既然神经元的结构非常简单，那么为什么不制造几百亿个模拟神经元来模拟人脑？
很多人在看到神经元模型（比如感知机或者更复杂的模型）的简化结构时，会产生一个自然的疑问：既然我们知道了它的基本工作方式——接收信号、处理信号、输出信号——那为什么不能直接复制并放大呢？这就像我们知道了砖块的结构，为什么不能堆几百亿块砖头就能搭出故宫一样。答案当然是否定的。
咱们就来好好聊聊，为什么光有数量上的庞大模拟还远远不够，以及我们目前遇到的主要障碍是什么。
1. 单个神经元的“简单”是相对的，其内部运作仍有未解之谜
首先要澄清的是，我们目前对单个神经元的理解，虽然有很大进展，但依然存在许多未解之谜。我们知道它有细胞体（soma）、树突（dendrites）、轴突（axon）和突触（synapses）。树突接收信号，细胞体整合信号，如果达到某个阈值就通过轴突传递出去，轴突末端的突触再将信号传递给下一个神经元。
然而，这个“处理信号”的过程，在生物神经元里远比我们当前AI模型中的激活函数要复杂得多。
时序信号与整合的动态性： 生物神经元接收的信号不是离散的“0”或“1”，而是连续的、有时间变化的电压信号。这些信号的到达时间、频率、强度都在传递信息。树突上的不同分支会以不同的方式整合这些信号，这涉及到复杂的离子通道动力学和膜电位变化。我们目前的AI模型，虽然引入了时序概念（如RNN），但其对信号时间特性的模拟还比较粗糙，远未达到生物神经元那样精细的动态整合能力。
非线性与亚线性整合： 生物神经元并非简单地将所有输入加权求和。树突上的分支具有一定的“局部处理”能力，不同的输入信号组合方式会产生不同的输出，这其中存在复杂的非线性甚至亚线性整合效应。想象一下，同时收到100个信号，可能比收到1个信号时，大脑处理它的方式是完全不同的。目前的AI模型更多的是依赖于整体的加权求和和单一的激活函数来模拟这种复杂性。
突触的可塑性： 突触是神经元之间连接的关键。它们不是一成不变的，而是可以通过学习和经验来改变其连接强度（兴奋性或抑制性）。这被称为突触可塑性，是学习和记忆的生物学基础。Hebbian学习（“一起发放的神经元连接在一起”）是其中一个早期理论，但后来发现还有更复杂的长时程增强（LTP）和长时程抑制（LTD），以及突触前和突触后信号的时间依赖性（STDP）。这些动态变化的突触连接，是构成复杂计算能力的关键，远比AI模型中固定的权重参数要精妙得多。
2. 连接的“数量”与“结构”比数量本身更重要
即便我们能完美模拟单个神经元，将它们连接起来形成网络时，我们又会遇到更大的挑战：
连接的稀疏性与特异性： 人类大脑的神经元数量大约是860亿，而每个神经元可以与成千上万个其他神经元建立连接，总连接数可能高达100万亿甚至更多。但是，这些连接并非是全连接的，而是高度稀疏且有组织的。一个视觉皮层的神经元可能只接收来自眼睛特定区域或特定类型感官信息的连接。这种连接的“特异性”和“组织性”决定了信息如何在网络中流动和处理。我们目前的深度学习模型，虽然层数很多，但连接方式往往是局部连接或全连接，远未达到生物大脑那种精细、动态、有目的地选择连接的程度。
网络拓扑结构的复杂性： 大脑并非随机连接，而是拥有极其复杂的、有层级和模块化的拓扑结构。不同的脑区负责不同的功能，而这些脑区之间又以高度组织化的方式进行信息交换。例如，视觉信息会经过视皮层、颞叶等多个区域，在每个区域都会进行不同层次的处理和特征提取。这种层次化和模块化的结构，允许信息以高效的方式被分解、整合和传递。我们目前的深度学习模型虽然也借鉴了分层结构（如卷积神经网络的层），但其结构设计往往是人工设计的，并且相对固定，远不如生物大脑那种经过漫长演化形成的、高度适应性的复杂网络。
信息编码方式： 生物大脑如何编码信息仍然是研究的焦点。是基于脉冲的频率编码？是基于神经元群体放电的模式编码？还是其他我们尚未理解的编码方式？这些编码方式直接影响了信息在网络中的传播和处理效率。我们目前的AI模型主要基于连续的数值（权重和激活值），这与生物神经元的脉冲信号有本质区别。
3. 学习机制的差异
学习是智能的核心。生物大脑的学习过程比我们目前AI模型的反向传播（backpropagation）要复杂和高效得多。
