人脑或许仍然是地球上最强大、也最被低估的智能系统。
它的运行功耗只有几十瓦，相当于一盏普通灯泡，却能够在几十年时间里持续学习、积累知识、适应环境。一个婴儿只需接触有限的语言输入便能掌握母语，而今天最先进的大语言模型往往需要消耗数万块 GPU、读取几乎整个互联网的数据才能获得类似能力。这显然不是最理想的路径。
近日，一家名为 Flourish 的新公司获得了杰夫·贝佐斯（Jeff Bezos）和多家顶级投资机构总计 5 亿美元的支持。这家公司由前 Meta 脑机接口负责人、神经科学家 Thomas Reardon 与前亚马逊高管 Rob Williams 联合创办，其目标并不是训练下一个 GPT，而是试图回答一个更基础的问题：人脑究竟是如何产生智能的？
团队希望通过神经科学实验与人工智能研究结合的方式，寻找隐藏在大脑中的“核心算法（Core Algorithm）”，并最终据此构建一种能够持续学习、功耗不超过 50 瓦的人工智能系统。
故事得从一份只有两页纸的“未来新闻稿”说起。
作为 Flourish 联合创始人，Rob Williams 曾是亚马逊最高管理层 S－Team 成员，负责 Alexa 等软件业务。在亚马逊内部，贝佐斯长期推崇一种被称为“Working Backwards”（逆向工作法）的产品方法论：在项目启动之前，先写出产品成功发布后的新闻稿，再反向推导今天应该做什么。离开亚马逊几个月后，Williams 和另一位联合创始人 Thomas Reardon 把这套方法用在了自己的创业项目上。
那份未来新闻稿里写道，Flourish 将解决人工智能面临的两个核心难题：能效和持续学习。公司计划打造一个被称为 Cortex AI 的系统，其学习效率、计算能力和功耗预算都能够接近人脑。贝佐斯看完后首先投入了 5,000 万美元，随后继续追加投资。Google Ventures、Lux Capital 和 Catalio Capital 等机构也陆续加入。短短数月时间，公司融资规模达到 5 亿美元，估值约 25 亿美元。
过去几年，资本最热衷押注的是大模型、GPU 和数据中心。无论是 OpenAI 的数千亿美元基础设施计划，还是 Anthropic 不断扩张的训练集群，背后都建立在同一个前提之上：智能能够通过规模不断涌现。更多参数、更多数据、更多算力，最终会带来更强能力。
对此，Flourish 认为，当代大模型虽然表现惊艳，但其学习方式与生物智能之间依然存在巨大鸿沟。一个成年人完成信息处理所需的能耗大约只有 20 瓦，相当于一盏普通灯泡。而今天用于训练前沿模型的一块高端 AI 芯片，功耗往往已经达到数百瓦；由数万块 GPU 组成的训练集群，其耗电量甚至接近一座小型城市。
更关键的是，大模型并不会像人类一样持续学习。训练结束之后，模型能力基本固定，想获得新的知识往往需要重新训练或者额外微调。相比之下，一个婴儿只需要接触有限的语言输入，就能逐渐掌握母语，并在此后几十年中持续学习而不会“遗忘”已有能力。在 Flourish 看来，这种差距并不是工程规模能够彻底解决的问题，而意味着人类仍然没有理解智能本身。
这个思路与创始人 Thomas Reardon 横跨不同领域的人生经历密切相关。
15 岁辍学后，Reardon 凭借编程天赋进入微软，参与早期浏览器 Internet Explorer 的开发，并在随后创办无线通信公司。完成创业后，他重新回到校园，在哥伦比亚大学攻读古典学。在研究古代语言和人类认知的过程中，他逐渐对大脑如何处理信息产生兴趣，随后转向神经科学，并最终获得神经科学博士学位。此后，他又创办脑机接口公司 CTRL－Labs，并于 2019 年被 Meta 收购。
正因为如此，Reardon 始终不太认同当前 AI 行业的主流路线。在他看来，Transformer 虽然取得了巨大成功，但本质上更像是一种高效的工程实现，而非智能本身的答案。于是，Flourish 把目光投向了一个神经科学领域已经争论了半个多世纪的问题：皮层柱（Cortical Column）。
