夜雨聆风AI观察 · 类脑计算
你的大脑一天只用20瓦电，AI跑一次能烧掉一个小区。科学家终于想通了：为什么不直接抄人脑的作业？
前面三篇我们聊了AI的各种“笨”——数不清手指、分不清先后、没图也敢编。但你有没有想过一个问题：人脑为什么不会犯这些错？
更神奇的是，人脑一天只消耗20瓦电，够点亮一个节能灯泡。而训练一个顶级AI模型用的电，够几百个家庭用一整年。
能耗差了几百万倍。
科学家们终于回过味来了：与其硬堆算力，不如直接看看人脑是怎么工作的。这一看，发现了三个让AI工程师眼红的绝招。
绝招一：没活干就歇着
你正在看这篇文章。你的大脑里，负责处理文字的区域在工作，但控制你左腿肌肉的神经元在睡觉，管理后背酸痛的神经元在睡觉，回忆中午吃了啥的神经元也在睡觉。
它们不是偷懒。这叫“按需激活”——只有被叫到的那一小撮神经元才上班，别的都在待机。
但传统AI不是这样。它处理一张图片，不管图里有没有用，必须把整张图的每一个像素从头到尾算一遍。一张图几百万个像素，全算完才能说“哦，图里主要是个人”。
这就像你请了一个保洁阿姨，让她擦一下桌上的灰。她二话不说，把整个房间从天花板到地板缝全部打扫了一遍，然后告诉你：“灰擦好了。”
累不累？当然累。费不费电？当然费。
科学家从人脑里学到的第一课就是：别啥都算，没事就歇着。
他们搞出了一种叫“脉冲神经网络”的新模型。里面的神经元平时不说话，只有收到足够强的信号时才“啪”地放一个电脉冲，然后继续睡觉。
SpikeTrack论文原图：能耗与准确率权衡图显示，脉冲式视觉追踪能在较低能耗下保持追踪效果。图源：arXiv 2602.23963。
同济大学2026年在CVPR上发表的工作，就是干这个的。他们做的视觉追踪模型SpikeTrack，用这种“脉冲模式”跑，跟传统模型比，能耗只有人家的二十六分之一。效果还差不多。
省电二十六倍，效果不减。这买卖划算。
SpikeTrack论文原图：模型把模板分支缓存成记忆，搜索分支按需读取目标线索，减少重复计算。图源：arXiv 2602.23963。
绝招二：边看边记，不用来回搬
你的眼睛看到一朵花，大脑里的视觉区和记忆区几乎是同时工作的。你看的同时，就在记。记的同时，就在想“这花我见过没”。
这叫“存算一体”——存储和计算不分家。
但现在的电脑不是这样。电脑里有内存（存东西的地方）和处理器（算东西的地方）。数据得先从内存搬到处理器，算完了再搬回内存。来回搬运，费时费电。
你做饭的时候，冰箱在客厅，灶台在卧室。炒个鸡蛋，你得先去客厅拿鸡蛋，跑回卧室打蛋，发现忘了拿盐，再跑回客厅拿盐……累不累？
2026年，北京大学团队在《自然·通讯》上发表了一项成果，把“看”和“记”塞进了一块小芯片里。他们用了两种特殊材料：一种负责感受光（像视网膜），一种负责记住信息（像记忆细胞）。两块东西长在一起，不用来回搬数据。
Nature Communications论文原图：二维材料光电子神经元与铁电突触同质集成，用于类脑视觉。图源：Nature Communications, 2026。
测试下来，识别颜色准确率91.7%，复杂道路场景下也能做到93.5%。最关键的是，几乎没有延迟。
这就像把冰箱和灶台搬到了一起。炒菜再也不用跑马拉松了。
Nature Communications论文原图：芯片在颜色识别和道路场景任务中的测试结果。图源：Nature Communications, 2026。
绝招三：看见才动，看不见就睡
你走在路上，前方50米有辆车。你的眼睛捕捉到那辆车的运动，大脑立刻启动“避障模式”。但你身后的那棵树没动，大脑压根不管它。
这叫“事件驱动”——只有发生变化的地方，才值得关注。
传统摄像头不一样。它一秒拍30张照片，每张照片里所有像素都要处理。画面里99%的区域啥也没变，它也得老老实实算一遍。
2026年，普渡大学做了一个类脑无人机。这架无人机上装了一种特殊的摄像头和芯片，只会在画面里有东西动的时候才运算。静止的背景，直接忽略。
普渡大学原图：搭载事件相机的AI无人机，用于实时避障和导航。图源：Purdue University / John Underwood。
结果呢？这架无人机只靠机载电池，就能在野外实时躲开树枝、电线杆，在完全没有信号的环境里自己飞。
原理很简单：它学的是蜻蜓。蜻蜓的眼睛只对移动的猎物有反应，静止的树叶它当没看见。
普渡大学原图：Roy团队开发的专用芯片把导航算法映射到近存/存内计算硬件上。图源：Purdue University / John Underwood。
这三招合起来，就是“类脑计算”
人脑用几十亿年进化出来的三招——按需激活、存算一体、事件驱动——正在被科学家一点点搬到芯片和算法里。
这件事最妙的地方在于：它不需要推翻现有的AI。它更像是给AI装了一个“省电模式”。
现有的AI该写诗写诗，该看病看病。但遇上需要长时间开着、耗不起电的场景——比如戴在身上的健康监测设备、在野外巡逻的机器人、你手腕上的智能手表——类脑方案就能派上用场了。
那我们用的豆包，跟这些有啥关系？
直接关系不大。因为豆包跑在云端服务器上，不愁电。
但间接关系很大。
第一，类脑研究的成果，迟早会用到手机、手表、眼镜这些端侧设备上。你以后用豆包的语音唤醒、拍照识图，可能会发现手机不怎么发烫了，电量也撑得更久了。
第二，DeepSeek已经在研究怎么把“脉冲”的逻辑塞进大模型里。2026年五一前后有一篇引发热议的论文（后来撤回了，但思路留下了），讲的就是给大模型装一个“空间视觉原语”——让它看图的时候先扫一遍全图，再聚焦重点，而不是对着每一个像素死磕。
这跟人脑“先总览后聚焦”的习惯一模一样。
第三，也是最实在的一条：豆包的图像创作模型已经迭代到5.0版本了。你平时用它做图、修图、扩图，背后用到的“注意力分配”技术，就跟类脑的研究一脉相承。只不过服务器端的算力足够富裕，暂时不需要省电罢了。
最后说几句
这三招——没事就歇着、边看边记、看见才动——其实特别像我们人类做事的自然习惯。
我们不会同时刷三篇公众号文章。我们会先扫一眼全篇，再挑重点精读。看到有趣的内容，顺手截个图存下来。没用的信息，眼皮都不抬一下。
AI向人脑学习，说到底是在学习一种更聪明的“偷懒”方式。不是不干活，是把力气花在刀刃上。
下次你用豆包拍图识物的时候，可以留意一下它的反应速度。你也许感觉不到什么变化，但在你看不见的地方，那些芯片已经悄悄学会了“没事就歇着”。
这大概就是AI进化的下一个方向——不是更拼命，而是更聪明地偷懒。
注：文中案例和数据来源于——同济大学SpikeTrack（CVPR 2026）、北京大学存算一体芯片（《自然·通讯》2026）、普渡大学类脑无人机（2026）。DeepSeek空间视觉原语讨论基于2026年4月arXiv论文及社区反馈。
