新闻 
功耗50瓦的AI大脑,会是下一个GPT吗?
功耗50瓦的AI大脑,会是下一个GPT吗?功耗50瓦的AI大脑,会是下一个GPT吗?
正因为如此，Reardon 始终不太认同当前 AI 行业的主流路线。在他看来，Transformer 虽然取得了巨大成功，但本质上更像是一种高效的工程实现，而非智能本身的答案。于是，Flourish 把目光投向了一个神经科学领域已经争论了半个多世纪的问题：皮层柱（Cortical Column）。
1960 年代，美国神经科学家 Vernon Mountcastle 在研究感觉皮层时发现，如果沿着垂直方向观察大脑皮层，不同神经元往往会处理相似的信息。他因此提出一个著名假说：大脑皮层可能由大量重复出现的小型计算单元组成，而这些单元正是智能产生的基础。后来，这些结构被命名为“皮层柱”。这个概念在神经科学历史上影响深远。
2004 年，美国企业家兼脑科学研究者 Jeff Hawkins 出版《On Intelligence》，提出一个大胆观点：如果人类能够理解皮层柱的计算规则，就有可能重建智能本身。随后他创办 Numenta 公司，长期推动所谓“脑启发计算（Brain－inspired Computing）”研究。IBM 推出的 TrueNorth 芯片、Intel 推出的 Loihi 芯片，以及后来兴起的神经形态计算（Neuromorphic Computing）路线，都或多或少受到类似思想影响。
从某种意义上说，Flourish 并不是在从 0 开始开辟新大陆，而是在重新挑战一个已经存在六十多年的问题。这也是许多人对该公司最主要的质疑点：如果智能的秘密真的隐藏在皮层柱之中，为什么过去几十年里，无数神经科学家都没能找到它？
这很大程度上和神经科学的研究范式相关。作为一门典型的解构科学，神经科学更偏重观察、测量和解释。研究者可以记录神经元活动，分析神经连接，绘制脑区地图，但这些成果并不自动等于可运行的算法。就像人们完全理解鸟类翅膀的结构和空气动力学原理，并不意味着能够直接造出飞机一样。知道大脑如何构成，并不等于知道智能如何产生。
在过去二十年里，AI 和神经科学在某种程度上已经走向两条不同道路。神经科学关注的是“智能是什么”，AI 工程关注的是“如何实现智能”。前者追求解释，后者追求结果。Transformer 恰恰是后一种思维的胜利。它并不特别像大脑，却成功解决了大量实际问题。随着 GPT 系列模型不断突破，人们开始越来越少地讨论神经元和脑回路，而越来越多地讨论参数规模、训练数据和推理成本。
目前，Flourish 招募了数十名神经科学家和 AI 研究员共同工作，其中包括 DeepMind 资深研究员 Greg Wayne。团队计划利用电子显微镜、神经回路重建以及连接组学等工具，对大脑不同尺度的数据进行采集和分析，同时由算法团队根据实验结果构建新的模型架构。按照他们的设想，神经科学家负责发现规律，AI 研究员负责验证规律，两者形成不断循环的反馈过程。
（来源：BeFreed）
还有一个好消息是，相比六十年前皮层柱理论刚被提出时，今天的确出现了一些新的条件。
连接组学的发展使研究者能够以前所未有的精度重建神经回路；大模型和机器学习技术反过来成为分析脑数据的新工具；而过去积累的大量神经科学实验数据，也为算法验证提供了前所未有的基础。Flourish 联合创始人 Joshua Vogelstein 此前参与的研究甚至发现，果蝇神经网络在某些计算效率指标上比 Transformer 高出一个数量级。尽管这种比较仍存在争议，但至少说明生物系统中可能确实存在尚未被工程界充分利用的机制。
不过，即便是支持者也普遍保持谨慎。伯克利计算机科学家 Ben Recht 同时担任 Flourish 顾问。他公开表示，自己并不确定这项计划是否能够成功，但如果成功，人工智能的发展轨迹可能会发生根本变化。
过去几十年里，脑启发 AI 曾经多次成为热门方向，又多次归于沉寂。皮层柱是否真的是大脑的基本计算单元，学界至今仍存在争论；不同脑区之间的结构差异，也让“统一算法”这一假设面临挑战。更现实的问题是，即便发现了某种新的神经计算规律，如何把它转化为能够在硅基芯片上运行的工程系统，仍然是另一项完全不同的挑战。
