當(dāng)硅谷的科技巨頭們還在為數(shù)據(jù)中心投入數(shù)千億資金，試圖通過堆砌算力和數(shù)據(jù)讓AI變得更聰明時(shí)，一場關(guān)于AI發(fā)展路徑的爭議正悄然興起。最新研究顯示，到2026年，AI訓(xùn)練的耗電量可能超過日本全國一年的用電量，這一預(yù)測讓行業(yè)不得不重新審視當(dāng)前的技術(shù)路線。

約翰霍普金斯大學(xué)認(rèn)知科學(xué)團(tuán)隊(duì)的一項(xiàng)實(shí)驗(yàn)，為這場爭議投下了一枚重磅炸彈。他們發(fā)現(xiàn)，未經(jīng)訓(xùn)練的類腦AI系統(tǒng)竟能直接模擬人腦活動(dòng)，這一成果發(fā)表在《自然機(jī)器智能》上，引發(fā)了行業(yè)對(duì)傳統(tǒng)AI發(fā)展模式的質(zhì)疑。研究負(fù)責(zé)人米克·邦納教授指出，人類學(xué)習(xí)新事物效率極高，而當(dāng)前AI卻需要海量數(shù)據(jù)和參數(shù)才能完成簡單任務(wù)，這種差異促使他們深入探究背后的原因。

實(shí)驗(yàn)中，團(tuán)隊(duì)選取了Transformer、全連接網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)三種主流AI架構(gòu)，并設(shè)計(jì)了數(shù)十種變體。令人驚訝的是，未經(jīng)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別測試中表現(xiàn)優(yōu)異，其活動(dòng)模式與人腦高度相似，識(shí)別效果甚至能與經(jīng)過數(shù)百萬張圖像訓(xùn)練的傳統(tǒng)AI媲美。相比之下，Transformer和全連接網(wǎng)絡(luò)無論增加多少神經(jīng)元，都無法達(dá)到類似效果。

這一發(fā)現(xiàn)揭示了AI架構(gòu)設(shè)計(jì)中的關(guān)鍵問題。卷積神經(jīng)網(wǎng)絡(luò)之所以表現(xiàn)突出，是因?yàn)樗７铝巳四X的層級(jí)化處理機(jī)制——從邊緣、顏色等簡單特征開始，逐步整合形成復(fù)雜認(rèn)知。而Transformer的“全局注意力”機(jī)制和全連接網(wǎng)絡(luò)的“全連接”設(shè)計(jì)，則缺乏這種生物學(xué)合理性。研究還發(fā)現(xiàn)，1100多個(gè)神經(jīng)網(wǎng)絡(luò)的權(quán)重最終都收斂在一個(gè)16維子空間內(nèi)，進(jìn)一步證明架構(gòu)本身的“骨架”比參數(shù)數(shù)量更重要。

當(dāng)前AI發(fā)展的高能耗問題也日益凸顯。以ChatGPT為例，其單次查詢耗電量是普通搜索引擎的10倍，生成式AI的電力需求每年增長75%。更嚴(yán)重的是，模型使用階段的耗電量竟是訓(xùn)練階段的30倍。這種“算力軍備競賽”不僅推高了運(yùn)營成本，也對(duì)環(huán)境造成了巨大壓力。類腦AI的出現(xiàn)，為解決這一問題提供了新思路——它無需海量數(shù)據(jù)和巨量算力，就能完成特定任務(wù)。

這一突破在數(shù)據(jù)稀缺領(lǐng)域具有巨大潛力。例如，冷門科研和小眾語言翻譯等場景，傳統(tǒng)AI因數(shù)據(jù)不足難以發(fā)揮作用，而類腦AI則可能開辟新的應(yīng)用空間。行業(yè)專家認(rèn)為，未來的深度學(xué)習(xí)框架應(yīng)更多借鑒生物學(xué)原理，結(jié)合簡單學(xué)習(xí)方法，而非單純追求參數(shù)規(guī)模。畢竟，人腦經(jīng)過數(shù)億年優(yōu)化，其架構(gòu)本身就是一本現(xiàn)成的“設(shè)計(jì)圣經(jīng)”。

隨著研究的深入，科技公司開始意識(shí)到，單純依靠堆砌算力和數(shù)據(jù)已難以持續(xù)。平衡工程創(chuàng)新與生物啟發(fā)，或許才是AI發(fā)展的正確方向。當(dāng)硅谷還在沉迷于“算力競賽”時(shí)，生物學(xué)中的AI進(jìn)化密碼，可能正等待著被重新發(fā)現(xiàn)。