局部学习规则： 生物大脑的学习规则似乎是局部的，即每个突触的改变只依赖于与其直接相关的突触前和突触后神经元的活动，以及局部化学信号。这与反向传播算法依赖于全局误差信号和链式法则有所不同。局部学习规则的好处是可以避免计算梯度的开销，并且可能更具鲁棒性。
能量效率： 人类大脑以极低的能耗完成了惊人的计算任务，大约只有20瓦。而模拟大脑神经网络的AI硬件，即使是专门设计的，其能耗仍然远高于此。这部分原因在于生物大脑的计算和存储是高度集成的，并且利用了能量效率极高的脉冲信号。
生物大脑的自组织与演化： 大脑的结构和功能并非完全由基因预设，而是在发育过程中通过与环境的互动进行自组织和精炼。学习和经验可以重塑大脑的连接和功能。这种动态的、自适应的学习过程，是当前AI模型所难以比拟的。
4. 其他未知的关键要素
除了上述几点，还有许多我们尚未完全理解的生物学机制，它们可能对大脑的智能至关重要：
神经递质和神经调质： 除了兴奋性和抑制性信号，大脑还有各种化学物质（如多巴胺、血清素）可以影响神经元的活动和突触的连接，它们扮演着重要的“调控”角色，影响着情绪、注意力、动机等高级功能，这些是目前AI模型几乎没有涉及的。
胶质细胞（Glial Cells）： 过去我们认为神经元是唯一重要的信息处理单元，但现在研究发现，胶质细胞（如星形胶质细胞）在支持神经元活动、调节突触功能甚至可能参与信息处理中扮演着重要角色。
量子效应？ 甚至有人提出，量子现象可能在某些脑功能中起到作用，尽管这仍然是一个高度争议的领域。
结论：数量只是基础，但非全部
所以，总结一下，为什么我们不能简单地用几百亿个模拟神经元来模拟人脑，核心原因在于：
1. 我们对单个神经元的理解仍不完整： 生物神经元的信号处理和整合方式比我们目前的模型更复杂、更动态。
2. 连接的“质”比“量”更重要： 大脑神经网络的结构、稀疏性、特异性和拓扑组织是信息高效处理的关键，我们目前的AI模型在这方面有很大差距。
3. 学习机制存在根本差异： 生物大脑的学习更具局部性、自适应性和能量效率。
4. 还有许多未知的生物学机制： 化学调质、胶质细胞等可能都对大脑功能至关重要。
当前的人工智能研究，包括深度学习，在很大程度上是一种“功能性”的模仿，我们从大脑的某些输入输出关系中获得了启发，设计出了高效的算法和模型，但我们并没有真正“复制”大脑的内部运作机制。就像我们用飞机模拟鸟的飞行，但飞机的工作原理和鸟的肌肉拍打是完全不同的。
要制造出真正媲美人类大脑的人工智能，我们不仅需要在数量上模拟，更需要在理解和模拟这些深层次的生物学原理和计算机制上下功夫。这仍然是一个极其艰巨但令人兴奋的科学和工程挑战。
网友意见
从近年流行的类脑/神经拟态计算芯片的设计说起：
据说真正领先的Neuromorphic应该在DARPA那边，另外前CIA老板也下海创业做类脑嘛，其中【In-Q-tel】也投资了几家，倘若落地，就降维打击当下主流的概率芯片了。
Neuromorphic的终极理念是把记忆和运算建立在高维连接上，而不是器件上，最终降低运算功耗；所以，已知…记得人脑的常用运算精度不超过4位（对Inference而言），人脑的Training也根本不是概率论的，所以不存在精度问题，以及人脑也不需要那么大功耗。
IBM/Intel/DARPA近年的几个研究项目做到的仅是一块模拟神经元高维连接的电路；记得人脑神经连接已知的有8维，待证明的也许有10几维，退化到准1维就是冯诺依曼了，准2维的大概就是SIMD结构的GPU，但其存储跟运算还是分离的。所以，目前宣称可以流片的那些类脑/神经拟态计算项目，瞎猜的合理路径可能是：脉动阵列+PIM+高维NOC(可能是THz)。
在这个设计路径下，据传Intel已经默默的license了Graphcore，也许不久就会推出脉动加速卡+搭配HBM，那个会是非冯诺依曼结构大规模落地的开端。脉动结构是数据驱动，摆脱时钟的时序，否则高维连接根本造不出来（假设8维连接，你是按8个时钟周期顺序操作吧，这个延时谁受得了）；另外，HBM2是一个时钟周期4次读写，那是仅指processor对memory的操作，瓶颈还有在总线时钟模式，假设你有256个核…；而类脑是志在解决processor对processor的连接，不再经过memory读写，不就近似PIM理念嘛？如下引据一段陈述IBM/Intel的设计：