[加西网正招聘多名全职sales 待遇优]
无评论不新闻，发表一下您的意见吧
1960 年代，美国神经科学家 Vernon Mountcastle 在研究感觉皮层时发现，如果沿着垂直方向观察大脑皮层，不同神经元往往会处理相似的信息。他因此提出一个著名假说：大脑皮层可能由大量重复出现的小型计算单元组成，而这些单元正是智能产生的基础。后来，这些结构被命名为“皮层柱”。这个概念在神经科学历史上影响深远。
2004 年，美国企业家兼脑科学研究者 Jeff Hawkins 出版《On Intelligence》，提出一个大胆观点：如果人类能够理解皮层柱的计算规则，就有可能重建智能本身。随后他创办 Numenta 公司，长期推动所谓“脑启发计算（Brain－inspired Computing）”研究。IBM 推出的 TrueNorth 芯片、Intel 推出的 Loihi 芯片，以及后来兴起的神经形态计算（Neuromorphic Computing）路线，都或多或少受到类似思想影响。
从某种意义上说，Flourish 并不是在从 0 开始开辟新大陆，而是在重新挑战一个已经存在六十多年的问题。这也是许多人对该公司最主要的质疑点：如果智能的秘密真的隐藏在皮层柱之中，为什么过去几十年里，无数神经科学家都没能找到它？
这很大程度上和神经科学的研究范式相关。作为一门典型的解构科学，神经科学更偏重观察、测量和解释。研究者可以记录神经元活动，分析神经连接，绘制脑区地图，但这些成果并不自动等于可运行的算法。就像人们完全理解鸟类翅膀的结构和空气动力学原理，并不意味着能够直接造出飞机一样。知道大脑如何构成，并不等于知道智能如何产生。
在过去二十年里，AI 和神经科学在某种程度上已经走向两条不同道路。神经科学关注的是“智能是什么”，AI 工程关注的是“如何实现智能”。前者追求解释，后者追求结果。Transformer 恰恰是后一种思维的胜利。它并不特别像大脑，却成功解决了大量实际问题。随着 GPT 系列模型不断突破，人们开始越来越少地讨论神经元和脑回路，而越来越多地讨论参数规模、训练数据和推理成本。
目前，Flourish 招募了数十名神经科学家和 AI 研究员共同工作，其中包括 DeepMind 资深研究员 Greg Wayne。团队计划利用电子显微镜、神经回路重建以及连接组学等工具，对大脑不同尺度的数据进行采集和分析，同时由算法团队根据实验结果构建新的模型架构。按照他们的设想，神经科学家负责发现规律，AI 研究员负责验证规律，两者形成不断循环的反馈过程。
（来源：BeFreed）
还有一个好消息是，相比六十年前皮层柱理论刚被提出时，今天的确出现了一些新的条件。
连接组学的发展使研究者能够以前所未有的精度重建神经回路；大模型和机器学习技术反过来成为分析脑数据的新工具；而过去积累的大量神经科学实验数据，也为算法验证提供了前所未有的基础。Flourish 联合创始人 Joshua Vogelstein 此前参与的研究甚至发现，果蝇神经网络在某些计算效率指标上比 Transformer 高出一个数量级。尽管这种比较仍存在争议，但至少说明生物系统中可能确实存在尚未被工程界充分利用的机制。
不过，即便是支持者也普遍保持谨慎。伯克利计算机科学家 Ben Recht 同时担任 Flourish 顾问。他公开表示，自己并不确定这项计划是否能够成功，但如果成功，人工智能的发展轨迹可能会发生根本变化。
过去几十年里，脑启发 AI 曾经多次成为热门方向，又多次归于沉寂。皮层柱是否真的是大脑的基本计算单元，学界至今仍存在争论；不同脑区之间的结构差异，也让“统一算法”这一假设面临挑战。更现实的问题是，即便发现了某种新的神经计算规律，如何把它转化为能够在硅基芯片上运行的工程系统，仍然是另一项完全不同的挑战。
[加西网正招聘多名全职sales 待遇优]
| 分享: |
| 注： | 在此页阅读全文 |
| 延伸阅读 |
推荐: