2017年问世的Transformer架构（编者注：一种深度学习模型），被认为是目前人工智能大模型的技术基石。其基于简单的神经元和复杂的网络架构，在尺度定律的驱动下，通过增加网络规模、算力资源和数据量提升模型智能水平，并取得了巨大成功。
但这就是AI的未来吗？我们是继续沿着Transformer架构的道路不断扩充参数规模，还是回过头来，向这个世界上最精巧的智能系统——人类大脑，寻求启发？
当前学术界对此仍存在较大争论。支持者，如诺贝尔物理学奖得主、深度学习之父杰弗里·辛顿，图灵奖得主、纽约大学教授杨立昆等著名学者坚持神经科学是AI发展的重要灵感来源。杰弗里·辛顿曾明确表示，克服人工智能局限的关键在于建立计算机、科学和生物学之间的桥梁。反对者则认为，AI的重要成果并未受到神经科学机制的启发，将来或许也不用。
但是，单一路线的系统性风险不容忽视：其在效率、可解释性等方面的内在局限，会沿技术栈被放大并传导至所有下游应用，如Transformer架构在处理长序列时存在二次复杂度增长的问题，严重限制了其在长文本、科学计算等场景中的应用。科学家们有责任前瞻地回答这样的问题：单纯追求规模的增长是否能持续推动AI系统向更高阶段发展？我们是否应该寻求其他突破性的研究方向，来进一步优化现有系统？
在笔者看来，类脑计算，或许将成为未来AI的发展方向。
人脑作为已知最高效的智能系统，以约20瓦的功耗支撑千亿级神经元和千万亿级突触的复杂动态网络，其能效远超现有任何AI系统。这种高效的信息处理机制，尤其是事件驱动、稀疏计算、多尺度动力学等特性，为构建下一代低功耗、高性能AI模型提供了宝贵借鉴。神经科学，尤其是其对人脑工作机制的研究，正为AI未来发展提供一条全新的路径。
然而，神经科学与AI技术之间存在一个明显的鸿沟。从当前的研究来看，神经科学主要侧重于精细的结构和生理细节，强调神经元之间的复杂连接以及大脑尺度的动力学，而AI技术则更注重抽象的结构和计算的高效性，尤其是在大规模并行计算方面。例如，GPU（图形处理器）在处理大规模并行计算时，能够实现高效的计算能力，但却难以高效支持当前神经科学所关注的精细结构和神经元建模。这也就造成了神经科学和AI之间的鸿沟——当前AI模型往往难以将神经科学中的复杂结构融入进来，更遑论将其扩展到大规模的计算模型中。
尽管关于未来AI实现路径的争议仍在，尽管存在这样那样的困难，但AI研究者们给出了选择——脑科学与人工智能的结合已逐渐成为现实，各主要发达国家都把类脑计算、神经网络等的研发，列为未来重点发展的领域。
想在类脑计算领域占据领先地位，就要继续强化前沿交叉研究，加强与神经科学、心理学、数学、计算机科学、量子科学等学科的交叉，拓展深化人工智能基础理论研究范畴，推动下一代人工智能技术在基础模型架构、高效学习范式和复杂认知推理等方面的突破。
可喜的是，中国在这一方向上已经取得若干突破。以笔者所在的研究组为例，我们日前成功研发了类脑大模型“瞬悉1.0”（SpikingBrain）。经过测评，其在多个核心性能上实现了突破。首先，它在极低数据量下实现了高效训练，显著提升了长序列训练效率。其次，它的推理效率得到数量级提升，特别是在超长序列处理上展现出显著优势。这使其在“人工智能+”场景下，如法律/医学文档分析、复杂多智能体模拟、脑机接口、高能粒子物理实验等超长序列日常应用和科学任务建模场景等，具有显著的潜在效率优势。再次，它构建了国产自主可控的类脑大模型生态，支持将现有Transformer模型高效转换为类脑脉冲架构。最后，它设计了多尺度稀疏机制，为低功耗的类脑大模型运行提供了有力支撑。
沿着这个方向，我们或可找到一条融合神经元丰富动力学特性，具有生物合理性和计算高效性的神经网络新路径，构建新一代通用智能模型，从而探索脑科学与人工智能基础模型架构之间的桥梁。
