新聞 
功耗50瓦的AI大腦,會是下壹個GPT嗎?
功耗50瓦的AI大腦,會是下壹個GPT嗎?功耗50瓦的AI大腦,會是下壹個GPT嗎?
正因為如此，Reardon 始終不太認同當前 AI 行業的主流路線。在他看來，Transformer 雖然取得了巨大成功，但本質上更像是壹種高效的工程實現，而非智能本身的答案。於是，Flourish 把目光投向了壹個神經科學領域已經爭論了半個多世紀的問題：皮層柱（Cortical Column）。
1960 年代，美國神經科學家 Vernon Mountcastle 在研究感覺皮層時發現，如果沿著垂直方向觀察大腦皮層，不同神經元往往會處理相似的信息。他因此提出壹個著名假說：大腦皮層可能由大量重復出現的小型計算單元組成，而這些單元正是智能產生的基礎。後來，這些結構被命名為“皮層柱”。這個概念在神經科學歷史上影響深遠。
2004 年，美國企業家兼腦科學研究者 Jeff Hawkins 出版《On Intelligence》，提出壹個大膽觀點：如果人類能夠理解皮層柱的計算規則，就有可能重建智能本身。隨後他創辦 Numenta 公司，長期推動所謂“腦啟發計算（Brain－inspired Computing）”研究。IBM 推出的 TrueNorth 芯片、Intel 推出的 Loihi 芯片，以及後來興起的神經形態計算（Neuromorphic Computing）路線，都或多或少受到類似思想影響。
從某種意義上說，Flourish 並不是在從 0 開始開辟新大陸，而是在重新挑戰壹個已經存在六拾多年的問題。這也是許多人對該公司最主要的質疑點：如果智能的秘密真的隱藏在皮層柱之中，為什麼過去幾拾年裡，無數神經科學家都沒能找到它？
這很大程度上和神經科學的研究范式相關。作為壹門典型的解構科學，神經科學更偏重觀察、測量和解釋。研究者可以記錄神經元活動，分析神經連接，繪制腦區地圖，但這些成果並不自動等於可運行的算法。就像人們完全理解鳥類翅膀的結構和空氣動力學原理，並不意味著能夠直接造出飛機壹樣。知道大腦如何構成，並不等於知道智能如何產生。
在過去贰拾年裡，AI 和神經科學在某種程度上已經走向兩條不同道路。神經科學關注的是“智能是什麼”，AI 工程關注的是“如何實現智能”。前者追求解釋，後者追求結果。Transformer 恰恰是後壹種思維的勝利。它並不特別像大腦，卻成功解決了大量實際問題。隨著 GPT 系列模型不斷突破，人們開始越來越少地討論神經元和腦回路，而越來越多地討論參數規模、訓練數據和推理成本。
目前，Flourish 招募了數拾名神經科學家和 AI 研究員共同工作，其中包括 DeepMind 資深研究員 Greg Wayne。團隊計劃利用電子顯微鏡、神經回路重建以及連接組學等工具，對大腦不同尺度的數據進行采集和分析，同時由算法團隊根據實驗結果構建新的模型架構。按照他們的設想，神經科學家負責發現規律，AI 研究員負責驗證規律，兩者形成不斷循環的反饋過程。
（來源：BeFreed）
還有壹個好消息是，相比六拾年前皮層柱理論剛被提出時，今天的確出現了壹些新的條件。
連接組學的發展使研究者能夠以前所未有的精度重建神經回路；大模型和機器學習技術反過來成為分析腦數據的新工具；而過去積累的大量神經科學實驗數據，也為算法驗證提供了前所未有的基礎。Flourish 聯合創始人 Joshua Vogelstein 此前參與的研究甚至發現，果蠅神經網絡在某些計算效率指標上比 Transformer 高出壹個數量級。盡管這種比較仍存在爭議，但至少說明生物系統中可能確實存在尚未被工程界充分利用的機制。
不過，即便是支持者也普遍保持謹慎。伯克利計算機科學家 Ben Recht 同時擔任 Flourish 顧問。他公開表示，自己並不確定這項計劃是否能夠成功，但如果成功，人工智能的發展軌跡可能會發生根本變化。
過去幾拾年裡，腦啟發 AI 曾經多次成為熱門方向，又多次歸於沉寂。皮層柱是否真的是大腦的基本計算單元，學界至今仍存在爭論；不同腦區之間的結構差異，也讓“統壹算法”這壹假設面臨挑戰。更現實的問題是，即便發現了某種新的神經計算規律，如何把它轉化為能夠在硅基芯片上運行的工程系統，仍然是另壹項完全不同的挑戰。
