「星際之門」對撞「線蟲智慧」，誰代表AI的未來？

線蟲的大腦只有人類頭發絲粗細，但這一微小器官卻能在覓食時精準協調和計算各種復雜運動。麻省理工學院的計算機科學家Daniela Rus感嘆道：“當我觀察線蟲的大腦時，它那深刻的優雅和高效令我深深震撼。”出于對線蟲大腦的著迷，Rus與人共同創立了Liquid AI，該公司致力于構建一種受其啟發的新型AI。

Rus代表了一類研究人員的看法，他們認為賦予傳統AI以更多的類腦屬性（brainlike），可以創造出更精簡、更敏捷或許更智能的技術。正如哈佛大學的計算神經科學家Kanaka Rajan所言，“要真正改進AI，我們需要結合來自神經科學的見解。”

英特爾加州圣克拉拉神經形態計算實驗室主任Mike Davies認為，這種神經形態學（neuromorphic）技術可能不會完全取代普通計算機或傳統AI模型——未來將是一個多系統共存的時代。

模仿大腦并非新想法。20世紀50年代，神經生物學家Frank Rosenblatt發明了感知機（perceptron）。這臺機器是大腦神經元通信方式的高度簡化模型，包含一層相互連接的人工神經元，每個神經元執行單一的數學函數。

幾十年后，感知機的基本設計理念啟發了深度學習——這是一種通過多層嵌套的人工神經元以識別數據復雜模式的計算技術。這些人工神經元依次運算、輸出，把數據傳遞出去。但這種方法無法比擬大腦靈活適應新情況或從單一經驗中學習的能力。相反，當今大多數AI模型需要消耗大量數據和能源來學習，才可以執行令人印象深刻的任務，例如自動駕駛汽車。

“人工神經網絡只是變大、變大、變得更大，”Numenta公司首席技術官Subutai Ahmad指出，傳統的AI模型“太過依賴蠻力且低效”。他們正試圖從人腦網絡中尋找提高效率的方法。

2025年1月，特朗普政府宣布了“星際之門”（Stargate）項目，計劃投入5000億美元用于建設新的數據中心，以支持能源消耗巨大的AI模型。但中國公司DeepSeek發布的模型卻試圖打破這一趨勢，該模型用更少的數據和能源復制了聊天機器人的功能。蠻力與效率究竟誰將勝出，尚不明確。

與此同時，神經形態計算專家們一直致力于讓硬件、架構和算法更加“類腦”。田納西大學諾克斯維爾分校的計算機科學家Catherine Schuman表示，“人們不斷提出新概念和創新硬件實現技術。”這些進步主要促進了生物大腦研究和傳感器開發，但尚未成為主流AI的一部分——至少目前還沒有。

下面列舉了四個具有改善AI潛力的神經形態系統。

使人工神經元更加逼真

真實的神經元是具有多個部分的復雜活細胞。它們不斷從環境中接收信號，當電荷波動超過特定閾值時，觸發動作電位，如此在細胞內外及相鄰神經元間傳播電脈沖。神經形態計算工程師已經成功地在人工神經元中模擬了這種模式。這些神經元構成了脈沖神經網絡（Spike neutral network，SNN），通過在網絡中產生離散的電脈沖來傳遞信息，模擬真實大腦的信號傳導方式。這樣的網絡可以通過軟件建模，也可以在硬件層面實現。

而傳統AI的深度學習網絡，并不會模擬電脈沖。相反，在這些模型中，每個人工神經元被描述為“一個具有單一類型信息處理的小球”，瑞士伯爾尼大學的神經形態計算研究員Mihai Petrovici解釋說，這些“小球”通過“參數”的方式相互連接。通常，網絡中的每個輸入都會同時觸發所有參數，這是低效的。而DeepSeek則將傳統AI的深度學習網絡劃分為可以單獨激活的小部分，這更加高效。

真實的大腦與人工的脈沖網絡，在效率的實現方式上還是略有不同的：

• 真實大腦中，每個神經元并非與所有其他神經元相連。

• 只有當電信號達到特定閾值時，神經元才會放電并將信息傳遞給其連接。

• 其網絡以稀疏方式激活，而非同時全部激活。

但重要的是，大腦和脈沖網絡將記憶和處理過程相結合。Petrovici介紹說，“代表記憶的連接，同時也是執行計算的元件。”

?圖1. 典型的深度學習網絡是密集的，其中所有同質化的“神經元”之間都存在相互連接。而大腦網絡是稀疏的，其神經元可以承擔不同的角色。神經科學家仍在研究復雜的大腦網絡實際上是如何組織的。

大多數AI運行所需的主流計算機硬件常將存儲和計算分離。AI處理通常在圖形處理單元（GPU）中進行，而存儲則由隨機存取存儲器（RAM）等其他硬件組件負責。這種分離雖然簡化了計算機架構，但在各個組件之間來回傳輸數據的方式會消耗大量能量并減慢計算速度。

神經形態計算機芯片BrainScaleS-2則結合了這些高效特性，在硬件層面物理構建了稀疏連接的脈沖神經元，使神經連接同時執行存儲及計算功能[1]。

? 圖2. BrainScaleS-2 計算芯片的構造旨在模擬大腦的工作方式。它包含 512 個模擬神經元，這些神經元通過多達 212,000 個突觸相互連接。 圖源：海德堡大學

BrainScaleS-2是“人類大腦計劃”（Human Brain Project）的開發成果之一，該項為期10年的計劃旨在通過計算機模擬來理解人腦。但一些研究人員將關注投向“如何應用該技術使AI更加高效”。

例如，Petrovici訓練了不同的AI玩電子游戲“乒乓球”（Pong）。結果顯示，在BrainScaleS-2硬件上運行的脈沖網絡，其能耗僅為CPU上運行相同網絡模擬的千分之一。更具說服力的是與GPU對比的測試結果：研究團隊發現，訓練脈沖系統識別手寫文字所需的能耗僅為典型系統（GPU運行的深度神經網絡）的百分之一[2]。

但要讓脈沖神經網絡硬件在AI領域成為真正的參與者，它必須實現規模化并廣泛應用。而一旦實現，屆時它將“為計算帶來更廣泛的價值”，Schuman對此寄予厚望。

連接數十億個脈沖神經元

目前，BrainScaleS-2的研發團隊并無擴大芯片規模的計劃，但英特爾和IBM等全球科技巨頭卻已展開布局。

IBM于2023年推出了神經形態芯片NorthPole[3]，該芯片將內存和處理相結合以節省能源。英特爾則于2024年發布了Hala Point，新墨西哥州桑迪亞國家實驗室的計算機科學家Craig Vineyard稱之為“目前世界上最大的神經形態系統”。

? 圖3. NorthPole 是一種神經推理架構，通過消除芯片外內存、將計算與芯片上內存交織，并在外部表現為一個主動式內存芯片來模糊存儲與計算的邊界。在ResNet50基準圖像分類網絡中，相對于采用相同制程12納米工藝技術的GPU，NorthPole實現了每瓦特幀每秒（FPS）這一能量指標25倍的提升。圖源：research.ibm.com

? 圖4. Hala Point 是行業內首個擁有11.5億神經元和1280億個突觸，分布在140,544個神經形態處理核心上，最大功耗為2,600瓦的神經形態系統。Hala Point可支持高達200萬億次運算/秒，即20petaops，在執行傳統深度神經網絡時，其效率超過15萬億8位運算/秒/瓦特（TOPS/W），以傳統CPU和GPU架構快50倍的速度，并消耗100倍更少的能量。圖源：newsroom.intel.com

Vineyard表示，盡管這是一個驚人的突破，該系統看起來并沒有什么特別之處。Hala Point被放置在一個行李箱大小的盒子中。然而，其內部集成了1128塊英特爾Loihi 2神經形態芯片，模擬神經元數量達11.5億個，這個數字創造了新紀錄，與貓頭鷹大腦中的神經元數量大致相當。