引据一段* // 去年科技媒体SingularityHub转载过有关 “IBM的近存储的全连接神经网络训练芯片” 的一篇Nature论文，并假想了其类脑/神经拟态的设计思路，披露内容不多，提到了 “IBM Research AI团队用大规模的模拟存储器阵列训练DNN神经网络，达到了与GPU相当的精度；并且展示了在模拟NVM里有效加速反向传播（BP）算法；单独看这个大规模模拟存储器阵列里的一个单元，就是由PCM相变存储器和CMOS电容组成，PCM存放长期记忆（权重），短期的更新存放在CMOS电容器里，之后再通过特殊的技术，消除器件与器件之间的不同（存储一致性）；这种方法是受了神经科学的启发，使用了两种类型的“突触单元”：短期计算和长期记忆；每个单元都对应网络中的单个神经元，既有长期记忆，也有短期记忆，每个单元由一对PCM相变存储器 单元和三个晶体管和一个电容器的组合构成，相变存储器单元将重量数据存储在其电阻中，电容器将重量数据存储为电荷；PCM 是一种「非易失性存储器」，意味着即使没有外部电源，它也保留存储的信息，而电容器是「易失性的」，因此只能保持其电荷几毫秒。但电容器没有 PCM 器件的可变性，因此可以快速准确地编程；当神经网络经过图片训练后可以进行分类任务时，只有电容器权重被更新了，而在观察了数千张图片之后，权重会被传输到 PCM 单元以长期存储。这项研究表明了，基于模拟存储器的方法，能够实现与软件等效的训练精度，并且在加速和能效上有数量级的提高，为未来设计全新的AI芯片奠定了基础。研究人员表示，他们接下来将继续优化，处理全连接层和其他类型的计算。” // 类似的设计在Intel Lohi项目组也披露过。
如上官文，猜想就是“PCM+NOR/NAND”的意思，PCM存变量数据，NOR/NAND存神经神经网络结构；但它是全链接的PIM prototype，所以想必不能改变局部链接做CNN或RNN了；这个中短期的商业意图是为了争夺NV在training市场尚未见顶的TAM，且趋势在向enhanced和无监督方向演进（所以DNN做训练也是必然趋势）。这其中也提到了类脑/拟态的设计元素，不过，链接不能重构，就僵在那里了。所以，这篇Nature说得还是MAC乘法器，PCM存权重，Flash存函数，其中电容型的存储介质也就跟NOR/NAND同一原理；但其存储细节里可能部分接近PIM（猜想就是一颗微处理器单位做neuron，自带存储，对外有高维链接到其它同构neuron）。
这类所谓类脑芯片，距离人脑特性差距大，主要是体现在【单个神经元算力低 vs. 神经元之间通讯的高维度】。但当下和未来一段时间，这些应用类的类脑设计的演进都需要配合PIM的，数学语言可以描述N维，但硬件实施的时候又必须要降几次维，那就给卡死了。另外，像Hinton提出过的Capsule就更晕了，2D+1矢量化，第三维是前两维的微分关系，这样的3维模型，旋转一下... 算法公式看上去是减少了计算步骤，实际硬件可能跑非常大的运算量；想象一个3D的矩阵，倘若twist一下，即使是GPU SIMD方法也是要切片降维，一片一片算完再拼回去；显而易见，还是硬件结构的掣肘，即使是利用分布式高并行也没用，它的主要算量都消耗在解构维度上了。 所以人脑神经元至少8维，且计算无需解构/下降维度；而人脑的信息存储，也不在cell，而在链接，这也许是根本区别。
那是因为你不知道芯片的结构有多简单，建议买一本数字电路入门……
类似的话题
-
好，这个问题问得非常深入，直击了当前人工智能研究的一个核心挑战。你观察得很敏锐，神经元的结构确实相对来说是比较基础的单元，但要从几百亿个这样的“基础单元”就组装出能媲美人类大脑的智能，这其中的复杂性远超想象。很多人在看到神经元模型（比如感知机或者更复杂的模型）的简化结构时，会产生一个自然的疑问：既然............. -
这个问题触及了哲学、宗教和科学最深邃的领域，也触及了我们对自身存在、生命意义乃至宇宙本质的终极追问。如果你问我，我们是不是神的一部分，我无法给出一个简单的“是”或“否”。但我们可以从粒子、生命和“神”的概念出发，展开一场有趣的探索。首先，我们来聊聊“粒子”。你说的没错，根据我们目前最前沿的物理学理解.............