[物價飛漲的時候 這樣省錢購物很爽]
這條新聞還沒有人評論喔，等著您的高見呢
1960 年代，美國神經科學家 Vernon Mountcastle 在研究感覺皮層時發現，如果沿著垂直方向觀察大腦皮層，不同神經元往往會處理相似的信息。他因此提出壹個著名假說：大腦皮層可能由大量重復出現的小型計算單元組成，而這些單元正是智能產生的基礎。後來，這些結構被命名為“皮層柱”。這個概念在神經科學歷史上影響深遠。
2004 年，美國企業家兼腦科學研究者 Jeff Hawkins 出版《On Intelligence》，提出壹個大膽觀點：如果人類能夠理解皮層柱的計算規則，就有可能重建智能本身。隨後他創辦 Numenta 公司，長期推動所謂“腦啟發計算（Brain－inspired Computing）”研究。IBM 推出的 TrueNorth 芯片、Intel 推出的 Loihi 芯片，以及後來興起的神經形態計算（Neuromorphic Computing）路線，都或多或少受到類似思想影響。
從某種意義上說，Flourish 並不是在從 0 開始開辟新大陸，而是在重新挑戰壹個已經存在六拾多年的問題。這也是許多人對該公司最主要的質疑點：如果智能的秘密真的隱藏在皮層柱之中，為什麼過去幾拾年裡，無數神經科學家都沒能找到它？
這很大程度上和神經科學的研究范式相關。作為壹門典型的解構科學，神經科學更偏重觀察、測量和解釋。研究者可以記錄神經元活動，分析神經連接，繪制腦區地圖，但這些成果並不自動等於可運行的算法。就像人們完全理解鳥類翅膀的結構和空氣動力學原理，並不意味著能夠直接造出飛機壹樣。知道大腦如何構成，並不等於知道智能如何產生。
在過去贰拾年裡，AI 和神經科學在某種程度上已經走向兩條不同道路。神經科學關注的是“智能是什麼”，AI 工程關注的是“如何實現智能”。前者追求解釋，後者追求結果。Transformer 恰恰是後壹種思維的勝利。它並不特別像大腦，卻成功解決了大量實際問題。隨著 GPT 系列模型不斷突破，人們開始越來越少地討論神經元和腦回路，而越來越多地討論參數規模、訓練數據和推理成本。
目前，Flourish 招募了數拾名神經科學家和 AI 研究員共同工作，其中包括 DeepMind 資深研究員 Greg Wayne。團隊計劃利用電子顯微鏡、神經回路重建以及連接組學等工具，對大腦不同尺度的數據進行采集和分析，同時由算法團隊根據實驗結果構建新的模型架構。按照他們的設想，神經科學家負責發現規律，AI 研究員負責驗證規律，兩者形成不斷循環的反饋過程。
（來源：BeFreed）
還有壹個好消息是，相比六拾年前皮層柱理論剛被提出時，今天的確出現了壹些新的條件。
連接組學的發展使研究者能夠以前所未有的精度重建神經回路；大模型和機器學習技術反過來成為分析腦數據的新工具；而過去積累的大量神經科學實驗數據，也為算法驗證提供了前所未有的基礎。Flourish 聯合創始人 Joshua Vogelstein 此前參與的研究甚至發現，果蠅神經網絡在某些計算效率指標上比 Transformer 高出壹個數量級。盡管這種比較仍存在爭議，但至少說明生物系統中可能確實存在尚未被工程界充分利用的機制。
不過，即便是支持者也普遍保持謹慎。伯克利計算機科學家 Ben Recht 同時擔任 Flourish 顧問。他公開表示，自己並不確定這項計劃是否能夠成功，但如果成功，人工智能的發展軌跡可能會發生根本變化。
過去幾拾年裡，腦啟發 AI 曾經多次成為熱門方向，又多次歸於沉寂。皮層柱是否真的是大腦的基本計算單元，學界至今仍存在爭論；不同腦區之間的結構差異，也讓“統壹算法”這壹假設面臨挑戰。更現實的問題是，即便發現了某種新的神經計算規律，如何把它轉化為能夠在硅基芯片上運行的工程系統，仍然是另壹項完全不同的挑戰。
[物價飛漲的時候 這樣省錢購物很爽]
| 分享: |
| 注： | 在此頁閱讀全文 |
| 延伸閱讀 |
推薦: