當硅谷的科技巨頭們還在為數據中心投入數千億資金，試圖通過堆砌算力和數據讓AI變得更聰明時，一場關于AI發展路徑的爭議正悄然興起。最新研究顯示，到2026年，AI訓練的耗電量可能超過日本全國一年的用電量，這一預測讓行業不得不重新審視當前的技術路線。
約翰霍普金斯大學認知科學團隊的一項實驗，為這場爭議投下了一枚重磅炸彈。他們發現，未經訓練的類腦AI系統竟能直接模擬人腦活動，這一成果發表在《自然機器智能》上，引發了行業對傳統AI發展模式的質疑。研究負責人米克·邦納教授指出，人類學習新事物效率極高，而當前AI卻需要海量數據和參數才能完成簡單任務，這種差異促使他們深入探究背后的原因。
實驗中，團隊選取了Transformer、全連接網絡和卷積神經網絡三種主流AI架構，并設計了數十種變體。令人驚訝的是，未經訓練的卷積神經網絡在圖像識別測試中表現優異，其活動模式與人腦高度相似，識別效果甚至能與經過數百萬張圖像訓練的傳統AI媲美。相比之下，Transformer和全連接網絡無論增加多少神經元，都無法達到類似效果。
這一發現揭示了AI架構設計中的關鍵問題。卷積神經網絡之所以表現突出，是因為它模仿了人腦的層級化處理機制——從邊緣、顏色等簡單特征開始，逐步整合形成復雜認知。而Transformer的“全局注意力”機制和全連接網絡的“全連接”設計，則缺乏這種生物學合理性。研究還發現，1100多個神經網絡的權重最終都收斂在一個16維子空間內，進一步證明架構本身的“骨架”比參數數量更重要。
當前AI發展的高能耗問題也日益凸顯。以ChatGPT為例，其單次查詢耗電量是普通搜索引擎的10倍，生成式AI的電力需求每年增長75%。更嚴重的是，模型使用階段的耗電量竟是訓練階段的30倍。這種“算力軍備競賽”不僅推高了運營成本，也對環境造成了巨大壓力。類腦AI的出現，為解決這一問題提供了新思路——它無需海量數據和巨量算力，就能完成特定任務。
這一突破在數據稀缺領域具有巨大潛力。例如，冷門科研和小眾語言翻譯等場景，傳統AI因數據不足難以發揮作用，而類腦AI則可能開辟新的應用空間。行業專家認為，未來的深度學習框架應更多借鑒生物學原理，結合簡單學習方法，而非單純追求參數規模。畢竟，人腦經過數億年優化，其架構本身就是一本現成的“設計圣經”。
隨著研究的深入，科技公司開始意識到，單純依靠堆砌算力和數據已難以持續。平衡工程創新與生物啟發，或許才是AI發展的正確方向。當硅谷還在沉迷于“算力競賽”時，生物學中的AI進化密碼，可能正等待著被重新發現。
