这几年，人工智能的发展给人一种近乎“狂飙”的感觉。模型越来越大，参数越来越多，算力投入越来越惊人。每当新的大模型发布，人们总会惊叹它在语言、图像、编程等领域的能力又上了一个台阶。但在这场技术竞赛的背后，一个越来越难以回避的问题也逐渐浮现：如果AI的进步必须依赖越来越庞大的算力和能源，那么这种路线还能走多远？
今天主流的人工智能体系，本质上仍然建立在传统计算机架构之上。无论是GPT、BERT还是各种深度学习模型，它们都运行在冯·诺依曼架构之上——计算和存储彼此分离，依靠CPU或GPU进行海量矩阵运算。信息以连续数值的形式被编码，通过海量数据训练和梯度下降算法来不断调整参数，从而逼近某种“最优解”。
这种方法确实创造了惊人的成果，但它也带来了一个明显的趋势：AI越来越像一台巨型统计机器。为了提升能力，唯一被验证有效的路径似乎就是扩大模型规模——更多参数、更多数据、更大的算力集群。这就是所谓的“规模定律”。
然而，规模定律正在逼近现实的边界。训练一次顶级大模型往往需要数万块GPU同时运行，耗费巨额资金与电力资源。换句话说，当AI能力的提升越来越依赖能源与算力的堆积时，它的技术路线实际上已经隐约触及天花板。
这正是类脑智能受到越来越多关注的原因。
与传统AI不同，类脑智能并不是简单地把模型做得更大，而是试图从底层重新设计智能的实现方式。它模仿人类大脑的结构与运行机制，采用神经形态计算架构，将计算与存储融合在一起，通过模拟神经元和突触的连接网络进行信息处理。
在人类大脑中，信息并不是以连续数值的方式传播，而是通过神经元“脉冲”发放的时间差来编码信息。这种被称为“脉冲时序编码”的方式极为高效。正是依靠这种机制，人脑只消耗大约20瓦的功率，却能够完成极其复杂的认知任务。
类脑智能正是试图复现这种机制。它使用脉冲神经网络和神经形态芯片，通过事件驱动的方式处理信息，只有在需要时才进行计算。这种模式带来的直接优势是：能耗极低，效率极高。
如果与传统AI相比，类脑系统的能效理论上可以提升一个甚至两个数量级，也就是说，在某些任务中，功耗可能只有传统AI的十分之一甚至百分之一。
更重要的是，类脑智能在学习方式上也截然不同。
当前的大模型高度依赖海量数据训练。没有足够的数据，它们很难形成稳定的能力。而人类却完全不是这样。一个孩子只需要看到几次猫，就能形成“猫”的概念；即使看到从未见过的猫，也能立即识别出来。
这种能力来自人脑的持续学习机制。神经元之间的连接会随着时间不断变化，通过脉冲时序依赖可塑性（STDP）等机制，大脑可以在动态环境中持续更新知识，而不会轻易遗忘旧知识。
类脑智能正是在尝试复制这种能力。它支持小样本学习、无监督学习以及在线持续学习，使系统能够在真实环境中不断适应变化，而不是依赖一次性的离线训练。
这意味着，类脑系统更有可能实现真正的“终身学习”。它不仅能够识别模式，还能够逐渐形成概念，理解环境，并在不同情境中进行推理。
从这个角度看，类脑智能代表的不只是一次技术升级，而是一种智能范式的转变。
传统AI更像是在构建一台极其强大的统计机器，它可以在海量数据中寻找规律，但很难真正理解世界。而类脑智能试图打造的，则是一种具有感知、学习与适应能力的系统，让人工智能逐渐接近人类认知的方式。
也正因为如此，越来越多的研究机构和产业界开始将类脑智能视为下一代AI的重要方向。各国都在布局神经形态计算和类脑芯片，中国也将类脑智能纳入“科技创新2030”重大项目。近年来，一些类脑系统和脉冲神经网络模型也已经开始出现初步突破。
当然，这条道路并不轻松。人类对大脑的理解仍然非常有限，类脑模型在生物合理性与工程可实现性之间仍需不断平衡。类脑芯片的规模化生产、软件生态与算法工具链也还在早期阶段。
但即便如此，一个趋势已经越来越清晰：如果人工智能想真正迈向通用智能，仅靠堆算力并不够。
真正的突破，可能来自对大脑工作方式的重新理解。
当AI不再只是“更大的模型”，而是开始学会像大脑那样思考、学习和适应时，人类也许才真正站在了通用人工智能时代的门口。
而类脑智能，很可能就是那把钥匙。
公众号：OpenSNN
