一
按參數算，人腦相當於多大的模型？
答案是：要看怎麼算。
如果只看神經元的個數，人腦大概是860億個神經元，也就是86B的模型，並不大。
參考一下，DeepSeek V3是671B，Kimi K2.5大概1000B，即1T；
但事實上人腦每個神經元又有7000個突觸，從技術的角度類比，顆粒度更小的突觸才更像AI模型的權重參數。
如果這麼算，860億*7000，那麼人類大腦相當於大約600T模型。
而這麼大的模型，今天的硬件肯定暫時還跑不動。
這麼類比略糙。
但也說明——咱們這顆腦子的架構還是很複雜的，屬於先進製程。
有點牛逼。
二
那麼，大腦的製程到底有多先進呢？
我隨即問了Claude opus 4.6和Gemini 3.1 Pro一個問題（實在受不了GPT無比諂媚的風格）——
“如果人腦是一塊芯片，那麼它的製程是幾納米的？”
他們的答案出奇一致：
如果看神經元細胞體直徑的直徑，大概 10000-100000 納米 (10-100微米)。
這麼看大腦相當於幾十年前的電子管計算機。
這也太落後了。
但邏輯顯然不是這樣的：
神經元並非一個簡單的開關，它更像處理器的一個核，真正的開關和信號傳遞發生在突觸。
那麼突觸是什麼水平的製程呢？
神經元之間傳遞信號的突觸間隙，它的寬度大概是20到40納米。
這相當於臺積電2012年左右的水平，也就是28nm工藝。
如果單看這個指標，咱們得腦子也就是個iPhone 5的水準。
然而，賬不能這麼算，碳基有碳基牛逼的地方——
我人腦傳遞電信號最細顆粒度的單元是——細胞膜上的離子通道蛋白（Ion Channels）。
這些蛋白質孔道的直徑只有0.3~0.5納米，這個尺寸僅允許單個離子（如鈉、鉀離子）排隊通過。
在這個層面上，我人類牛逼的大腦達到了原子級別，也就是0.3nm工藝。
這是目前包括臺積電在內的所有硅基芯片還沒達到的物理極限。
人腦牛逼！
其實還有更牛逼的——
硅基芯片還是在一個平面硅片上通過光刻層層堆疊，層數有限，也就是說它其實本質是2D的。
而人腦是一個充滿了膠狀物的真正三維結構，一個神經元突觸能同時錯綜複雜地和一萬個鄰居搭上線。
這個複雜度，要高几個量級。
2D VS 3D，人腦，升維了。
更重要的是，晶體管就倆個狀態，開或者關（0和1），是個老實人。
而我人腦突觸傳遞的信號是連續的、有強有弱、還帶化學反應的。
一個突觸乾的活，信息量比一個晶體管要高一個層級。
所以，從架構層面，人腦：有點東西。
來，可酌情站起來，晃一晃咱這顆幾斤重的腦袋（我特意去查了一下，準確地說是1300克左右，包括大腦、小腦和腦幹），跟着我說一句——
“碳基黑科技，牛逼！”
三
再說一說功耗，人腦的功率大約20瓦，恆定運行。
注意，這20瓦不是隻全部用來想問題的，是同時在管呼吸、心跳、消化、情緒，也包括你現在對我發這篇文章的閱讀理解。
認知神經科學的測量顯示，大腦在高強度思考時功耗只比靜息態多出大約1 瓦。
這意味着，一個問題想 5 秒鐘，額外耗電約0.0014瓦時 （瓦是功率單位，瓦時是耗能單位，還沒忘記吧？）。
那AI回答一個問題要耗多少能量呢？
恰好去年6月10日，山姆*奧特曼在它的個人博客上那篇著名的《溫和的奇點》的文章裏披露過—— https://blog.samaltman.com/the-gentle-singularity
“人們常常好奇 ChatGPT 查詢會消耗多少能量；平均而言，一次查詢大約消耗 0.34 瓦時，這大約相當於烤箱在一秒多一點的時間裏消耗的電量，或者一個高效節能燈泡在幾分鐘內消耗的電量。”
