夜雨聆风
2026年6月4日，一家总部位于纽约、至今没有任何商业化产品的AI初创公司Flourish完成了5亿美元融资，投后估值25亿美元。领投方是亚马逊创始人杰夫·贝佐斯，个人出资约1亿美元；跟投阵容同样豪华——Alphabet旗下GV（原Google Ventures）、Lux Capital，以及专注医疗健康领域的Catalio Capital悉数入场。
这是迄今为止，没有任何营收的纯研究型AI公司拿到的最大单轮融资之一。资本市场的信号意味极其强烈：当整个行业还在“更大模型、更多GPU、更大数据中心”的规模化军备竞赛中狂奔时，一部分最敏锐的钱已经开始押注AI领域的“库恩式范式转移”。他们不再追求在现有统计学框架内的渐进式改良，而是试图寻找智能的全新第一性原理。
Flourish要解决的，是一个业内人人都知道、但大多数人选择用“规模化”来回避的根本性矛盾——能效鸿沟，其本质是硅基冯·诺依曼架构与碳基生物计算在热力学与信息论层面的巨大差异。
一个数字足够刺眼：人脑的运行功耗大约只有20瓦，相当于一盏普通LED灯泡，却能在几十年中持续进行高维度的非线性动态学习、感知与推理。而今天一块服务器级GPU（如NVIDIA H100）的功耗约为700瓦，其处理信息的能耗大约是人脑的30倍以上。大模型训练之所以成为“能源无底洞”，根源在于冯·诺依曼架构中“存储与计算分离”的物理瓶颈，以及Transformer架构中全局稠密注意力的全量矩阵乘法——每一次权重更新都伴随着巨大的数据搬运与热耗散。
更深的矛盾在于学习机制与表征方式。婴儿只需接触有限的语音输入就能掌握母语，这是基于大脑稀疏编码与局部可塑性实现的高效泛化，且终身具备持续学习能力——新知识的记忆印迹不会系统性抹除旧记忆（免于灾难性遗忘）。而大模型本质上是基于全局梯度的静态参数寻优，训练结束后参数是冻结的，获得新知识要么靠昂贵且容易破坏原有分布的微调，要么陷入重新预训练的计算深渊。
Flourish的联合创始人Thomas Reardon说得直白：Transformer固然是工程奇迹，但它本质上是利用高维流形在统计学层面逼近智能的表象，而非智能发生机制的底层解答。
Flourish的创始组合横跨了工程产品与基础神经科学：
Rob Williams：前亚马逊核心高管，深谙大规模AI产品化的工程与商业痛点。他熟用亚马逊经典的“逆向工作法”——先定义未来的终局，再反推当下的第一性原理。
Thomas Reardon：早年是Internet Explorer的核心开发者，后彻底转向神经科学，创办脑机接口公司CTRL-Labs（被Meta收购）。他完成了从“软件架构师”到“读懂神经系统信息编码机制”的跨学科转身。
两人写了一份仅两页纸的融资说明，核心主张构成了Flourish的理论基石：停止用纯数学启发式去“模拟”大脑的输入输出，开始用实证神经科学去“读”大脑本身。 他们试图从真实的神经生物学数据中提取智能的“核心算法”，并据此重构AI的计算基底，而非继续在硅基架构上做生物学隐喻的粗糙近似。
Flourish的旗舰系统叫做Cortex AI，目标是运行功耗控制在20至50瓦以内，同时在计算能力、学习效率上逼近人脑水平。其理论路径并非模型压缩，而是回归神经生物学的底层事实，实现从“现象学拟合”到“结构决定功能”的还原论映射：
1. 皮层均一性原理作为通用计算基元
2. 连接组学：从结构到功能的因果映射
