AI 与人脑究竟有何差别

陌上秋草

刘桓中，2025年9月

人类习惯于把自己这个群体看得至高无上，古代地心说就是一例。科学打破了地心说，许多人曾一度十分失落。当今世界，科学又将摧毁人脑和思维的至高地位，把人类思维降级为普普通通的神经元连接。这再次让人类群体十分失落，许多人无论如何不能接受残酷现实，在各种场合拼命维护人类至上说。

他们的杀手锏是把当下 AI 与人脑比较，找出 AI 的各种缺陷，却有意无意回避一个关键问题：十年前AI 还很幼稚，幼稚得像个婴儿，如今 AI 已长成少年，能做很多了不起的大事。那么，再过十年 AI 会变成什么样？甚至五年后的 AI 将是什么样已经很难预测了。

要不了多久，AI 将全面超越人类，这已是不可逆转的趋势。根据何在？

大脑的最大优势是神经元动态连接

人类大脑和其他动物的大脑一样，本质上都是神经网络，即由神经元相互连接构成的网络。从简单的对光线、声音、气味和触碰的反应，到人脑的周密思维，靠的都是神经元之间的信号传递。人脑的不同只是神经元特别多，多达800亿到上千亿，神经元之间的连接也特别多，多达上百万亿。人类的高级思维便由此而生。

这并不意味着人类处处比其他动物强。人类的动作反应比猫和狗慢多了。黑猩猩能在一瞬间记住复杂图形，人类只有个别智力异常者能做到。这些都说明，动物都是因生存需求向特定方向进化，人类也是因生存需求进化出发达思维能力。

测试黑猩猩短时记忆能力

大脑中神经元的连接并非生来定型。DNA 所致的遗传连接只占很少部分，多数连接是后天经历所致。个体生长的早期，神经元在逐渐增多，然后增长渐慢，趋近停止。但神经元之间的连接却一直变化，直至生命终结。

这种连接变化有两方面。一是神经元会长出新的神经索，用来连接其他神经元。二是已有的连接会强化或弱化。强化的连接更容易被激发。反之，弱化的连接则比较迟钝，甚至完全没有反应。长期无反应的连接，其神经索会退化，直至消失。

由此可见，神经元连接是双向趋势：可生长也可退化，可增强也可减弱。这就是神经网络动态连接的含义，也正是大脑的优势所在。

当前人工神经网络的难点

目前的人工神经网络是在数字计算机上实现的，是靠存储器和处理器来模拟大脑神经网络。这种处理方案技术上很成熟，但也有严重缺陷。最大缺陷就是成本高，功耗大，因此难以扩展算力，无法像大脑神经网络那样无限制增加神经元之间的连接。

一台电脑的主体是主板和GPU 图形处理卡。主板上有 CPU 和存储器，CPU在各存储单元之间快速调度数据，完成基本运算，从而可在存储器中构成一个个神经元，并在各神经元之间建立连接，而且能随时改变每个连接的强度。

主板这种处理方式叫做串行运算。每次调度数据都要通过总线。总线好像一条单行通道，每次只能传输一组数据。虽然单次传输速度很快，但 AI 运算要处理海量数据，这种串行方式就显得很慢。

GPU 图形卡不同，它上面有自己的高速存储器，还有许多可同时运算的处理器，以及众多可同时传输数据的总线。这种多处理器和多总线结构可以实现并行运算，大大提高了运算速度。而且，GPU图形卡上的处理器和存储器离得很近，这就进一步加快了数据传输。

但GPU很昂贵，也很耗电。一般电脑的GPU卡都需要大风扇来降温。AI 服务器更是如此。AI 服务器相当于一台专用AI 电脑，里面的机架插着很多GPU卡，耗电巨大，更要解决散热问题。

AI 服务器机架上插着很多GPU卡

目前的AI 算力中心做得非常庞大。即便如此，也只能实现小规模神经元连接。人脑的神经元连接数可达百万亿。目前顶尖AI 大模型能实现的连接数不到大脑的2%，普通大模型只有顶尖大模型的千分之一。由此决定了AI目前的联想能力还远不及人脑。

类脑计算机的解决方案

为了解决以上问题，AI 界正在研发类脑计算机。类脑就是类似大脑。类脑计算机完全摆脱冯·诺依曼体系的数字计算机模式，从软件模拟神经网络转向用硬件直接构筑神经网络。

大脑神经元的最大特点是存算一体化，即每个神经元都有单独处理能力，好像为每个神经元准备了一个单独 CPU。于是，神经元既是构筑概念体系的基本单元，也是处理信号的基本单元。假如N个神经元同时被激活，就有N个单元同时处理信息。大脑的电化学反应非常慢，这种全并行处理大大弥补了这一缺陷。这正是大脑具有强大思维能力的前提。

类脑计算机用硬件模拟大脑神经元，目前的基本构件是忆阻器。所谓忆阻器，就是有记忆功能的电阻器。忆阻器可在特定电压下改变电阻值，并能长期保存改变后的阻值，从而可模拟神经元之间不同的连接强度。这种方式成本低，功耗也极低，而且运算极快，大大提高了AI 模型的效能。

存算一体化的人工神经网络模型

然而，忆阻器只能在设计时做到芯片中，一旦制作完成就不能改变，无法像大脑那样长出新的神经索，以建立新连接。一般是在设计时为每个神经元预制8到16个忆阻器，这比大脑神经元上千个连接差得很远。但是没有办法，预制太多忆阻器将显著增大芯片面积，而且成本高到不可接受。

如果将来能实现光芯片，可利用光传输的波分复用技术动态生成新连接，但数量也不够多，而且很不稳定。目前用光芯片制造类脑计算机还在试验阶段。

可复制性与分布式计算

并非没有出路。AI 有两点显著优势，一是智能的可复制性，二是分布式计算。有此两点，AI 的智能必将远远超过人类大脑。

人类智慧的致命缺陷是不能复制，且难以长存。形成书面资料的其实只占人类整体智慧的一小部分，大部分智慧都随着人们的逝去而丧失，只能换一批人重新再来。AI 恰恰相反，训练好的AI 模型理论上可以任意复制，唯一限制是产权，而且可以无限期长期保存。

现在的AI 大模型只是AI 发展初期的过渡模式，不可能长期靠头部公司的大模型支撑。未来的发展必定是遍地开花的中小模型和网络支持下的分布式计算。

现在一些公司已推出AI工作站和AI 电脑的典型方案，只是价格与配置还不算好，很像上世纪90年代个人电脑大规模普及之前的情景。2026年将完全不同，AI 个人终端将大幅降价，降到高端电脑的水平，配置也会显著升级。这必将为分布式计算提供条件。

AI 个人终端最大的优势是个性化。现在的大模型是尽量通用化。用户与AI 交往的过程一般不会记录保存，AI 的智力也不会体现个人特色。人类个体在AI 大模型眼里就是个抽象智能体。

在这种模式下，AI 不会主动从与人的交往中吸取知识，提高智力。AI 智力完全靠集中式海量数据训练。它只有高度概括性，只能靠概率来判断数据是否真实可靠。假如一直这样，AI 的智力水平永远不会超过人类，只能在个别领域有闪光点。

分布式计算为AI 集中人类智慧提供了非常有利的条件。关于这一点，我将专文介绍。