冯·诺依曼的两部遗作：AI 基础技术仍在还的债

当今 AI 产业的公开叙事，几乎被「更大的模型、更多的算力、更长的上下文」占满。这套叙事有效，也确实对应着过去十年里唯一被工业化做透的那条技术路径。但若把时间轴拉回到 1950 年代末期，会发现另一件事更刺眼：产业今天仍在偿还的，是冯·诺依曼两部未竟遗作里已经点名、却远未清偿的基础技术议程。

这两部书不是怀旧读物。

第一部是 The Computer and the Brain（《电脑与人脑》），1958 年由耶鲁大学出版社出版。它源自冯·诺依曼受邀准备的 Silliman Memorial Lectures 讲稿；他因骨癌未能登台，手稿在病榻上写到一半，由遗孀 Klára Dán von Neumann 作序后出版。正文约八十页，分为「计算机」与「脑」两部分，写到脑的语言、感知与学习处戛然而止。

第二部是 Theory of Self-Reproducing Automata（《自复制自动机理论》），1966 年由 Arthur W. Burks 根据讲义与未完成手稿整理出版。它把问题从「装置如何计算」推进到「复杂系统如何构造自身、复制自身，并在不可靠元件上仍保持组织」。

若只用一句话概括今日 AI 基础技术的位置：

规模化数字预测机，主要兑现了第一部议程的一半；第二部议程——可验证的构造与复制——才刚被产业重新摸到边缘。

一、未完成的议程，不是思想史点缀

冯·诺依曼在世时已经同时站在三条线上：EDVAC 存储程序报告所代表的数字计算机组织、与神经科学/自动机理论交叉的「自然自动机」比较、以及晚期对自复制与概率逻辑的构造理论。两部遗作是这三条线在生命尽头的压缩版。

关键背景只需记住三点：

1. 存储程序计算机把指令与数据放进统一存储器，使「改程序」不再等于「改布线」。这是后来一切通用数字机的组织前提。
2. 1940–50 年代神经科学给出了粗糙但关键的对照材料：McCulloch–Pitts 的阈值逻辑神经元、Hodgkin–Huxley 对动作电位的定量描述、突触结构的电镜观察。脑开始被认真当作一种信息装置讨论。
3. 冯·诺依曼本人清楚：当时对脑的测量极粗，任何比较都带数量级误差。他仍坚持比较，因为比较的目标不是「证明脑就是计算机」，而是找出两类自动机在组织原则上的不可交换差异。

产业传播里常见的误读是：把《电脑与人脑》读成「人脑=电脑」的早期宣传，或把自复制理论读成科幻。更准确的读法是：他在给后来整个信息产业留下可检验的基础问题清单。

二、遗作 A：《电脑与人脑》——装置如何组织

《电脑与人脑》的写法克制到几乎像工程备忘录。它先拆开当时数字计算机的部件与工作方式，再把神经系统放在同一套尺度下对照。真正有穿透力的不是比喻，而是几组可证伪的组织命题。

2.1 速度差：元件级，不是口号级

冯·诺依曼给出的数量级对比大致是：电子开关（真空管时代）的特征时间约 (10^{-6}) 秒量级，神经元约 (10^{-3}) 秒量级——差约三个数量级。脑若要在整体任务上不落后，就不能靠「把同样的串行逻辑再跑快一点」，而必须换组织方式。

这句话对 2026 年的含义很直接：GPU 集群把数字侧速度优势又拉大了几个数量级，但现场、边缘、传感器闭环里，时延、抖动与功耗约束重新逼近「慢元件必须换架构」的老问题。训练侧越快，越衬托部署侧组织原则的缺口。

2.2 并行与串行：效率落在不同侧

书中有一句被反复引用的判断，大意是：大型高效的自然自动机倾向于高度并行；大型高效的人工自动机则更倾向于串行。

这不是价值褒贬，而是资源与可靠性条件下的工程选择。串行精确机擅长：

• 深逻辑、可审计的指令流；
• 高精度算术；
• 以显式控制换确定性。

并行统计装置擅长：

• 海量弱相关局部运算；
• 在噪声下维持功能；
• 用冗余换鲁棒。

今天的深度网络训练，在硬件上仍是「硅上的大规模并行」，在算法组织上却高度依赖可微分的统计学习，而不是 1950 年代意义上的逻辑深度堆叠。产业已经用工程手段部分弥合了冯氏对比，但并未取消对比本身：一旦进入长程工具调用、多代理协作、真实世界反馈，串行控制流与并行统计表征之间的裂缝会再次露出来。