1960 年代，美国神经科学家 Vernon Mountcastle 在研究感觉皮层时发现，如果沿着垂直方向观察大脑皮层，不同神经元往往会处理相似的信息。他因此提出一个著名假说：大脑皮层可能由大量重复出现的小型计算单元组成，而这些单元正是智能产生的基础。后来，这些结构被命名为“皮层柱”。这个概念在神经科学历史上影响深远。
2004 年，美国企业家兼脑科学研究者 Jeff Hawkins 出版《On Intelligence》，提出一个大胆观点：如果人类能够理解皮层柱的计算规则，就有可能重建智能本身。随后他创办 Numenta 公司，长期推动所谓“脑启发计算（Brain－inspired Computing）”研究。IBM 推出的 TrueNorth 芯片、Intel 推出的 Loihi 芯片，以及后来兴起的神经形态计算（Neuromorphic Computing）路线，都或多或少受到类似思想影响。
从某种意义上说，Flourish 并不是在从 0 开始开辟新大陆，而是在重新挑战一个已经存在六十多年的问题。这也是许多人对该公司最主要的质疑点：如果智能的秘密真的隐藏在皮层柱之中，为什么过去几十年里，无数神经科学家都没能找到它？
这很大程度上和神经科学的研究范式相关。作为一门典型的解构科学，神经科学更偏重观察、测量和解释。研究者可以记录神经元活动，分析神经连接，绘制脑区地图，但这些成果并不自动等于可运行的算法。就像人们完全理解鸟类翅膀的结构和空气动力学原理，并不意味着能够直接造出飞机一样。知道大脑如何构成，并不等于知道智能如何产生。
在过去二十年里，AI 和神经科学在某种程度上已经走向两条不同道路。神经科学关注的是“智能是什么”，AI 工程关注的是“如何实现智能”。前者追求解释，后者追求结果。Transformer 恰恰是后一种思维的胜利。它并不特别像大脑，却成功解决了大量实际问题。随着 GPT 系列模型不断突破，人们开始越来越少地讨论神经元和脑回路，而越来越多地讨论参数规模、训练数据和推理成本。
目前，Flourish 招募了数十名神经科学家和 AI 研究员共同工作，其中包括 DeepMind 资深研究员 Greg Wayne。团队计划利用电子显微镜、神经回路重建以及连接组学等工具，对大脑不同尺度的数据进行采集和分析，同时由算法团队根据实验结果构建新的模型架构。按照他们的设想，神经科学家负责发现规律，AI 研究员负责验证规律，两者形成不断循环的反馈过程。
还有一个好消息是，相比六十年前皮层柱理论刚被提出时，今天的确出现了一些新的条件。
连接组学的发展使研究者能够以前所未有的精度重建神经回路；大模型和机器学习技术反过来成为分析脑数据的新工具；而过去积累的大量神经科学实验数据，也为算法验证提供了前所未有的基础。Flourish 联合创始人 Joshua Vogelstein 此前参与的研究甚至发现，果蝇神经网络在某些计算效率指标上比 Transformer 高出一个数量级。尽管这种比较仍存在争议，但至少说明生物系统中可能确实存在尚未被工程界充分利用的机制。
不过，即便是支持者也普遍保持谨慎。伯克利计算机科学家 Ben Recht 同时担任 Flourish 顾问。他公开表示，自己并不确定这项计划是否能够成功，但如果成功，人工智能的发展轨迹可能会发生根本变化。
过去几十年里，脑启发 AI 曾经多次成为热门方向，又多次归于沉寂。皮层柱是否真的是大脑的基本计算单元，学界至今仍存在争论；不同脑区之间的结构差异，也让“统一算法”这一假设面临挑战。更现实的问题是，即便发现了某种新的神经计算规律，如何把它转化为能够在硅基芯片上运行的工程系统，仍然是另一项完全不同的挑战。
1.https://www.bloomberg.com/news/articles/2026-04-30/startup-bringing-brains-to-ai-aims-for-2-5-billion-valuation
2.https://www.wired.com/story/jeff-bezos-is-funding-a-wild-hunt-for-the-brains-core-algorithm/
运营/排版：何晨龙
注：封面/首图由 AI 辅助生成
热门跟贴