0.0014瓦時 VS 0.34瓦時。
我人腦依然領先2個數量級。
很顯然，無與倫比的功耗，也是碳基智能的一個顯性優勢。
四
DeepSeek V3總共671B參數，每次推理只激活37B。
也就是說，它95%的參數在每次思考時是躺平的，只有5%在幹活。 （Kimi K2.5這種參數更大的模型激活參數比例更小：3.2%）
嘿嘿，巧的事，咱們進化了那麼久的人腦也是這麼幹的：
根據Lennie, P. (2003)基於大腦能量預算的計算——
平均皮層神經元的放電頻率大約只有0.16Hz，也就是每6秒纔開火一次。 （論文地址： https://www2.bcs.rochester.edu/sites/plennie/pdfs/Lennie03a.pdf ）
Shoham（2006）等人得研究也發現——
超過90%的大腦神經元在任何給定時間都處於沉寂狀態，沉寂到實驗設備根本探測不到它們的存在。
（論文地址： https://pubmed.ncbi.nlm.nih.gov/16550391/ ，有意思的是：達爾文的曾孫Horace Barlow也是研究這方面的專家，扯遠了，打住！）
所以，我輔導我家閨女作業時常用的口頭禪——能不能上點心？你只用了你腦子的1%！
這句話既可以形容AI，也可以形容人類。
他們都有一個洋氣的名字——MoE。
大模型有幻覺：一本正經、胡說八道。
這被視爲缺陷。
但人腦呢？
每天晚上準時幻覺八小時——夢。
清醒時的幻覺，如果質量高，叫想象力，再高一點，叫創造力，高到特別牛逼，就TM叫藝術。
Anthropic、OpenAI和無數國內的實驗室都在花了巨資試圖搞定幻覺這件事。
但幻覺並非模型的缺陷，而是特性。
2024年初，康奈爾大學的Ziwei Xu等人在一篇研究（arXiv: 2401.11817）中從數學上證明——幻覺對於LLM是不可避免的。
幻覺和創造力是一枚硬幣的兩面。
人腦差不多也是這樣的機制。
人和AI一樣，既要又要是不現實的。
五
DeepSeek V3的上下文窗口是 128K，大約十萬字。
最新的Claude Opus 4.6 到了1M，接近百萬字，差不多是一整本《紅樓夢》塞進去還有餘。
人腦的上下文長度是多少？
答案是：很難評。
短期記憶，我根本記不住兩個以上的手機號碼。
心理學家米勒1956年在那篇引用量破天際的論文《The Magical Number Seven, Plus or Minus Two》中量化過了，工作記憶的容量是 7±2 個組塊。
你甚至記不住一個稍微複雜的驗證碼。
按這個算，人腦的上下文窗口大概也就幾十個token，連GPT-2都不如。
但長期記憶呢？
你可以記住15年前初戀的樣子。
其實，大腦的存儲本身是很大的——
2016年，Salk研究所的研究給出過一個參考數字：每個突觸可以存儲大約 4.7bits 的信息。
按照大腦皮層約125萬億個突觸來算，僅皮層的存儲容量就達到了大約 74 TB ，整個大腦的存儲容量還要高一個數量級。
所以，大腦的上下文窗口到底是長是短？
這個問題本身就問錯了，因爲人腦壓根不是用上下文窗口這個東東來運行的。
大腦最牛逼的是壓縮與抽象。
你不需要記住老闆三個月來發的所有微信，你只需要記住一個判斷：這人不靠譜。
這個操作在信息論裏叫做——極端的 有損壓縮。
這個壓縮不是一次性完成的：
每天晚上，你的海馬體都在趁你睡覺的時候把白天的經歷重播給新皮層聽，反覆蒸餾。
這個壓縮比，任何模型系統都做不到。
六
有意思的是，DeepSeek在模擬類似的效果——
2025年底DeepSeek發的OCR論文就在探索用視覺token來壓縮文本信息：把文字拍成照片餵給模型。
它的機制是： 最近的內容保留高清細節，越久遠的內容存儲得越模糊。
這和人腦的記憶，驚人的相似。
今年年1月，DeepSeek又放了一個更牛逼的東西：Engram，梁文鋒親自掛名。
Engram論文的核心搞法是：把想和記分開——75%的算力給推理，25% 給記憶查找。
這不就是人腦的運作方式麼？
你知道你媽的生日，不需要從頭回憶，這是陳述性記憶，直接讀取。
而當你需要解一道新的數學題，那才動用推理——推理是昂貴的，人腦也不願意輕易整它。
丹尼爾·卡尼曼管這叫系統一和系統二：快思考和慢思考。
所以你看，AI發展了70年，兜兜轉轉，一定程度上，還是繼續往人腦的架構上靠。
人腦這個東西，不容易搞明白，但不明覺厲。 （我有點理解曾經的首富陳天橋爲什麼要花辣麼多錢資助腦科學研究了。）
從這個意義上，我更期待即將發佈的DeepSeek V4了，希望是憋了一個大招。
七
再說說訓練數據。
GPT-4 據傳用了大約13萬億token來訓練，DeepSeek V3用了14.8萬億，現在最新的模型只會用得更多。
人類呢？
Michael Frank在2023年發表於Trends in Cognitive Sciences的論文中做了一個系統的估算：
一個孩子從出生到成年（約20歲），總共接觸到的語言輸入大約是 2×10⁸個詞 （2億） （我又用Gemini 3,1 Pro和Claude opus 4.6確認了一遍，答案略有差異，但數量級沒跑）
2億 VS 13萬億。
差了五個數量級。
人腦的樣本效率，狠狠地碾壓所有AI模型。
事實上，如何提升樣本效率，也是目前各大頂尖AI實驗室最前沿的研究課題。
畢竟大家隱約感覺到，單純堆數據的Scaling Law可能正在接近它的天花板。
而人腦用極少的數據就能實現極高的泛化，這個祕密一旦被破解，可能就是下一次AI躍遷的鑰匙。
今年我在承德過年的時候，我一歲3個月的小侄女，還不太會說話。
我用iPhone上自帶的那個動態表情逗她玩，我驚訝於她能非常準確地區分每一個極其抽象的動物。
說實話，我都對辣個區分度不大的小貓和小狐狸圖標有點恍惚。（不信你去看看）
至於我人類是怎麼做到的？
核心在於進化的5億年中，我們的腦子裏是預裝了一堆先驗知識滴，比如嬰兒天生就會注意人臉，這是出廠設置。
AI要從零開始學，人腦天生帶着外掛。
八
人腦有一個大模型目前沒有的東西：身體。 （繼續看就知道我不是在聊目前火熱的具身智能。）
這句話聽上去像廢話，但其實很致命。
近年來認知科學有一個越來越火的流派叫Embodied Cognition。
他們核心觀點是： 思維並非單純發生在腦子裏的，身體本身就參與了思考。
舉個栗子，你理解“沉重”這個詞，是因爲你真的搬過重東西，你的肌肉記得那種感覺。
你說這個東西很沉的時候，此時如果給你做核磁共振，是能看到你的運動皮層有在輕微激活滴。
這就是爲什麼我們說AI， 還是在做語言層面的模式匹配，而非真正的共情。
當然你可以說，誰TM在乎它是不是真的共情呢，它的回答夠好不就行了麼？
這話也對。
但這引出了一個哲學味很重但又避不開的問題： 智能，到底需不需要一個身體？
目前的答案是：不知道。
九
我平時看的東西很雜。
聊到這我想起了劉慈欣6年前（彼時ChatGPT還沒誕生）在喜馬拉雅上線了一個付費節目，叫 “劉慈欣的思想實驗室”。
其中有一期在回答文學教授戴錦華的提問中說了這樣一段話——
“按照傳統的不管是科幻領域的思維，還是我們正常的思維說，（人還是人）這個底線在大腦。
