人腦或許仍然是地球上最強大、也最被低估的智能系統。
它的運行功耗只有幾十瓦，相當於一盞普通燈泡，卻能夠在幾十年時間裡持續學習、積累知識、適應環境。一個嬰兒只需接觸有限的語言輸入便能掌握母語，而今天最先進的大語言模型往往需要消耗數萬塊 GPU、讀取幾乎整個網際網路的數據才能獲得類似能力。這顯然不是最理想的路徑。
近日，一家名為 Flourish的新公司獲得了傑夫·貝索斯（Jeff Bezos）和多家頂級投資機構總計5億美元的支持。這家公司由前 Meta腦機接口負責人、神經科學家 Thomas Reardon與前亞馬遜高管 Rob Williams聯合創辦，其目標並不是訓練下一個 GPT，而是試圖回答一個更基礎的問題：人腦究竟是如何產生智能的？
團隊希望通過神經科學實驗與人工智慧研究結合的方式，尋找隱藏在大腦中的「核心算法（Core Algorithm）」，並最終據此構建一種能夠持續學習、功耗不超過50瓦的人工智慧系統。
故事得從一份只有兩頁紙的「未來新聞稿」說起。
作為 Flourish聯合創始人，Rob Williams曾是亞馬遜最高管理層 S－Team成員，負責 Alexa等軟體業務。在亞馬遜內部，貝索斯長期推崇一種被稱為「Working Backwards」（逆向工作法）的產品方法論：在項目啟動之前，先寫出產品成功發布後的新聞稿，再反向推導今天應該做什麼。離開亞馬遜幾個月後，Williams和另一位聯合創始人 Thomas Reardon把這套方法用在了自己的創業項目上。
那份未來新聞稿里寫道，Flourish將解決人工智慧面臨的兩個核心難題：能效和持續學習。公司計劃打造一個被稱為 Cortex AI的系統，其學習效率、計算能力和功耗預算都能夠接近人腦。貝索斯看完後首先投入了5,000萬美元，隨後繼續追加投資。Google Ventures、Lux Capital和 Catalio Capital等機構也陸續加入。短短數月時間，公司融資規模達到5億美元，估值約25億美元。
過去幾年，資本最熱衷押注的是大模型、GPU和數據中心。無論是 OpenAI的數千億美元基礎設施計劃，還是 Anthropic不斷擴張的訓練集群，背後都建立在同一個前提之上：智能能夠通過規模不斷湧現。更多參數、更多數據、更多算力，最終會帶來更強能力。
對此，Flourish認為，當代大模型雖然表現驚艷，但其學習方式與生物智能之間依然存在巨大鴻溝。一個成年人完成信息處理所需的能耗大約只有20瓦，相當於一盞普通燈泡。而今天用於訓練前沿模型的一塊高端 AI晶片，功耗往往已經達到數百瓦；由數萬塊 GPU組成的訓練集群，其耗電量甚至接近一座小型城市。
更關鍵的是，大模型並不會像人類一樣持續學習。訓練結束之後，模型能力基本固定，想獲得新的知識往往需要重新訓練或者額外微調。相比之下，一個嬰兒只需要接觸有限的語言輸入，就能逐漸掌握母語，並在此後幾十年中持續學習而不會「遺忘」已有能力。在 Flourish看來，這種差距並不是工程規模能夠徹底解決的問題，而意味著人類仍然沒有理解智能本身。
這個思路與創始人 Thomas Reardon橫跨不同領域的人生經歷密切相關。
15歲輟學後，Reardon憑藉編程天賦進入微軟，參與早期瀏覽器 Internet Explorer的開發，並在隨後創辦無線通信公司。完成創業後，他重新回到校園，在哥倫比亞大學攻讀古典學。在研究古代語言和人類認知的過程中，他逐漸對大腦如何處理信息產生興趣，隨後轉向神經科學，並最終獲得神經科學博士學位。此後，他又創辦腦機接口公司 CTRL－Labs，並於2019年被 Meta收購。
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，但本質上更像是一種高效的工程實現，而非智能本身的答案。於是，Flourish把目光投向了一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。他因此提出一個著名假說：大腦皮層可能由大量重複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》，提出一個大膽觀點：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晶片、Intel推出的 Loihi晶片，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開始開闢新大陸，而是在重新挑戰一個已經存在六十多年的問題。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，為什麼過去幾十年裡，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範式相關。作為一門典型的解構科學，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，繪製腦區地圖，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一樣。知道大腦如何構成，並不等於知道智能如何產生。
在過去二十年裡，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恰恰是後一種思維的勝利。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迴路，而越來越多地討論參數規模、訓練數據和推理成本。
目前，Flourish招募了數十名神經科學家和 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、神經迴路重建以及連接組學等工具，對大腦不同尺度的數據進行採集和分析，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）
還有一個好消息是，相比六十年前皮層柱理論剛被提出時，今天的確出現了一些新的條件。
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迴路；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高出一個數量級。儘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，人工智慧的發展軌跡可能會發生根本變化。
過去幾十年裡，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「統一算法」這一假設面臨挑戰。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矽基晶片上運行的工程系統，仍然是另一項完全不同的挑戰。