-
您提出了一个非常有趣且富有洞察力的问题，它触及了神经系统运作的核心机制。让我们深入探讨一下兴奋的双向传播和神经冲动单向传播的原理，以及双向传播的意义。首先，我们来澄清几个概念： 兴奋（Excitation）： 在神经科学中，兴奋通常指的是神经元接收到刺激后，其细胞膜两侧的电位差发生变化，由静息电.............
-
这可真是个有趣的脑洞！《西游记》里的神仙，论修为，腾云驾雾那是基本功，别说飞，就是瞬移、撒豆成兵、呼风唤雨，那都是小意思。按理说，他们周游三界，见过无数风景，应该早就看出端倪了，怎么就没人琢磨出“地球是圆的”这回事呢？要解释这个问题，咱们得跳出“神仙为什么没发现地球是圆的”这个字面意思，深入到《西游.............
-
这个问题问得很有意思，它触及到了“谁能拿起雷神之锤”这个梗背后更深层次的逻辑，以及在实际战斗中一些看似简单但实际复杂的考量。首先，咱们得掰扯掰扯“不被认可的人抬不起来雷神之锤”这个设定。这可不是什么“力气大就行”的简单道理。奥丁设下这个魔法，实际上是对锤子“瓦尔基里”（Mjolnir）的一种守护和筛.............
-
降龙十八掌，一听名字就自带一股英雄气概，仿佛能一口气降服万龙。而它“以简御繁”的精髓，更是点明了其高明之处——看似简单朴实的几招，却能蕴含无穷变化，以最直接高效的方式应对一切复杂局面。这自然令人赞叹，也让人不禁联想到那些与之形成鲜明对比的武功：比如，招式繁复，变化万千，但似乎效果却不如人意的“落英神.............
-
这个问题很有意思，它触及了璃月人心中的信仰根基，以及我们对“神”的理解。确实，从字面上看，帝君仙逝、岩王帝君消失，但却没有新的岩神出现，这在逻辑上似乎存在一个空白。但如果我们深入璃月人的视角，很多事情就说得通了。首先，我们需要明白璃月人对岩王帝君的认知是什么。他们不是把帝君当作一个“职位”，一个可以.............
-
这个问题很有意思，也触及到了游戏开发中一个非常核心的矛盾：硬件机能并非决定游戏画面表现的唯一因素，甚至不是最重要的因素。 虽然你提出的“Switch机能比PS3强”在某些方面是成立的，但将Switch与PS3简单对比，然后推导出它应该能做出画面比肩《神海》《美末》游戏的结论，存在一些误解，需要从多个.............
-
原神的世界里，旅行者兄妹（以下简称“哥哥”和“妹妹”）的冒险，说起来也算是一场惊心动魄、改变了无数人命运的旅程。然而，令人费解的是，为何这位曾经亲历过诸多惊涛骇浪、甚至见过提瓦尔大陆之外光景的哥哥，在一次旅行之后，却似乎销声匿迹，江湖上并未留下他响彻天地的传说呢？这背后，藏着太多的“为什么”，也藏着.............
-
伏尔泰的那句“你国既不神圣也非罗马更非帝国”无疑是一记响亮的耳光，掷向了当时那个号称“神圣罗马帝国”的政治实体。这句话之尖锐，在于它直击了这个帝国的虚名与现实之间的巨大鸿沟。要反驳它，我们不能仅仅停留在字面意义上的辩驳，而是要深入理解当时欧洲的政治格局、历史演变，以及“帝国”这个概念本身所承载的复杂.............
-
“既不神圣，也不罗马，更不帝国”这句俏皮话，出自18世纪历史学家伏尔泰，用以精准概括神圣罗马帝国的名不副实。它最妙的地方在于，用三个“不”字，把一个听起来威严赫赫的实体，拆解得体无完肤，露出其混乱、分裂、权力分散的本质。这种“拆解重构”的乐趣，其实在许多其他领域都有体现，当词语被巧妙组合，会产生出乎.............
