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Gemini，AI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。
公众号：OpenSNN
