夜雨聆风如果你日常频繁使用大模型处理工作、生成内容，大概率会有一种矛盾的感受：它好像无所不能，写文案、编代码、答问题样样顺手，可又总在关键处“掉链子”——会编造不存在的论文与法条，长篇对话前后逻辑矛盾，简单的多步数学题反复出错，面对真实世界的具体问题常常给出脱离常识的答案。
我们一边享受着AI带来的效率红利，一边又隐隐觉得：这好像不是我们想象中的“智能”。它更像一个记忆力超群的背诵者，而非会思考、能成长的个体。
这种微妙的割裂感，恰好对应了一百二十多年前物理学的处境。
1900年，开尔文男爵在英国皇家学会的新年致辞中留下那句著名的论断：经典力学、电磁学、热力学已经搭建起近乎完美的物理大厦，后世物理学家的工作，不过是把常数测量得再精确几位。可他同时也承认，晴朗的天空中飘着两朵小小的乌云——一朵是黑体辐射的紫外灾难，一朵是迈克尔逊-莫雷实验对以太假说的否定。
当时绝大多数人都以为，这只是两个可以靠修补参数解决的小问题。没人能预料，这两朵乌云会在二十年内彻底推倒经典物理的根基，催生相对论与量子力学，重构人类对宇宙的全部认知。
站在2026年回望人工智能的发展，我们正处在高度相似的历史节点。Transformer架构撑起了大模型的空前繁荣，参数从百亿跃迁至万亿，行业默认只要持续堆算力、扩数据、加参数，通用智能就会自然涌现。可剥开商业化的喧嚣往底层看，四朵无法靠现有框架修补的“乌云”早已悬浮在AI的天空之上。
它们不是可以靠优化算法、扩大模型就能解决的小故障，而是从底层架构、硬件体系、认知逻辑到哲学基础的结构性矛盾。今天这篇文章，我们会从最基础的技术原理讲起，梳理大模型的来龙去脉，拆解现有体系的底层瓶颈，再顺着生物智能的本源，探寻类脑计算这条破局之路。
繁荣的起点：我们如何走到了Transformer时代
要理解今天的瓶颈，得先看懂我们是怎么走到这里的。
人工智能的发展并非一路坦途。从上世纪五十年代达特茅斯会议正式提出“人工智能”概念开始，行业经历了数次寒冬与复苏。早期的符号主义靠人工编写规则实现逻辑推理，只能处理极狭窄的特定场景；后来的连接主义模仿人脑神经元结构，提出了人工神经网络，但受限于算力与数据，始终没能走出实验室。
真正的转折点出现在2012年。ImageNet图像识别大赛上，AlexNet凭借深度卷积神经网络将错误率从26%直接降到15%，碾压所有传统算法，深度学习时代正式拉开序幕。此后数年间，循环神经网络、卷积网络分别在自然语言、计算机视觉领域快速迭代，但始终有一个核心瓶颈无法突破：长序列信息依赖丢失。
直到2017年，谷歌大脑团队发表论文《Attention Is All You Need》，提出了Transformer架构。这套基于自注意力机制的模型，能并行处理长序列文本，精准捕捉文本中远距离的语义关联，彻底解决了循环网络的长依赖问题。它的核心逻辑极其简洁：根据每个词与上下文其他词的关联权重，动态调整语义表征，让模型“读懂”上下文。
没人想到，这套看似朴素的架构，会彻底改写整个行业。
基于Transformer，OpenAI推出了GPT系列生成式预训练模型，通过海量文本数据做“预测下一个字符”的自监督训练。随着参数规模从1.17亿的GPT-1扩张到千亿级的GPT-4，模型展现出了令人震惊的生成能力——写代码、做翻译、解题目、生成文案，几乎所有文本类任务都能完成。
一时间，行业形成了近乎统一的共识：参数越大，能力越强；数据越多，智能越高。只要沿着这条路持续走下去，通用人工智能（AGI）指日可待。资本疯狂涌入算力集群，创业公司扎堆做垂直大模型，普通人也习惯了遇事就问大模型。
可就在这片繁荣之中，底层的裂痕正在慢慢显现。
AI天空的四朵乌云：现有体系无法逾越的底层瓶颈
很多人把大模型的缺陷归结为“训练数据不够多”“参数规模还不够大”，但随着研究深入，学界越来越清晰地意识到：很多问题不是量的问题，是底层架构的先天基因决定的。就像经典物理永远解释不了微观粒子的行为，Transformer体系从诞生之初，就自带四套无法根治的底层矛盾。
第一朵乌云：统计拟合的本质，从根上解决不了幻觉与因果
要理解大模型为什么会“胡说八道”，得先搞懂它的核心工作逻辑：预测下一个token。
所谓的大模型训练，本质是给模型投喂万亿级别的文本语料，让它统计出“某个词后面跟着另一个词”的概率分布。比如看到“今天天气很”，模型会根据统计规律，高概率输出“好”或者“糟糕”。整个训练过程的目标只有一个：让输出的文本尽可能符合人类语言的统计规律，通顺、流畅、像人写的。
它的训练目标从来不是“输出正确的事实”，而是“输出符合语言概率的文本”。
这就是幻觉的根源。斯坦福大学人类中心人工智能研究所2024年的专项研究指出，大模型的幻觉不是偶然故障，而是最大似然估计训练目标的统计学必然。当模型遇到知识盲区、逻辑断点或信息冲突时，为了保证文本流畅性，最优选择就是基于已有的语言模式“编造”内容，而非承认“我不知道”。
幻觉分为两种：一种是知识型幻觉，比如编造不存在的参考文献、虚构法律条文；另一种是逻辑型幻觉，推导过程看似完整，实则前提与结论毫无因果关联。哪怕我们把完整的事实资料塞进上下文窗口，幻觉也无法根除——因为模型从底层就没有“验证事实、校验逻辑”的原生机制，它永远只是在拼接文字的概率分布。
比幻觉更深层的缺陷，是因果推理能力的缺失。
大模型学到的所有内容，都是数据中的统计相关性，而非因果性。它能从海量文本里发现“下雨”和“地面湿”总是成对出现，却无法理解下雨是地面潮湿的原因。这种缺陷在简单对话中很难察觉，可一旦遇到多步骤数学推导、工程问题排查、真实世界决策，就会暴露无遗。
图灵奖得主、卷积神经网络之父杨立昆在多次公开演讲中反复强调：当前的大模型缺少“世界模型”，它们无法构建对物理世界运行规则的内在表征，只能做浅层的模式匹配，不具备真正的归纳与推演能力。
这也是为什么大模型写出来的东西总是“正确的废话”居多——它能模仿人类的语言形式，却没有人类对世界的真实认知。
第二朵乌云：冯·诺依曼围墙，算力与能耗的刚性天花板
所有大模型的运行，都建立在1945年提出的冯·诺依曼计算机架构之上。这套架构的核心特征是“存储与计算分离”：数据和程序存在存储器里，运算时要先把数据搬到计算单元，算完再把结果存回去。
这套架构支撑了计算机行业七十多年的发展，可到了人工智能时代，它成了一道越不过的围墙。
第一道墙是带宽墙。千亿参数的大模型做一次推理，需要把数十GB的权重数据在显存与计算单元之间反复搬运。数据搬运的速度远远跟不上计算速度，GPU绝大多数时间都在等数据，真实算力利用率长期低于40%。业内测算，传统AI算力集群超过90%的能耗，都消耗在了数据读写与传输上，真正用于矩阵运算的能量不足一成。
模型参数越大，数据搬运的开销就越高，算力增长的边际效益持续递减。
第二道墙是能耗墙。人脑全天处理视觉、听觉、逻辑、记忆、运动控制所有认知任务，总功耗只有20瓦，相当于一只小灯泡。而同等规模认知能力的大模型，需要上万块GPU组成的算力集群支撑，整体功耗达到兆瓦级别，能耗是人脑的百万倍量级。
国际能源署2025年的报告显示，全球数据中心的AI算力能耗年增速超过30%，一次千亿级大模型的完整预训练，电费成本可达数千万元。在碳中和的大背景下，单纯靠堆显卡、建集群的路线，根本不具备长期可持续性。
第三道墙是在线学习墙。人类每天接触新事物，大脑会实时调整突触连接，边生活边学习。可冯·诺依曼架构下，权重写入存储的延迟极高，只能做批量离线训练，训练完成后权重就基本冻结。想要实现实时交互、终身学习的智能，传统硬件从底层就力不从心。
第三朵乌云：封闭的数字囚徒，缺失真实世界的交互闭环
2022年，澳大利亚墨尔本大学的研究团队在《神经元》期刊发表了一项轰动全球的实验：他们在培养皿中培育了约80万个人类神经细胞，搭建了名为DishBrain的系统，让这些体外神经细胞学会了玩经典电子游戏《乒乓》。