類似于BrainScaleS-2，每塊Loihi 2芯片都內置一個硬件版本的脈沖神經網絡。這種模擬脈沖網絡同樣采用稀疏性設計，將存儲和處理相結合。Schuman強調，這種神經形態計算機與常規計算機具有“本質上不同的計算特性”。

正是這些獨特計算特性使Hala Point的效能遠超典型計算機硬件。Davies自信地表示：“我們實現的效率水平，確實大幅領先于當前GPU技術所能達到的水平。”

2024年，Davies團隊展示了Loihi 2硬件在運行標準深度學習算法時的顯著節能優勢。研究人員針對多項音頻和視頻處理任務，改造了其深度學習算法，使其能夠在新型脈沖硬件上高效運行。Davies解釋說，這一改造過程“為網絡活動引入了稀疏性特征”。

常規數字計算機上運行的深度學習網絡，多會將每一幀的音頻或視頻都作為全新的信息處理。而脈沖硬件則能“保留一些之前出現的信息”，Davies說，當連續幀內容不變時，系統無需從頭開始計算，而是“在沒有顯著變化時，讓網絡盡可能處于低活躍狀態。”在視頻處理任務中，運行“稀疏化”深度學習算法的Loihi 2芯片，其能耗僅為運行常規算法的GPU的1/150[4]。

音視頻測試結果表明，特定架構能夠良好運行某種深度學習算法。但是，通過多種方式重新配置在Loihi 2和BrainScaleS-2中的脈沖神經網絡，開發者可以構建在硬件上不同實現方式的新型網絡架構。基于這些架構，他們還可以實現不同種類的算法。

目前研究者仍在探索哪種算法與架構的組合，能最大化發揮該硬件的潛力并實現最佳效能比。2025年1月的一篇論文提出了一種脈沖網絡神經元建模的新方法（梯度下降算法），該方法考慮了脈沖形狀及其時序特性。這一方法使節能型脈沖系統能夠應用主流AI成功采用的某種學習技術[5]。

最適合神經形態硬件的算法，可能尚未發明出來。“那恰恰是最令人興奮的部分，”桑迪亞國家實驗室的神經科學家James Aimone表示，這項技術潛力巨大，能夠讓未來的計算“更加節能且強大。”

設計一個適應性“大腦”

神經科學家之間存在一個共識，活體大腦最重要的特征之一是隨時隨地學習的能力。而實現這一點并不需要一個很大的腦。線蟲（C. elegans）是首批完全繪制出大腦結構的動物之一，它擁有302個神經元和大約7,000個突觸，這些結構就能支持它在探索世界的過程中持續、高效地學習。

? 圖5. 線蟲及其腦中神經元

2017年，Ramin Hasani在研究生期間研究了秀麗隱桿線蟲（C. elegans）的學習方式，并致力于用計算機軟件模擬科學家認知中的線蟲大腦。而彼時，Rus正在訓練包含數十萬個人工神經元和五十萬個參數的自動駕駛汽車的AI模型，她在一次學術會議期間同Hasani的導師一起跑步時聽說了這項工作。Rus意識到，如果蟲子不需要龐大的網絡就能學習，那么AI模型或許也能用較小的網絡達到同樣的效果。

于是，她邀請了Hasani和他的一位同事搬到MIT，共同開展了一系列項目，為自動駕駛汽車和無人機提供參數更少且適應性更強的“類線蟲大腦”。最終，團隊研發出了一套名為“液態神經網絡”（liquid neural network）的AI算法。哈佛神經科學家Rajan評價稱，“你可以把這個看作是一種新的AI物種”。

標準的深度學習網絡盡管規模龐大，僅在開發過程中的訓練階段進行學習。當訓練完成后，網絡的參數就無法改變，也就是Rus所說的“模型凍結”。液態神經網絡顧名思義，更加靈活。盡管它們采用了幾種與標準深度學習相同的技術，但這些新型網絡可以在隨時間推移中調整和改變其參數。Rus表示，它們會“根據所接收的輸入信息，進行學習和適應……就像生物系統一樣”。

為了設計這個新算法，Hasani和他的團隊編寫了一系列數學方程式，來模擬線蟲神經元響應時變信息的激活模式。這些方程式控制了液態神經網絡的動力學行為。

這類方程式以難解而聞名，但該團隊找到了一種近似解的方法，使網絡得以實時運行[6]。Rajan評價這一解決方案是“非凡的”。

2023年，Rus、Hasani及其同事展示了液態神經網絡相較許多更大的典型AI模型在適應新情況方面的優勢[7]。該團隊訓練了兩種液態神經網絡和四種典型深度學習網絡，來讓無人機能飛向樹林中不同的目標物體。訓練完成后，他們將其中一個訓練對象——一把紅色椅子——放入完全不同的環境（包括露臺和建筑物旁的草坪）中。結果顯示，最小規模的液態網絡（僅包含34個人工神經元和約12,000個參數），其表現超越了測試中最大的標準AI網絡（包含約250,000個參數）。

? 圖6. Liquid AI 官網. 該公司開發非transformer的液態基礎模型（LFM, Liquid Foundation Models），產品包括4.5億參數，可在終端設備運行的視頻理解模型LFM2-VL-450M.

該團隊在此期間創立了Liquid AI公司，并與美國國防高級研究計劃局合作，測試其模型駕駛真實飛機。該公司還進一步擴大了其液態神經網絡的模型規模，以直接與常規深度學習競爭。2025年1月，該公司發布了LFM-7B，這是一種擁有70億參數的液態神經網絡，能夠根據提示詞生成答案。該團隊報告稱，該網絡在性能上優于同等規模的典型語言模型。

? 圖7. LFM-7B和同尺寸模型的性能對比。圖源：liquid.ai

Rus表示，“我對Liquid AI感到興奮，我相信它能夠改變AI和計算的未來。”

這種方法并非在所有方面都優于主流AI，特別是在能耗方面。正如Rajan所言，液態神經網絡的持續適應機制其實屬于“計算密集型”系統。盡管如此，這種方法“代表著向更真實的AI邁出了重要一步”，越來越接近于模擬人腦。

基于人腦結構

當Rus參考線蟲大腦開展研究時，另一群人則從人腦的一個特殊區域中獲得了靈感，這個區域就是覆蓋大腦表面的褶皺組織——新皮層。

Rajan介紹，“新皮層是大腦進行高級思考的動力源，它是感覺信息、決策和抽象推理匯聚的地方。”

這一腦區由六層薄薄的水平細胞層構成，這些細胞層組成數萬個的垂直結構，稱為“皮質柱”（cortical columns）。每個皮質柱包含數百個垂直微柱，其中排列著約50,000到 100,000個神經元。

神經科學家兼計算機科學家Jeff Hawkins認為，這些微柱結構是智能的主要驅動者。在大腦的其他部分，網格細胞和位置細胞幫助動物感知其在空間中的位置。Hawkins提出，這些細胞神經元就位于微柱中，在其中跟蹤和模擬我們所有的感覺和想法[8]。例如，當指尖移動時，這些皮質柱會對所接觸的物體進行建模。我們的眼睛與所見之物也是如此，Hawkins在其著作《千腦智能》（A Thousand Brains: A New Theory of Intelligence，2021）中如此舉例。

在Rajan看來，“這是一個大膽的想法”。當前神經科學認為，智能涉及許多不同大腦系統的相互作用，而不僅僅是這些映射細胞。盡管Hawkins的理論未獲得神經科學界的廣泛認可，但“它正引起大量關注”。特別是其在神經形態計算方面的潛在應用，正激起新一波的研究熱情。

