他犯了两个错误：（1）不理解人脑是如何处理【意义】，在现在的神经科学面前，这个已经很透彻了。（2）认为超越人类的智能必须先模拟人类的思考习惯，这个可以从飞机和鸟的类比，潜艇和鱼的类比看出来。
一、人脑也用嵌入向量来处理概念和词汇
这一论点在计算神经科学领域已有相当坚实的实证基础，以下从多个层面梳理证据。
1.1 大脑语义编码的向量化原则
计算神经科学的核心观点是：许多认知变量以分布式活动模式表征，可以用状态空间（向量空间）的数学工具来分析。现代神经影像学通过表征相似性分析（RSA）和编码模型已操作化了这一思想，证明大脑皮层的分布式活动模式可以被语义特征模型预测。
2025年一项发表于bioRxiv的重要研究直接检验了这一假说。研究团队记录了人类海马体中数百个神经元的反应，同时让参与者聆听叙事语音，结果发现：与语义模型中的嵌入向量类似，神经群体反应之间的距离与语义距离显著相关。这意味着，当我们听到"猫"和"狗"时，海马体中对应的神经活动模式在数学空间中的距离，比听到"猫"和"民主"时要近得多。
值得注意的是，这种语义距离效应仅在上下文嵌入模型（如BERT）中出现，在非上下文嵌入模型（如Word2Vec）中甚至出现了反转。这表明大脑的向量编码高度依赖于语境，与Transformer架构的工作方式具有深刻的相似性。
1.2 脑嵌入与人工嵌入的几何对齐
最具说服力的证据来自Goldstein等人2024年发表在Nature Communications上的研究。研究团队使用高密度颅内电极阵列，直接记录了参与者在收听30分钟播客时额下回（IFG）的神经活动，并为每个单词推导出连续的向量表征------即"脑嵌入"（brain embedding）。
关键发现是：脑嵌入与深度语言模型（DLM）的上下文嵌入空间具有共同的几何模式。通过严格的零样本映射，研究者能够仅基于一个词在播客中与其他非重叠词的几何关系，来预测该词在IFG中的脑嵌入。这一发现强有力地支持了"人脑语言区域依赖连续嵌入空间来表征语言"的假说。
1.3 海马-内嗅系统的向量编码机制
在更微观的层面，Bicanski和Burgess（2020）总结了海马相关研究，提出了多种类型的向量编码细胞 ------包括边界向量细胞、对象向量细胞和地标向量细胞------这些细胞在远离感觉外围的脑区中编码环境中的距离和方向信息。内嗅皮层中的网格细胞则为认知地图提供了结构化的向量代数框架，不仅编码物理空间，也编码抽象认知空间。
综上，从单神经元向量编码到宏观脑嵌入几何，多个层次的研究一致表明：人脑确实在运用嵌入向量来处理概念和词汇，这并非人工神经网络的专属机制。
二、AGI不必与人类思考方式相同
2.1 飞机与鸟类：同样能飞，原理迥异
飞机和鸟类都实现了飞行，但工作机制截然不同。鸟类通过扑打翅膀将空气向下推动，获得向上的反作用力；飞机则依靠固定机翼产生的气动升力，由发动机提供推力。正如相关研究指出的，飞机与鸟的唯一相似之处在于两者都具备自主飞行的能力，鸟类历史上对航空工程的直接影响其实非常有限。
这一类比的关键洞见在于：工程师没有试图制造"扑翼飞机"来模仿鸟类，而是基于空气动力学原理开发了完全不同的技术路线，最终实现了远超鸟类的飞行速度和载重能力。
2.2 潜艇与鱼类：同样能潜航，本质不同
Dijkstra的经典论断最为精辟："问计算机能否思考，并不比问潜艇能否游泳更有趣。 "潜艇并不"游泳"------鱼靠肌肉和骨骼在水中波动前进，而潜艇通过工程推进系统在相同介质中航行。潜艇"模拟了结果，却违反了本质"，但没有人会因此否认潜艇在水下航行的能力。
范·贝尔科姆进一步指出，潜艇在水里比鱼游得更快、更稳，但没人会认真追问"潜艇会游泳吗"------这种"能不能X"的问题在工程对象面前是一种分类错误。
2.3 从类比到AGI论证
这一类比直接适用于AGI的讨论。荷兰学者鲁迪·范·贝尔科姆明确提出：既然潜艇的游弋方式不像鱼，飞机的飞行原理不同于鸟，那么计算机为什么要像人一样思考呢？
更讽刺的是图灵奖得主Yann LeCun自己在其最新研究中进一步论证了这一立场。他指出，"将智能固定在人类参照点上，与通往超人能力的道路是矛盾的"------如果目标仅仅是达到"人类水平"，反而会人为限制AI的发展空间。LeCun提出，AI的发展方向应是"超人适应性智能"（SAI），核心指标从"掌握多少能力"转向"多快学会新能力"，而非模仿人类。
更深层的论证在于：人类自身也并非"通用"的。我们所称的"通用能力"，在很大程度上是生物进化的结果------人类在漫长的进化史中逐步获得了一套生存所需的技能组合，这并不代表人类智能代表了智能的全部可能形式。
因此，要求AGI必须"像人一样思考"才能被视为真正的智能，在逻辑上是一种人类中心主义的偏见------正如要求飞机必须扑翅膀才能算"真正的飞行"一样。
参考链接
1 Goldstein et al. (2024). Alignment of brain embeddings and artificial contextual embeddings in natural language points to common geometric patterns https://doi.org/10.1038/s41467-024-46631-y
2 Franch et al. (2025). A vectorial code for semantics in human hippocampus https://doi.org/10.1101/2025.02.21.639601
3 Franch et al. (2025). A vectorial code for semantics in human hippocampus https://pmc.ncbi.nlm.nih.gov/articles/PMC11870593.1/
4 Bicanski, A., & Burgess, N. (2020). Neuronal vector coding in spatial cognition https://doi.org/10.1038/s41583-020-0336-9
5 Huth et al. (2016). Natural speech reveals the semantic maps that tile human cerebral cortex https://doi.org/10.1038/nature17637
6 Dijkstra Quotes - University of Scranton https://www.scranton.edu/faculty/mccloskeyd/dijkstra.shtml
7 CORSAC-6 - PhilArchive https://philarchive.org/archive/CORSAC-6
8 van Belkom, R. (2024). Why Should We Pursue Human Intelligence With AI? https://archive.skeptic.com/archive/reading_room/why-should-we-pursue-human-intelligence-with-artificial-intelligence/
9 LeCun, Y. et al. (2026). AI Must Embrace Specialization via Superhuman Adaptable Intelligence https://arxiv.org/abs/2602.23643
10 Spelke, E. S. (2022). Core Knowledge https://doi.org/10.1093/oso/9780190618247.003.0005
11 Spelke, E. S. (2024). Précis of What Babies Know https://www.cambridge.org/core/journals/behavioral-and-brain-sciences
12 Jung, C. G. 集体潜意识与原型理论 https://philarchive.org/archive/MUKTNO-5v2
13 Jung, C. G. 集体潜意识与原型理论 https://www.sciencedirect.com/science/article/abs/pii/S0160791X02000025