就是說他的周圍的其他的這個生物器官都換成機器了，只要他的大腦還在，我們就認爲他還是人。
但最近的一些研究，發現事情完全沒有這麼簡單，人的思維不僅僅是由大腦決定的。
就像莎士比亞有一句詩，他說：“愛情啊你來自何方？是大腦還是心房？”
而對外部世界的感知，以及我們對自身的感知，相當一部分並非只由大腦來決定的，而是由我們整個的生物學結構來決定的。
而生物學結構90%都變了，就剩一個大腦，那這個大腦的思維方式還是原來的大腦？它還是人類的思維嗎？這個現在很難說。”
大劉的這段話顯然更具現實思維而非科幻思維。
這和《三體》第三部程心吧雲天明的大腦送給三體世界並期望他們重新恢復的思路並不一致。
（推薦去付費聽原節目，充滿哲思，異常精彩，尤其這個節目是ChatGPT誕生之前聊AI，可以和現在進行對照，猶豫的同學也可以在 “衛夕指北” 公衆號回覆“ 劉慈欣 ”獲取這一期節目的文字稿再決定要不要付費）
無論如何，人腦已經和人腦相輔相成的生物學結構，是我們作爲碳基生命獨特的存在。
是滴，時隔很多年的某個午後，不經意在人羣中聞到初戀的同款香水，我們會忽然一陣鼻酸。
而AI這貨，沒有鼻子。
Vibe到這裏，請允許我彪一句英文舒一下情——
We are unmistakably unique—irreplaceable, unrepeatable, and entirely our own！
（我特意讓Claude opus 4.6給我寫的，我寫不出這麼騷的詞）
沒錯，如果只拼顯性智力，大模型毫無疑問遲早會追上並超越人腦。
可如果拼的是：To live as a human being should，硅基目前看起來還需要時間。
這裏邊唯一的不確定性在於——
AI是否有可能走出了一條完全不同的、我們今天根本想象不到的智能路徑。
畢竟，飛機也不是靠扇翅膀飛起來的。
我相信，這個概率絕非0。
事實上，DeepMind的哈薩比斯在多個播客裏說，要實現AGI，目前其實差一到兩個研究範式的突破。
十
前面說了辣麼多人腦牛逼的地方，是時候說點扎心的了。
人腦的所有優勢，有一個致命的前提——它TM是靜態的。
你今天的大腦有860億個神經元，600T的突觸參數，功耗20瓦——5萬年前智人的大腦，基本也是這個配置。
進化給了我們一顆很牛逼的腦子，然後就撒手不管了。
而AI呢？
GPT-3是2020年發佈的，1750億參數，今天Kimi、智譜、Minimax這些最牛逼的開源模型，已經奔着萬億走了。
（其實它們可以做的更大，只是爲了權衡成本做到現在的水平。）
這是指數提升，更不用說芯片領域基本遵循的摩爾定律。 （我特意不提量子計算，免得有讀者說我過於放飛）
前面我們算過，人腦在功耗上領先AI兩個數量級，在訓練數據效率上領先五個數量級，在製程上碾壓到原子級別。
聽上去遙遙領先，對吧？
但要知道，指數增長面前，幾個數量級其實不算什麼。
來，簡單算一筆賬——
如果AI的能效每兩年提升10倍 （這還是保守估計，實際上很多指標的提升速度遠快於此） ，那兩個數量級的領先，四年就追平了；
五個數量級，十年。
十年，也就是你家娃從小學到大學的時間。
如果你稍微懂一點數學，你就曉得，指數增長意味着——前面99%的路程，只佔了總進度的很小一部分。
沒錯，我牛逼人腦，確實是一顆了不起的處理器。
但，它是一顆不會迭代的處理器。
十一
再說一件最近被大衆低估的一件事——
去年5月，Google DeepMind發佈了一個叫AlphaEvolve的系統——用AI來發現和優化算法。
