文 |无言

硅谷科技巨头正在疯狂砸钱，建造规模堪比小型城市的数据中心。

这些设施专门用于AI训练，总投入高达数千亿美元。

我最初以为这就是AI发展的唯一捷径，直到看到约翰霍普金斯大学的研究成果，才发现自己的认知太片面。

他们的研究显示，采用类脑设计的AI系统，无需任何数据训练就能模拟人脑活动。

这项发表在《自然机器智能》上的成果，直接给当前的行业狂热泼了一盆冷水。

千亿基建背后的行业困局

这些数据中心的电力消耗大得惊人。

预计到2026年，其总耗电量将超过1000太瓦时，这个数字相当于日本全国一年的用电量。

ChatGPT的一次普通查询，就要耗费2.9瓦时的电量，差不多是普通搜索引擎的十倍。

更夸张的是，模型后训练阶段的算力消耗，能达到原始训练的三十倍。

认知科学助理教授米克・邦纳，精准点出了行业的怪象。

AI领域拼命堆数据、扩算力，人类却能凭借极少的数据完成学习。

谷歌在俄亥俄州的AI超算中心，微软的AzureAI专属数据中心，都是这场大基建的典型代表。

美国弗吉尼亚州的数中心集群，已经占到了全美用电量的十二分之一。

当地的电力供应，早就因为这些设施变得紧张。

这种模式在我看来，已经形成了无形的垄断壁垒。

中小企业根本扛不住高昂的算力和数据成本，只能被挡在AI创新的大门外。

全球的电力供应增长速度，远远赶不上AI算力消耗的攀升幅度。

这不仅是行业的问题，更可能影响到全球的能源格局。

行业的狂热还在持续，却很少有人停下来思考。

这种烧钱又烧电的模式，真的能带领AI走得更远吗？正是这种普遍的行业焦虑，让约翰霍普金斯大学的研究团队，把目光投向了另一个全新的方向。

他们没有跟风堆数据，而是选择从AI的底层架构入手，寻找突破的可能。

实验室里的颠覆性发现

研究团队把目标锁定在三种主流的神经网络架构上。

Transformer是大语言模型的核心，全连接网络是最基础的形式，卷积神经网络则模仿了人类的视觉皮层。

本来想通过简单的规模扩大来验证效果，后来发现团队的实验设计要巧妙得多。

他们反复调整这三种架构，创建出数十种不同的变体。

所有模型都保持初始状态，没有接受过任何训练。

研究人员向这些未经训练的模型，展示了物体、人物和动物的图像。

同时，他们记录下模型的内部活动模式。

这些模式被拿来，与人类和非人灵长类动物观看相同图像时的大脑反应做对比。

实验结果让所有人都感到意外。

扩大Transformer网络和全连接网络的神经元数量，几乎没有带来任何实质性的变化。

这两种架构的活动模式，依然和人脑相去甚远。

对卷积神经网络进行类似的调整，却让它的活动模式，显著接近了人脑的活动模式。

更让人震惊的是，这些未经训练的卷积模型，在某些任务上的性能，竟然能和传统AI系统相媲美。

传统系统通常需要接触数百万甚至数十亿张图像，才能达到类似的水平。

很显然，这个发现直接挑战了AI领域的主流信念。研究团队还发现了一个更深层的现象。

一千一百多个不同的神经网络，最终学到的权重，都会收敛到一个共享的十六维子空间。

这暗示着AI模型的学习过程，可能存在某种内在的约束。

而这种约束，或许正是来自架构本身。卷积神经网络的优势，并不是偶然的结果。

人类的视觉系统，采用的是层级化的信息处理方式。

初级视觉皮层先提取边缘、颜色等低级特征，然后逐层抽象，形成对物体的高级认知。

卷积网络正是模仿了这种层级结构，才具备了天然的优势。

这个发现，让整个行业开始重新审视AI的发展路径。

类脑设计指引的新方向

当前的AI行业，正面临着能源和成本的双重压力。

摩根士丹利的预测显示，生成式AI的电力需求，在未来几年内会大幅飙升。

约翰霍普金斯大学的研究，为行业提供了一条完全不同的道路。

邦纳表示，如果海量数据训练是关键因素，那么单靠架构修改，是无法构建出类似大脑的AI系统的。

这意味着，从正确的蓝图入手，结合生物学的其他见解，或许能显著加快AI系统的学习速度。

研究团队目前正在探索，受生物学启发的简单学习方法。

这些方法可能会催生新一代的深度学习框架。

英特尔的Loihi脉冲神经网络芯片，IBM的TrueNorth神经形态计算芯片，都是类脑AI的典型案例。

它们采用模仿大脑神经元的工作方式，实现了低功耗、高效率的AI计算。

这些成果让我看到了AI行业的另一种可能。

新一代的深度学习框架，能让AI系统的速度更快、效率更高。

它们对海量数据集的依赖性，也会大大降低。

这不仅能降低训练成本和能源消耗，还能为那些因数据不足而无法解决的问题，打开新的大门。

在我看来，这或许能打破科技巨头的垄断，让中小企业也能参与到AI创新中来。

低功耗的类脑AI系统，还能应用于移动设备、物联网设备等资源受限的场景，拓展AI的应用范围。

进化用了数亿年的时间，优化出了大脑的架构。或许，这才是AI真正应该学习的对象。

当硅谷还在砸钱建造数据中心的时候，答案可能早就写在了生物学的教科书里。

毫无疑问，类脑设计的发展方向，会让AI行业变得更加多元、更加可持续。

而那些真正致力于底层架构创新的团队，也终将在行业的变革中，占据属于自己的一席之地。