2.3 精度、逻辑深度与误差累积

冯·诺依曼强调：脑可以在相当低的精度上完成极复杂的工作；而数字机则把高精度当成默认前提。低精度装置若堆叠过深的逻辑层，误差会累积到不可用。因此自然系统更可能限制「逻辑深度」，改用别的编码与纠错策略。

对照今日：浮点训练、混合精度、量化推理，都是在数字机内部重新引入「可控的低精度」。但 agent 系统里更危险的误差往往不是 16-bit 与 8-bit 的差，而是语义误差与工具失败的级联——一步错误的 API 选择、一次幻觉的状态写入，会在后续步骤被当成事实放大。这正是「逻辑深度受限」在软件层的现代形态。

2.4 可靠性：冗余，还是显式纠错

计算机走显式纠错、校验、重试、确定地址；脑更像用大规模冗余与分布式编码维持功能。冯·诺依曼在更早的概率逻辑工作里已经追问：如何从不可靠元件合成可靠机体。

产业现状是分裂的：

• 训练栈有检查点、重算、数据清洗；
• 推理服务有重试与负载均衡；
• 但认知级可靠性——计划是否可恢复、记忆是否可验证、失败是否可定位——仍缺少与算力投资相称的基础抽象。

2.5 记忆与「语言」：不只是存储

《电脑与人脑》后半最锋利、也最未完成的部分，是关于脑是否使用某种不同于数字机指令系统的「短码」或统计语言。冯·诺依曼暗示：自然自动机的有效编码，可能根本不是人类为数字机设计的那类长而精确的程序文本。

分布式表征、向量记忆、检索增强、生成式先验，都可以被读作对这一猜想的工程逼近。但产业仍缺一个基础层答案：

什么是可检验的「机器内部语言」规范？
哪些状态必须可序列化、可回放、可追责？哪些可以保持统计与不可解释？

没有这层规范，规模化只会放大不透明性的表面积。

三、遗作 B：《自复制自动机》——智能如何被构造与复制

若说第一部遗作问的是「装置像不像」，第二部问的是「系统如何把自己变多」。

Burks 整理本把冯·诺依曼的工作大致收成两条相互支撑的线索：

1. 复杂自动机的一般理论——人工自动机与自然自动机的比较，运动学式的自复制模型；
2. 细胞自动机框架——在离散网格上讨论通用计算、通用构造与自复制。

对 AI 基础技术而言，真正关键的不是「机器人复制机器人」的科幻画面，而是下面三个可迁移概念。

3.1 通用构造（universal construction）

通用构造机不仅能算，还能按描述去建造其他机器（在足够丰富的部件宇宙里）。映射到软件产业：编译器、代码生成模型、能调用工具改环境的 agent，都在不同层次逼近「从描述到对象」的构造能力。

差别在于：冯氏构造要求描述与部件世界之间有清晰接口；今天的大模型构造常常是概率性拼接——能生成，却不保证可装配、可验证、可复现。

3.2 自复制的逻辑结构

自复制不是「再打印一份代码」那么简单。经典分析强调：复制过程必须同时处理蓝图的解释与蓝图的传递，否则会在代际间塌缩。对应到 AI 系统：

• 合成数据若只蒸馏表面行为，会丢失可迁移的「蓝图」；
• 自动评测若不能约束真实任务分布，复制的是刷榜策略而非能力；
• agent 写 agent 若缺少接口契约，得到的是复杂度膨胀，不是能力遗传。

3.3 不可靠元件上的可靠组织

这是贯穿两部遗作的总主题。元件会失败、信号有噪声、局部描述不完整——系统级问题是：组织原则能否把不可靠变成可服务。

2026 年的 AI 栈里，不可靠元件已经换成：

• 概率输出的模型；
• 超时与限流的外部工具；
• 漂移的数据分布；
• 不完整的世界状态。

产业若只有「更大的不可靠元件」，没有「更强的组织层」，规模带来的将是更昂贵的故障模式。

四、对表 1945–2026：做实了什么，绕开了什么

一张表读完，格局很清楚：

凡是能被硅工艺与并行数值计算吞掉的问题，产业都推进得很快；凡是要求「构造—验证—复制」闭环的问题，推进都慢，且容易被产品叙事掩盖。

这也解释了为何同一时期会出现两种并行现实：一边是基准测试与演示视频持续刷新；另一边是真实工作流里 agent 仍然脆、记忆仍然脏、自动化仍然需要大量隐式人工看护。

五、基础技术判读：缺口在接合部

把两部遗作叠在一起，可以得到一个对产业更有用的坐标系——不是「应用层 vs 模型层」的市场划分，而是基础技术的双轨：

轨道 A：计算组织（Computer）
存储器层次、并行执行、精度策略、调度、确定性与性能。

轨道 B：构造组织（Constructor）
描述如何变成系统、系统如何被检验、失败如何被隔离、成功如何被复制。

过去十年的主叙事几乎锁死在轨道 A 的加速上。大模型之所以成为基础设施，是因为它把「统计学习 + 大规模并行数值计算」推到了前所未有的通用性。这是真实突破。

但轨道 B 的缺失会在三个接合部爆发：

5.1 预测机与执行器的接合

模型给出 token 或动作分布；世界返回延迟、噪声、部分可观测结果。没有一等公民的执行语义（超时、幂等、补偿、权限、审计），预测再强也只是开环。

5.2 记忆与状态的接合

上下文窗口不是记忆理论。需要区分：工作状态、情景记忆、可验证事实库、策略记忆。冯氏关于「脑的语言」的未完成讨论，在工程上对应的是状态分层与一致性协议，不是更长的 prompt。

5.3 生成与遗传的接合

能生成下一个版本，不等于能力在代际间稳定遗传。合成数据飞轮、自动课程、自博弈，只有在「蓝图（目标、约束、评测、接口）」可传递时，才接近自复制自动机意义上的扩张；否则是熵增式的自我模仿。

因此，下一阶段真正的基础技术竞争，不太可能只是「另一家更大的稠密模型」。更可能出现在：

• Agent 运行时（把工具、记忆、权限、失败变成系统调用，而不是提示词技巧）；
• 可验证构造层（规格、测试、形式约束、可回放轨迹）；
• 可靠性度量（任务级可用性、恢复时间、语义一致性，而不只是 token 准确率）；
• 近存/神经形态/专用并行（当能效与现场约束把轨道 A 的暴力加速顶到墙）；
• 数据与评测的构造理论（防止自蒸馏塌缩的分布与课程设计）。

这些方向看起来分散，用冯氏双轨看则同构：都是在补 B 轨，或在重做 A/B 接合部。

六、还债清单：四条仍可被追责的技术债

为避免文章停在气氛上，下面四条写成可被反对、也可被追踪的断言。

债 1：认知控制平面缺失。
产业有集群控制平面，缺少与之对称的「任务控制平面」：计划、状态、工具、回滚、权限的统一抽象。

债 2：可靠性仍是产品补丁，不是基础层。
重试与人工兜底到处都是，但缺少跨模型、跨工具、跨会话的故障模型与 SLA 语义。

债 3：复制不等于遗传。
代码生成与合成数据让系统「看起来会自我扩展」，但缺乏防止能力塌缩与评测过拟合的构造理论。

债 4：内部语言不透明被误当成特性。
不可解释可以是阶段性事实；若连哪些状态必须可审计都没有规范，规模化只会提高系统性风险的杠杆。

谁先把这些债变成可复用的基础设施——而不是演示技巧——谁就更接近定义下一阶段 AI 基础技术的话语权。

七、结语：读遗作，是为了看清还没做完的一半

冯·诺依曼没有留下「如何训练万亿参数模型」的手册。他留下的是更冷、也更耐久的东西：在寿命最后几年，用两部未完成的书，把信息时代的基础问题拆成两半——

• 一半关于计算如何组织；
• 一半关于组织如何在噪声中构造并复制自身。

七十年后，产业把前一半里最适合硅与资本的部分推进到了令人眩晕的程度。后一半以及两半之间的接合部，仍大面积空着。空着并不丢人；丢人的是用应用层狂欢，假装基础层已经闭合。

重读这两部遗作，不是为了从故纸堆里寻找预言应验的快感，而是为了获得一个更硬的产业坐标系：

当所有人讨论模型时，先问它站在 A 轨还是 B 轨；当所有人展示自主时，先问它是否具备可验证的构造与复制。

AI 基础技术的下一章，大概率不是把预测机再加一个零，而是开始认真偿还冯·诺依曼没写完、却已经写清楚的那笔债。

主要参考文献

1. John von Neumann, The Computer and the Brain, Yale University Press, 1958；第三版（2012）含 Ray Kurzweil 序。
2. John von Neumann, Arthur W. Burks (ed.), Theory of Self-Reproducing Automata, University of Illinois Press, 1966.
3. John von Neumann, “First Draft of a Report on the EDVAC,” 1945.
4. Warren S. McCulloch & Walter Pitts, “A Logical Calculus of the Ideas Immanent in Nervous Activity,” 1943.
5. A. L. Hodgkin & A. F. Huxley, 动作电位定量模型相关工作（1952 前后）.
6. Klára von Neumann, Preface to the Silliman lectures manuscript（见 MacTutor / 耶鲁版前言系统）.