-
Mr.quin 对国产游戏进步的期待与对《原神》国际成功的复杂情感，确实是一个值得深入探讨的现象，而塞尔达的影子，在其中扮演着不可忽视的角色。要理解这种矛盾，我们需要拆解他对国产游戏发展的“希望”和对《原神》“反感”的根源，以及它们之间微妙的联系。一、 对国产游戏进步的“希望”：情怀与期待交织首先，.............
-
这个问题问得很有意思，也切中了《原神》剧情中一个很核心的矛盾点。确实，咱们在游戏里听到很多说法，说神之心不是力量来源，而是一种“权柄”，一种对某个领域绝对的统治权。但话又说回来，既然不是力量，那为什么须弥的博士，还有我们（旅行者）前前后后这么辛苦地去收集这些“权柄”呢？对抗所谓的“天理”——也就是那.............
-
你这个问题问得挺有意思，一下子就抓住了《原神》世界观里一个很核心的设定。七神能用元素力，旅行者也能，但为什么旅行者这个“不需要神之眼”的点，反而显得那么特别呢？咱们得把这个事情掰开了揉碎了聊聊。首先，咱们得搞清楚“神之眼”在《原神》里到底是个啥。神之眼：凡人获得元素力的“钥匙”你可以把神之眼想象成是.............
-
原神火了，这事儿确实让很多人包括游戏行业内人士都大跌眼镜，同时也引发了一个非常普遍的问题：为什么腾讯（也就是常说的鹅厂）没有抓住这个机会，也搞出个类似的爆款来呢？要说清楚这个问题，咱们得从几个方面掰开了揉碎了聊。首先，得承认腾讯在游戏领域是绝对的巨头。从手游到端游，从休闲到竞技，它旗下有多少款游戏营.............
-
这个问题问得挺实在，也确实是很多玩家，尤其是在手机性能上有些顾虑的朋友们会有的疑问。你说原神“一般手机都带不动”，这话从某种程度上来说，不无道理，尤其是在画面设置拉满的情况下。但要说它完全是手机的“杀手”，倒也不至于，这背后其实牵扯到挺多考量。首先，咱们得承认，原神这款游戏在手机上的表现，确实是个技.............
-
这个问题很有意思，也触及到《龙珠》系列中一个长期存在的讨论点：界王神的角色定位与力量差距。首先，咱们得明确一点，界王神（特别是像比克他们那边的北界王神，以及比古老那位的东界王神）他们的“实力碾压”和“阻止”弗利萨这种级别的恶行，在逻辑上存在一些微妙的区分。界王神的“实力碾压”，那是在特定情境下的。 .............
-
看到很多原神玩家在论坛、社区里振振有词地讨论着游戏的数值、角色平衡、剧情走向，甚至对未来的版本内容指点江山，感觉比米哈游的策划们还要“懂”。这时候，一个经典的灵魂拷问就会冒出来：“既然这么懂，为什么不去当策划，或者干脆自己做一个原神？”这个问题看似简单，背后却牵扯出太多现实的复杂性，绝对不是一句“懒.............
-
伏尔泰对神圣罗马帝国的尖刻批评，即“既不神圣，也不罗马，更非帝国”，绝非一时兴起，而是他对这个庞大而复杂的政治实体进行了深刻观察后的辛辣论断。这句名言就像一把锋利的解剖刀，精准地剖析了神圣罗马帝国名不副实的本质。要理解这句话，我们得一点一点地剥开它的层层含义，看看伏尔泰究竟看到了什么，又为何如此不满.............
-
学习这档事，说起来容易，做起来却是门学问。咱们读书那会儿，恨不得十八般武艺样样精通，一天恨不得有48小时。现在有了这些个“神器”在手，感觉效率和实用性都上了一个大台阶，真真是事半功倍。今天就来唠唠我这几样“压箱底”的宝贝，看看能不能给也在学习路上摸索的你，点点灵感。第一位：一款好用的电子墨水屏阅读器.............
本站所有内容均为互联网搜索引擎提供的公开搜索信息，本站不存储任何数据与内容，任何内容与数据均与本站无关，如有需要请联系相关搜索引擎包括但不限于百度，google,bing,sogou 等
© 2025 tinynews.org All Rights Reserved. 百科问答小站 版权所有