人腦或許仍然是地球上最強(qiáng)大、也最被低估的智能系統(tǒng)。

它的運(yùn)行功耗只有幾十瓦，相當(dāng)于一盞普通燈泡，卻能夠在幾十年時(shí)間里持續(xù)學(xué)習(xí)、積累知識(shí)、適應(yīng)環(huán)境。一個(gè)嬰兒只需接觸有限的語(yǔ)言輸入便能掌握母語(yǔ)，而今天最先進(jìn)的大語(yǔ)言模型往往需要消耗數(shù)萬(wàn)塊 GPU、讀取幾乎整個(gè)互聯(lián)網(wǎng)的數(shù)據(jù)才能獲得類似能力。這顯然不是最理想的路徑。

近日，一家名為 Flourish 的新公司獲得了杰夫·貝佐斯（Jeff Bezos）和多家頂級(jí)投資機(jī)構(gòu)總計(jì) 5 億美元的支持。這家公司由前 Meta 腦機(jī)接口負(fù)責(zé)人、神經(jīng)科學(xué)家 Thomas Reardon 與前亞馬遜高管 Rob Williams 聯(lián)合創(chuàng)辦，其目標(biāo)并不是訓(xùn)練下一個(gè) GPT，而是試圖回答一個(gè)更基礎(chǔ)的問(wèn)題：人腦究竟是如何產(chǎn)生智能的？

團(tuán)隊(duì)希望通過(guò)神經(jīng)科學(xué)實(shí)驗(yàn)與人工智能研究結(jié)合的方式，尋找隱藏在大腦中的“核心算法（Core Algorithm）”，并最終據(jù)此構(gòu)建一種能夠持續(xù)學(xué)習(xí)、功耗不超過(guò) 50 瓦的人工智能系統(tǒng)。

圖 | 團(tuán)隊(duì)成員（來(lái)源：Flourish）

故事得從一份只有兩頁(yè)紙的“未來(lái)新聞稿”說(shuō)起。

作為 Flourish 聯(lián)合創(chuàng)始人，Rob Williams 曾是亞馬遜最高管理層 S－Team 成員，負(fù)責(zé) Alexa 等軟件業(yè)務(wù)。在亞馬遜內(nèi)部，貝佐斯長(zhǎng)期推崇一種被稱為“Working Backwards”（逆向工作法）的產(chǎn)品方法論：在項(xiàng)目啟動(dòng)之前，先寫(xiě)出產(chǎn)品成功發(fā)布后的新聞稿，再反向推導(dǎo)今天應(yīng)該做什么。離開(kāi)亞馬遜幾個(gè)月后，Williams 和另一位聯(lián)合創(chuàng)始人 Thomas Reardon 把這套方法用在了自己的創(chuàng)業(yè)項(xiàng)目上。

那份未來(lái)新聞稿里寫(xiě)道，F(xiàn)lourish 將解決人工智能面臨的兩個(gè)核心難題：能效和持續(xù)學(xué)習(xí)。公司計(jì)劃打造一個(gè)被稱為 Cortex AI 的系統(tǒng)，其學(xué)習(xí)效率、計(jì)算能力和功耗預(yù)算都能夠接近人腦。貝佐斯看完后首先投入了 5,000 萬(wàn)美元，隨后繼續(xù)追加投資。Google Ventures、Lux Capital 和 Catalio Capital 等機(jī)構(gòu)也陸續(xù)加入。短短數(shù)月時(shí)間，公司融資規(guī)模達(dá)到 5 億美元，估值約 25 億美元。

過(guò)去幾年，資本最熱衷押注的是大模型、GPU 和數(shù)據(jù)中心。無(wú)論是 OpenAI 的數(shù)千億美元基礎(chǔ)設(shè)施計(jì)劃，還是 Anthropic 不斷擴(kuò)張的訓(xùn)練集群，背后都建立在同一個(gè)前提之上：智能能夠通過(guò)規(guī)模不斷涌現(xiàn)。更多參數(shù)、更多數(shù)據(jù)、更多算力，最終會(huì)帶來(lái)更強(qiáng)能力。

對(duì)此，F(xiàn)lourish 認(rèn)為，當(dāng)代大模型雖然表現(xiàn)驚艷，但其學(xué)習(xí)方式與生物智能之間依然存在巨大鴻溝。一個(gè)成年人完成信息處理所需的能耗大約只有 20 瓦，相當(dāng)于一盞普通燈泡。而今天用于訓(xùn)練前沿模型的一塊高端 AI 芯片，功耗往往已經(jīng)達(dá)到數(shù)百瓦；由數(shù)萬(wàn)塊 GPU 組成的訓(xùn)練集群，其耗電量甚至接近一座小型城市。