? Numenta 由Jeff Hawkins創立，Hawkins在研究人腦神經網絡時，發現了人腦在處理信息時用到的層級化時間記憶模型Hierarchical Temporal Memory，具體可閱讀《千腦智能》

Hawkins于2005年與人共同創立了Numenta公司（總部位于加利福尼亞州紅木市），并進一步發展了他的理論。該公司于2024年宣布開啟“千腦計劃”，旨在將計算架構與創新算法相結合[9]。

數年前在項目早期測試階段，該團隊設計了一種架構，其中包含七個皮質柱和數百個微柱，但僅跨越三層而非人類新皮層中的六層。團隊還開發了一種新型AI算法，利用柱狀結構來分析輸入數據。模擬結果顯示，每個柱狀結構都能夠通過訓練以識別數百個復雜對象[10]。該系統的實際效用仍有待測試，其理念在于，基于外界世界進行實時學習，類似于Liquid AI算法。

目前，Numenta公司正使用常規數字計算機硬件來測試這些理念。但Ahmad表示，未來定制的硬件可能會實現由皮層柱組織起來的脈沖神經元的物理版本。

采用專為該架構設計的硬件，將會讓整個系統更加高效和有效。Schuman認為，“硬件的運行方式將影響算法的工作效果，這需要一個協同設計（codesign）的過程。”

一種新的計算理念，只有在“算法、架構和硬件”的正確組合下，才能取得成功。例如，DeepSeek的工程師們曾提出，他們通過協同設計“算法、框架和硬件”實現了效率的提升。

舊金山Cohere研究實驗室的計算機科學家薩拉·胡克（Sara Hooker）（她于2021年發表了高影響力論文《硬件彩票》（The Hardware Lottery）[11]）指出，當其中任何一個條件不成熟或不可用時，一個很好的想法可能會停滯不前。深度學習的情況就是這樣——其算法早在20世紀80年代就已開發出來，但直到2010年代初計算機科學家開始使用GPU進行AI處理時，這項技術才取得成功。

很多時候“成功取決于運氣”，Hooker在2021年計算機協會（Association for Computing Machinery，ACM）的一條視頻中坦言。但如果有更多人力與時間投入到神經形態硬件、架構和算法的新組合的思考中，將會為AI和計算開辟引人矚目的全新可能。

譯者后記

能顛覆一個行業的創新，往往來自行業之外。當下AI進展放緩，GPU+transformer架構下的Scaling Law似乎遇到了天花板。在這樣的時刻，我們更應該重視來自其它領域的啟發，即使這些技術路線當下還無法大規模商用，例如本文中列出的四條技術路線。

該文發表于2025年2月，而該領域的進展很快，這里補充兩個新發現。5月，新加坡國立大學Mario Lanza教授課題組在Nature發文[12]，指出利用單個CMOS晶體管展現出類神經元和類突觸的行為，為存算一體的新架構提供了基礎。同年8月，浙江大學研制的新一代神經擬態類腦計算機Darwin Monkey（“悟空”），是世界首臺神經元規模超過20億的基于專用神經擬態芯片的類腦計算機，超過了文本所述的微軟Hala Point的11.5億個神經元。

原文鏈接：https://www.sciencenews.org/article/brainlike-computers-ai-improvement

參考文獻：

[1] Pehle, C., Billaudelle, S., Cramer, B., Kaiser, J., Schreiber, K., Stradmann, Y., Weis, J., Leibfried, A., Müller, E., & Schemmel, J. (2022). The BrainScaleS-2 accelerated neuromorphic system with hybrid plasticity. ArXiv.org. https://arxiv.org/abs/2201.11063

[2] G?ltz, J., Kriener, L., Baumbach, A. et al. Fast and energy-efficient neuromorphic deep learning with first-spike times. Nat Mach Intell 3, 823–835 (2021). https://doi.org/10.1038/s42256-021-00388-x