团队正在建立内部神经科学实验室，利用电子显微镜和神经回路重建，在纳米至介观尺度测绘真实的神经元及突触连接组。计算神经科学家Sean Bittner表示，当前AI的架构是人类“设计”出来的归纳偏置，而Flourish的目的是从真实的生物学图谱中“发现”信息流动的因果机制。只有掌握了真实的网络拓扑，才能理解局部脉冲发放与全局状态表征之间的映射关系。
3. 海马体启发的情景记忆与模式补全机制
人脑不需要把整个互联网读一遍才学会一门语言。Flourish正在研究受海马体（尤其是CA3区域的自动联想网络）启发的记忆-学习机制。这种机制允许模型基于小样本构建稀疏的情景记忆表征，并通过模式补全实现快速检索与泛化，从而在数学上摆脱对海量标注数据和全局梯度下降的病态依赖。
公司正与大型芯片厂商谈判，因为现有GPU的SIMD（单指令多数据流）架构本身是为稠密矩阵运算设计的，无法高效模拟大脑稀疏、事件驱动的脉冲计算。这不仅是软件的重构，更是计算范式的硬件迁移。
Flourish之所以能在零收入状态下拿下5亿美元，本质是因为行业对Scaling Law（规模法则）的理论信仰正在出现结构性裂痕：
· 信息增益的边际递减：随着模型规模扩大，表征空间逐渐饱和，捕获长尾信息所需的训练数据量与算力呈指数级上升，而模型能力的提升趋于平缓。从信息论角度看，熵减的难度在急剧增加。
· 物理与经济的双重紧绷：几千亿美元的基建计划背后，是电力供给、冷却系统、供应链的全面紧绷。“烧电换智能”的转化率正在逼近物理极限，其ESG成本与地缘政治风险已成为不可承受之重。
Flourish给出的叙事不是“替代大模型”，而是提供第二条基座曲线——当算力堆砌的ROI（投资回报率）走平之日，一条基于生物级能效的路径可能是唯一能从热力学和信息论双重束缚中突围的方案。
必须承认，对Flourish的质疑与它的野心一样巨大。
理论上，如果智能的秘密真的藏在皮层柱和神经元连接里，为什么过去六十多年无数神经科学家都没能将其工程化？从IBM TrueNorth到Intel Loihi，从脉冲神经网络（SNN）到各类类脑计算，均未能展现出超越深度学习的实用优势。核心难点在于：神经科学能在微观和宏观尺度提供丰富数据，但在介观尺度（神经元集群如何协同产生认知）依然存在巨大的理论空白。即便画出了完整的连接组，宏观的“智能”是否能作为涌现现象被简单复制到硅基载体上，仍是一个未解的复杂系统难题。
Flourish自己也坦承产品形态尚不清晰，预计五年内有突破，目前仍是研究实验室。其顾问、伯克利计算机科学家Ben Recht公开表示：不确定能否成功，但如果成了，AI的发展轨迹将被重写。
所以5亿美元到底买了什么？
在金融理论中，当标的资产的未来波动率极高且存在非连续跳跃可能时，期权价值最大。这笔钱买的，正是一个极低概率、极高赔率的技术看涨期权。如果Flourish真的跨越了从生物学结构到工程智能的鸿沟，它不仅颠覆英伟达的算力叙事，更会从根本上重新定义“智能工程”的边界。25亿美元的估值，付的是对范式转移可能性的门票钱，而非基于未来现金流折现的保守定价。
更深一层，这笔融资是对整个行业认识论的一种纠偏：当所有人都在统计学这口井里挖得更深时，总有人需要去生物还原论里找水。Flourish提出的问题——“智能究竟是数学暴力可以逼近的高维统计流形，还是一套尚未被破译的、具有严格物理约束的生物算法？”——触及了智能本质的哲学之问，这比任何单一模型在Benchmark上的零和博弈都更接近真相。
资本的嗅觉从不说谎。5亿美元砸进一间还没有产品的神经科学实验室，说明市场上最聪明的头脑已经开始确信：在智能的终局里，继续把赌注全部压在“更大”上的尾部风险，已经远远大于“另起炉灶”的试错成本。
媒体主理人｜Kevin 138 8041 8738
