这一周看着全球AI行业不断刷新参数纪录、融资纪录和算力纪录我却越来越强烈地感觉到人工智能的发展似乎走到了一个值得重新思考的路口。过去几年大模型的进步确实令人惊叹。从ChatGPT到DeepSeek从Claude到GeminiAI已经能写文章、做代码、生成视频甚至开始替代部分脑力工作。但当整个行业都在为模型越来越大而兴奋时一个问题也开始变得越来越明显——AI变聪明了却没有变得更像人。今天的大模型本质上仍然是在用海量数据训练出来的概率机器。它可以预测下一个词却不一定真正理解这个词背后的含义它能够总结知识却未必拥有真正的认知能力它能模仿人类表达却很难形成属于自己的思考逻辑。更重要的是这种发展模式正在遇到越来越多的现实瓶颈。首先是算力成本。每一次模型升级背后都是成倍增长的GPU、数据中心和电力消耗。训练一个先进模型需要数万张高端GPU协同工作投入动辄数亿美元。整个行业似乎陷入了一个循环为了获得更强能力需要更大的模型为了训练更大的模型需要更多算力而更多算力又意味着更高成本。问题是这条路真的能无限持续下去吗人脑给出的答案显然是否定的。人类大脑功耗只有二十瓦左右却能完成远超当前AI系统的认知任务。一个孩子看几次自行车骑行就能学会平衡而自动驾驶系统可能需要数百万公里的数据训练。这说明问题可能不在于数据不够而在于学习方式本身不同。这也是我最近越来越关注类脑智能的重要原因。与传统人工神经网络不同类脑智能试图模仿真实神经系统的工作机制。它关注的不再是简单堆叠参数而是如何像大脑一样感知、学习、记忆和推理。目前很多大模型采用的是密集计算模式大量参数同时参与运算虽然效果不错但资源消耗极高。而类脑智能中的脉冲神经网络则采用稀疏计算方式只有在需要时神经元才会激活。这种机制看起来简单却带来了本质区别。根据相关技术路线传统浮点运算可以被大量脉冲信号计算所替代从而显著降低能耗和计算资源消耗。换句话说未来AI的发展或许不是让GPU越来越多而是让计算方式越来越接近生物大脑。更值得关注的是认知能力。很多人使用过大模型后都会有一种感受它很博学却缺乏真正的常识它知道很多答案却经常出现一本正经地胡说八道。行业把这种现象称为“幻觉”。根源在于大模型擅长相关性学习却不擅长因果推理。它知道“下雨和打伞经常一起出现”但未必真正理解是下雨导致了打伞。而人类认知最核心的能力恰恰是理解因果关系。因此我们看到越来越多类脑研究开始引入因果学习机制希望让机器不只是记住世界的表象而是理解世界运行的逻辑。我认为这可能比单纯增加参数更重要。因为未来真正有价值的AI不一定是知道最多知识的AI而是最能理解现实世界的AI。还有一个容易被忽视的问题。当前AI虽然已经能够完成很多任务但可解释性始终是行业难题。特别是在自动驾驶、机器人、医疗等领域人们不仅希望AI给出答案更希望知道它为什么做出这个判断。如果机器无法解释自己的决策逻辑那么它就很难真正进入高安全等级场景。而类脑智能的一大方向正是构建可解释、自生成认知策略的智能系统。机器不仅能够决策还能追溯决策过程。从长期看这种能力的重要性甚至不亚于模型本身。回顾科技史会发现真正改变世界的技术往往都不是最先出现的那一个而是找到正确路径的那一个。互联网不是最早的网络技术。智能手机不是最早的移动终端。新能源汽车也不是最近几年才被发明出来。它们真正爆发的时候往往是原有技术路线开始接近天花板的时候。今天的大模型行业其实正在出现类似信号。数据红利逐渐减弱算力成本持续攀升能源压力不断增加模型同质化越来越严重。整个行业都在寻找下一个突破口。而类脑智能正在提供一种完全不同的答案。它不再执着于无限扩张参数规模而是试图从生物智能中寻找新的启发不再只关注算力堆砌而是探索更高效的认知机制不再满足于生成内容而是追求真正的理解与思考。当然必须承认的是类脑智能距离全面成熟还有很长的路要走。无论是脉冲神经网络、神经态芯片还是脑启发计算目前都还处于产业化早期阶段。市场规模远远无法与大模型相比商业模式也仍在探索之中。但恰恰因为如此它才具备最珍贵的特征——蓝海。当大模型已经成为巨头厮杀的红海市场时类脑智能仍然是一片尚未充分开发的新大陆。很多人总是在赛道成熟之后才看到机会而真正的大机会往往诞生于大多数人还看不懂的时候。这一周最大的启发就是AI的未来未必属于参数最多的模型也未必属于算力最强的公司。下一次人工智能革命很可能来自那些试图让机器真正学会“像人一样思考”的人。而类脑智能或许正是那条值得长期重仓关注的新赛道。