[3] Modha, D. S., Akopyan, F., Andreopoulos, A., Rathinakumar Appuswamy, Arthur, J. V., Cassidy, A., Datta, P., DeBole, M., Esser, S. K., Carlos Ortega Otero, Sawada, J., Taba, B., Amir, A., Deepika Bablani, Carlson, P. J., Flickner, M., Rajamohan Gandhasri, Garreau, G. J., Ito, M., & Klamo, J. L. (2023). Neural inference at the frontier of energy, space, and time. Science, 382(6668), 329–335. https://doi.org/10.1126/science.adh1174

[4] Shrestha, S. B., Timcheck, J., Frady, P., Leobardo Campos-Macias, & Davies, M. (2024). Efficient Video and Audio Processing with Loihi 2. ArXiv (Cornell University), 13481–13485. https://doi.org/10.1109/icassp48485.2024.10448003

[5] Klos, C., & Memmesheimer, R.-M. (2025). Smooth Exact Gradient Descent Learning in Spiking Neural Networks. Physical Review Letters, 134(2). https://doi.org/10.1103/physrevlett.134.027301

[6] Hasani, R., Lechner, M., Amini, A., Liebenwein, L., Ray, A., Tschaikowski, M., Teschl, G., & Rus, D. (2022). Closed-form continuous-time neural networks. Nature Machine Intelligence, 4(11), 992–1003. https://doi.org/10.1038/s42256-022-00556-7

[7] Chahine, M., Hasani, R., Kao, P., Ray, A., Shubert, R., Lechner, M., Amini, A., & Rus, D. (2023). Robust flight navigation out of distribution with liquid neural networks. Science Robotics, 8(77). https://doi.org/10.1126/scirobotics.adc8892

[8] Hawkins J, Lewis M, Klukas M, Purdy S, Ahmad S. A Framework for Intelligence and Cortical Function Based on Grid Cells in the Neocortex. Front Neural Circuits. 2019 Jan 11;12:121. doi: 10.3389/fncir.2018.00121. PMID: 30687022; PMCID: PMC6336927.

[9] Numenta, Clay, V., Leadholm, N., & Hawkins, J. (n.d.). The Thousand Brains Project. Retrieved September 3, 2025, from https://www.numenta.com/wp-content/uploads/2024/06/Short_TBP_Overview.pdf

[10] Hawkins, J., Ahmad, S., & Cui, Y. (2017). A Theory of How Columns in the Neocortex Enable Learning the Structure of the World. Frontiers in Neural Circuits, 11. https://doi.org/10.3389/fncir.2017.00081

[11] alley. (2021). The Hardware Lottery. Acm.org. https://doi.org/10.1145//3467017

[12] Synaptic and neural behaviours in a standard silicon transistor

Sebastian Pazos, Kaichen Zhu, Marco A. Villena, Osamah Alharbi, Wenwen Zheng, Yaqing Shen, Yue Yuan, Yue Ping & Mario Lanza

Nature 2025, 640, 69-76. DOI: 10.1038/s41586-025-08742-4

關于追問nextquestion

天橋腦科學研究院旗下科學媒體，旨在以科學追問為紐帶，深入探究AI與人類智能相互融合與促進，不斷探索科學的邊界。歡迎評論區留言，或后臺留言“社群”即可加入社群與我們互動。您也可以在后臺提問，我們將基于追問知識庫為你做出智能回復哦~

關于天橋腦科學研究院

天橋腦科學研究院（Tianqiao and Chrissy Chen Institute）是由陳天橋、雒芊芊夫婦出資10億美元創建的世界最大私人腦科學研究機構之一，圍繞全球化、跨學科和青年科學家三大重點，支持腦科學研究，造福人類。

Chen Institute與華山醫院、上海市精神衛生中心設立了應用神經技術前沿實驗室、AI與精神健康前沿實驗室；與加州理工學院合作成立了加州理工天橋神經科學研究院。

Chen Institute建成了支持腦科學和AI領域研究的生態系統，項目遍布歐美、亞洲和大洋洲，包括、、、科研型臨床醫生獎勵計劃、、等。