命。
