2024年，全球AI公司燒掉640億美元訓練費，但一個基礎問題懸而未決——這些模型到底算不算"聰明"？

微軟研究院把兩位立場鮮明的研究者塞進同一間錄音室：Nicolò Fusi， transformer架構的堅定信徒；Subutai Ahmad，人腦神經科學的長期研究者。主持人Doug Burger的開場白很直接：「我們要辯論的是，數字智能和生物智能，是殊途同歸，還是根本兩條路？」

LLM的"作弊式"聰明

Fusi先亮底牌。他承認當前大語言模型有硬傷——幻覺、推理鏈條斷裂、對物理世界缺乏直覺。但他認為這些屬于「工程可解」的范疇，而非架構性死局。

「transformer的注意力機制本質上是一種可學習的索引系統(tǒng)，」Fusi解釋，「它用梯度下降在海量文本中壓縮出統(tǒng)計規(guī)律。這種'蠻力美學'確實能耗驚人，但規(guī)模帶來的涌現能力也是真實的?！顾岬紾PT-4在特定代碼任務上的表現已超越90%的人類程序員，盡管它并不"理解"自己在寫什么。

Burger追問：這種"不理解但好用"的狀態(tài)，算不算智能的一種形式？Fusi的回答帶著工程師的務實：「如果行為不可區(qū)分，追問內部是否'真正理解'可能是個偽問題——至少對應用而言。」

人腦的"吝嗇鬼"架構

Ahmad的反駁從能耗切入。人腦約860億神經元，功耗僅20瓦；GPT-4訓練一次耗電相當于一個小城市數月的用量?！高@不是優(yōu)化差距，是范式差距，」Ahmad說。

他拋出一個關鍵概念：持續(xù)學習（continual learning）。人腦從不"關機重訓"，而是在線更新、終身適應，且不會災難性遺忘。對比之下，LLM一旦部署，權重凍結，新知識只能通過提示工程或昂貴的微調硬塞進去。

更根本的差異在于表征方式。Ahmad指出，大腦皮層采用稀疏分布式表征——數百萬神經元共同編碼一個概念，單個神經元又參與無數概念的編碼。這種"全息式"存儲天然抗損、易泛化。而transformer的密集向量表征，「像把圖書館燒掉后只保留一本摘要，高效但脆弱」。

感官-運動閉環(huán)：被忽視的根基

討論轉向一個更底層的分歧：智能是否需要身體？

Ahmad援引神經科學家O'Regan和No?的"感覺運動偶聯(lián)"理論——智能并非發(fā)生在大腦黑箱內，而是涌現于生物與環(huán)境的持續(xù)互動。嬰兒通過抓握、跌落、咀嚼來構建物理直覺，這種具身經驗（embodied experience）是抽象思維的土壤。

「LLM讀遍全網文本，也沒'體驗'過重力，」Ahmad說，「它描述蘋果下落，靠的是字符共現統(tǒng)計，而非對質量、加速度、碰撞的預測模型?！?/p>

Fusi部分認同這一批評。他提到多模態(tài)模型和機器人領域的進展，認為「感官-運動接地」確實是當前短板，但未必需要生物式的具身——仿真環(huán)境、世界模型（world model）可能是替代路徑。

第三條路：神經科學的反哺

Ahmad所在的Numenta公司正嘗試折中方案。他們研究大腦新皮層的算法原理——如稀疏性、時間編碼、預測性處理——并將其移植到數字架構。2023年，他們證明基于這些原則的稀疏神經網絡，在特定任務上可達到與密集transformer相當的精度，同時能耗降低數個數量級。

「我們不是要復制生物細節(jié)，而是提取計算原則，」Ahmad強調，「就像飛機不拍翅膀，但利用了空氣動力學?！?/p>

Burger總結時拋出系列未決問題：效率差距能否通過硬件（如神經形態(tài)芯片）彌補？世界模型能否替代真實具身？規(guī)模定律（scaling law）是否觸及天花板前還能擠出多少智能？

錄音結束前，Fusi留下一句自我修正：「三年前我認為transformer可能是通用智能的終點架構，現在我確定不是——但我仍不確定終點長什么樣?！?/p>

Ahmad的回應更克制：「我確定人腦是一種存在證明。問題是我們愿意花多久去讀懂它?！?/p>

這場辯論沒有勝負，但暴露了一個行業(yè)性的認知裂縫——當資本押注"更大即更好"時，另一群人正從進化用了數億年打磨的現有方案中，尋找被忽視的捷徑。你會把賭注押在哪一邊？