更關(guān)鍵的是，大模型并不會(huì)像人類一樣持續(xù)學(xué)習(xí)。訓(xùn)練結(jié)束之后，模型能力基本固定，想獲得新的知識(shí)往往需要重新訓(xùn)練或者額外微調(diào)。相比之下，一個(gè)嬰兒只需要接觸有限的語(yǔ)言輸入，就能逐漸掌握母語(yǔ)，并在此后幾十年中持續(xù)學(xué)習(xí)而不會(huì)“遺忘”已有能力。在 Flourish 看來(lái)，這種差距并不是工程規(guī)模能夠徹底解決的問(wèn)題，而意味著人類仍然沒(méi)有理解智能本身。

這個(gè)思路與創(chuàng)始人 Thomas Reardon 橫跨不同領(lǐng)域的人生經(jīng)歷密切相關(guān)。

圖 | Thomas Reardon（來(lái)源：Microsoft Wiki）

15 歲輟學(xué)后，Reardon 憑借編程天賦進(jìn)入微軟，參與早期瀏覽器 Internet Explorer 的開(kāi)發(fā)，并在隨后創(chuàng)辦無(wú)線通信公司。完成創(chuàng)業(yè)后，他重新回到校園，在哥倫比亞大學(xué)攻讀古典學(xué)。在研究古代語(yǔ)言和人類認(rèn)知的過(guò)程中，他逐漸對(duì)大腦如何處理信息產(chǎn)生興趣，隨后轉(zhuǎn)向神經(jīng)科學(xué)，并最終獲得神經(jīng)科學(xué)博士學(xué)位。此后，他又創(chuàng)辦腦機(jī)接口公司 CTRL－Labs，并于 2019 年被 Meta 收購(gòu)。

正因?yàn)槿绱耍琑eardon 始終不太認(rèn)同當(dāng)前 AI 行業(yè)的主流路線。在他看來(lái)，Transformer 雖然取得了巨大成功，但本質(zhì)上更像是一種高效的工程實(shí)現(xiàn)，而非智能本身的答案。于是，F(xiàn)lourish 把目光投向了一個(gè)神經(jīng)科學(xué)領(lǐng)域已經(jīng)爭(zhēng)論了半個(gè)多世紀(jì)的問(wèn)題：皮層柱（Cortical Column）。

1960 年代，美國(guó)神經(jīng)科學(xué)家 Vernon Mountcastle 在研究感覺(jué)皮層時(shí)發(fā)現(xiàn)，如果沿著垂直方向觀察大腦皮層，不同神經(jīng)元往往會(huì)處理相似的信息。他因此提出一個(gè)著名假說(shuō)：大腦皮層可能由大量重復(fù)出現(xiàn)的小型計(jì)算單元組成，而這些單元正是智能產(chǎn)生的基礎(chǔ)。后來(lái)，這些結(jié)構(gòu)被命名為“皮層柱”。這個(gè)概念在神經(jīng)科學(xué)歷史上影響深遠(yuǎn)。

2004 年，美國(guó)企業(yè)家兼腦科學(xué)研究者 Jeff Hawkins 出版《On Intelligence》，提出一個(gè)大膽觀點(diǎn)：如果人類能夠理解皮層柱的計(jì)算規(guī)則，就有可能重建智能本身。隨后他創(chuàng)辦 Numenta 公司，長(zhǎng)期推動(dòng)所謂“腦啟發(fā)計(jì)算（Brain－inspired Computing）”研究。IBM 推出的 TrueNorth 芯片、Intel 推出的 Loihi 芯片，以及后來(lái)興起的神經(jīng)形態(tài)計(jì)算（Neuromorphic Computing）路線，都或多或少受到類似思想影響。

（來(lái)源：BeFreed）

從某種意義上說(shuō)，F(xiàn)lourish 并不是在從 0 開(kāi)始開(kāi)辟新大陸，而是在重新挑戰(zhàn)一個(gè)已經(jīng)存在六十多年的問(wèn)題。這也是許多人對(duì)該公司最主要的質(zhì)疑點(diǎn)：如果智能的秘密真的隱藏在皮層柱之中，為什么過(guò)去幾十年里，無(wú)數(shù)神經(jīng)科學(xué)家都沒(méi)能找到它？