它的工作方式是： 不斷生成代碼、測試代碼、淘汰爛的、保留好的，自己跟自己玩迭代進化。
去年它乾的一件事是優化了Gemini自身的訓練過程，讓訓練速度快了1%。
好像也沒什麼，然而事情並沒有結束。
一週前，2月18日，DeepMind放出了一篇關於AlphaEvolve的論文：
標題叫——《Discovering Multiagent Learning Algorithms with Large Language Models》（用大語言模型發現多智能體學習算法）。 （論文地址： https://arxiv.org/abs/2602.16928 ）。
這篇論文講的就是—— 讓AI去設計AI的學習方法。
多智能體強化學習（MARL）是AI領域最硬核的子方向之一，研究的是多個AI在博弈中怎麼學習最優策略。
這個領域的核心算法，比如CFR（反事實遺憾最小化）和PSRO（策略空間響應預言機），都是頂級研究者花了十幾年搞出來的。
而現在，AlphaEvolve接管了這個過程。
它發現了兩個全新的算法：VAD-CFR和SHOR-PSRO。
這兩個名字你不需要記住，你只需要知道一件事——它打敗了人類研究人員花了十幾年搞出來的最優算法。
論文裏一句描述值得琢磨：VAD-CFR採用了“novel, non-intuitive mechanisms”—— 新穎的、反直覺的機制。
也就是說，這個算法的核心邏輯，大概率是人類極難想到的。
來，咱們把這個邏輯鏈理一理——
AI設計出了比人類更好的AI學習算法，更好的學習算法讓AI學得更快，學得更快的AI又能設計出更好的算法。
沒錯，它遞歸了，加速了。 （至少表現了遞歸的特徵）
業界把這個稱之爲遞歸式自我改進（Recursive Self-Improvement）。
過去業界只是討論遞歸在理論上的可能性，現在，它在真實地悄然上演。
你品，你細品。
十二
寫到這裏，我確實有一種略奇怪的感覺——
開始一直在說人腦牛逼——600T參數、0.3nm製程、20瓦功耗、樣本效率碾壓一切。
後面又講了另一件事——AI在指數增長、在設計讓自己更牛逼的算法，在遞歸自我改進。
不幸的是，這兩件事同時爲真。
AI趕上人腦的交叉點什麼時候到來？
沒有人知道。
也許很快，也許永遠沒有這種可能性。
沒錯，這篇文章是我vibe writing出來的——
從上午10點開始，5個小時，和Claude以及Gemini聊着聊着就忘記喫午飯了。 （一邊說人腦多麼牛逼，一邊還是離不開AI，想想也挺諷刺的）
中間歇了一會刷了半個小Twitter，又是滿屏的AI新牛逼冒出來，根本看不過來：
傑克*多西還宣佈把公司1萬人一下子裁掉40%，注意：是40%。（忽然想起來，四年前公衆號還專門寫過他—— 爲什麼傑克多西是一位奇人？ ）
我已經累了，這篇就虎頭蛇尾吧，說兩點——
第一，認真地煽個情——趁我們還擁有作爲碳基生命唯一的感受力： 去聞一聞三月的風。
（Claude opus 4.6還給我寫了大段煽情的話，我都刪掉了，大家都不傻，搞一堆信息量接近爲0的話，是浪費讀者的時間。）
第二，聞完三月的風，繼續回來和AI相愛相殺，so，該跟還得跟，該學還得學。
逃不掉的宿命，畢竟，沒有人願意被AI斬殺。
我始終有一個樸素的想法： 略微激進一點沒啥的，畢竟，我們也損失不了什麼。
就醬！
PS：記得去 “衛夕指北” 公衆號回覆“ 劉慈欣 ”
作者簡介：衛夕，公衆號“衛夕指北”出品人，科技專欄作者，專寫長文，專注剖析AI、廣告、互聯網的底層邏輯；不關注這個賬號，你都不知道你會錯過神馬！