這很大程度上和神經(jīng)科學(xué)的研究范式相關(guān)。作為一門典型的解構(gòu)科學(xué)，神經(jīng)科學(xué)更偏重觀察、測(cè)量和解釋。研究者可以記錄神經(jīng)元活動(dòng)，分析神經(jīng)連接，繪制腦區(qū)地圖，但這些成果并不自動(dòng)等于可運(yùn)行的算法。就像人們完全理解鳥(niǎo)類翅膀的結(jié)構(gòu)和空氣動(dòng)力學(xué)原理，并不意味著能夠直接造出飛機(jī)一樣。知道大腦如何構(gòu)成，并不等于知道智能如何產(chǎn)生。

在過(guò)去二十年里，AI 和神經(jīng)科學(xué)在某種程度上已經(jīng)走向兩條不同道路。神經(jīng)科學(xué)關(guān)注的是“智能是什么”，AI 工程關(guān)注的是“如何實(shí)現(xiàn)智能”。前者追求解釋，后者追求結(jié)果。Transformer 恰恰是后一種思維的勝利。它并不特別像大腦，卻成功解決了大量實(shí)際問(wèn)題。隨著 GPT 系列模型不斷突破，人們開(kāi)始越來(lái)越少地討論神經(jīng)元和腦回路，而越來(lái)越多地討論參數(shù)規(guī)模、訓(xùn)練數(shù)據(jù)和推理成本。

目前，F(xiàn)lourish 招募了數(shù)十名神經(jīng)科學(xué)家和 AI 研究員共同工作，其中包括 DeepMind 資深研究員 Greg Wayne。團(tuán)隊(duì)計(jì)劃利用電子顯微鏡、神經(jīng)回路重建以及連接組學(xué)等工具，對(duì)大腦不同尺度的數(shù)據(jù)進(jìn)行采集和分析，同時(shí)由算法團(tuán)隊(duì)根據(jù)實(shí)驗(yàn)結(jié)果構(gòu)建新的模型架構(gòu)。按照他們的設(shè)想，神經(jīng)科學(xué)家負(fù)責(zé)發(fā)現(xiàn)規(guī)律，AI 研究員負(fù)責(zé)驗(yàn)證規(guī)律，兩者形成不斷循環(huán)的反饋過(guò)程。

還有一個(gè)好消息是，相比六十年前皮層柱理論剛被提出時(shí)，今天的確出現(xiàn)了一些新的條件。

連接組學(xué)的發(fā)展使研究者能夠以前所未有的精度重建神經(jīng)回路；大模型和機(jī)器學(xué)習(xí)技術(shù)反過(guò)來(lái)成為分析腦數(shù)據(jù)的新工具；而過(guò)去積累的大量神經(jīng)科學(xué)實(shí)驗(yàn)數(shù)據(jù)，也為算法驗(yàn)證提供了前所未有的基礎(chǔ)。Flourish 聯(lián)合創(chuàng)始人 Joshua Vogelstein 此前參與的研究甚至發(fā)現(xiàn)，果蠅神經(jīng)網(wǎng)絡(luò)在某些計(jì)算效率指標(biāo)上比 Transformer 高出一個(gè)數(shù)量級(jí)。盡管這種比較仍存在爭(zhēng)議，但至少說(shuō)明生物系統(tǒng)中可能確實(shí)存在尚未被工程界充分利用的機(jī)制。

不過(guò)，即便是支持者也普遍保持謹(jǐn)慎。伯克利計(jì)算機(jī)科學(xué)家 Ben Recht 同時(shí)擔(dān)任 Flourish 顧問(wèn)。他公開(kāi)表示，自己并不確定這項(xiàng)計(jì)劃是否能夠成功，但如果成功，人工智能的發(fā)展軌跡可能會(huì)發(fā)生根本變化。

過(guò)去幾十年里，腦啟發(fā) AI 曾經(jīng)多次成為熱門方向，又多次歸于沉寂。皮層柱是否真的是大腦的基本計(jì)算單元，學(xué)界至今仍存在爭(zhēng)論；不同腦區(qū)之間的結(jié)構(gòu)差異，也讓“統(tǒng)一算法”這一假設(shè)面臨挑戰(zhàn)。更現(xiàn)實(shí)的問(wèn)題是，即便發(fā)現(xiàn)了某種新的神經(jīng)計(jì)算規(guī)律，如何把它轉(zhuǎn)化為能夠在硅基芯片上運(yùn)行的工程系統(tǒng)，仍然是另一項(xiàng)完全不同的挑戰(zhàn)。

1.https://www.bloomberg.com/news/articles/2026-04-30/startup-bringing-brains-to-ai-aims-for-2-5-billion-valuation

2.https://www.wired.com/story/jeff-bezos-is-funding-a-wild-hunt-for-the-brains-core-algorithm/

運(yùn)營(yíng)/排版：何晨龍

注：封面/首圖由 AI 輔助生成