实验逻辑极其简单：神经细胞通过电极接收游戏的位置信号，输出电信号控制球拍移动；如果接住球，就给细胞施加规律的正向电刺激作为奖励；如果丢球，就给随机的无序电刺激作为惩罚。短短几十分钟后，这些没有大脑、没有意识的神经细胞，就自主学会了调整放电模式，主动接球得分。
这个实验之所以重要，是因为它揭示了生物智能的核心逻辑：智能诞生于“感知-动作-奖惩”的完整交互闭环。神经细胞不需要预先输入知识，只要能感知环境、输出动作、接收奖惩反馈，依靠突触可塑性，就会自主学习规律。
而今天的所有大模型，都是封闭在数字空间里的“囚徒”。
它们没有感官，不能主动感知真实世界的图像、声音、触感；没有肢体，不能输出动作去影响环境；更没有原生的奖惩系统，无法从与世界的交互中自主学习。所有知识都来自人类预先整理好的文本数据，所有输出都只是被动回应人类的指令。
这就导致了两个核心功能缺陷。
一是没有真正的具身认知。人类对“重量”“距离”“速度”的认知，来自身体与世界的互动；大模型对这些概念的理解，只来自文本里的文字描述。它能说出“苹果会从树上掉下来”，却无法真正理解重力、加速度、碰撞反弹的物理规律。
二是没有分层记忆机制。人脑的记忆分为短时工作记忆、中长期情景记忆、基础常识记忆，不同记忆存储在不同脑区，更新与调用逻辑各不相同。大模型所有知识都混在同一套权重矩阵里，短期对话信息和长期训练知识彼此干扰，很容易出现灾难性遗忘——学了新知识，就忘了旧内容。
我们期待的是能融入生活、陪伴日常、自主解决问题的智能，可现在的大模型，本质是一个只能待在服务器里、靠人类投喂指令才能工作的文本生成器。
第四朵乌云：结构决定功能，绕不开的认知哲学命题
有一个贯穿认知科学与哲学的核心命题，叫“心理神经同构理论”。它最早由格式塔心理学家提出，后来被认知神经科学不断验证：心智的功能与神经的物理结构存在严格的对应关系，思维活动的关系结构，与大脑神经组织的连接结构是同构的。
通俗来说就是：有什么样的底层结构，才会有什么样的上层功能。
人类之所以能感知、思考、记忆、终身学习，不是凭空产生的，而是依托于神经元、突触、分层脑区这套物理结构。想要复刻同等的智能功能，就必须复刻同等层级、同等连接模式、同等调整机制的底层结构。
我们可以用一个简单的类比理解这件事。人类很早就发明了机械水泵，能像心脏一样泵动血液，可无论把机械结构做得多精巧，它永远长不出心肌细胞，永远无法自主调节心率、完成细胞代谢。没有同源的结构，就只能复刻表层功能，永远无法拥有底层的原生能力。
大模型与人脑的差距，正是如此。
从最小单元看：人脑的最小单元是神经元，每个神经元有几千到上万条独立突触，突触强度可以单独调整；大模型的最小单元是向量，所有参数稠密耦合，没有独立的功能单元。
从连接方式看：人脑是稀疏连接，只有相关的神经元才会建立突触，绝大多数神经元处于静息状态；大模型是全连接稠密矩阵，每一层所有参数都参与计算，算力浪费严重。
从学习机制看：人脑靠局部突触可塑性学习，奖惩信号实时调整对应突触，终身在线增量学习；大模型靠全局反向传播批量更新权重，训练与推理完全割裂，无法实时学习。
从驱动模式看：人脑是事件驱动，只有接收到信号时神经元才激活，没有统一时钟；大模型是全局时钟同步驱动，无论有没有输入，所有参数都要参与运算。
两套体系从最基础的单元开始就完全异构，仅仅靠海量数据拟合表层的语言行为，永远只能做到“像智能”，而做不到“是智能”。这不是靠堆参数、优化算法就能弥补的差距，是底层结构带来的本质鸿沟。
平原期的真相：为什么说我们正处在AI的瓶颈阶段
了解了这四朵乌云，我们就能看懂当下的行业现状：表面上大模型应用遍地开花，可底层的基础理论已经进入了平原瓶颈期。
行业曾经信奉“缩放定律”：模型性能和参数规模、数据量、计算量呈幂律增长，投入越多，能力越强。可近几年，缩放定律正在快速失效。
首先是数据红利即将耗尽。斯坦福大学2024年的研究测算，全球高质量的可清洗文本数据总量大约在20万亿Token，按照当前的训练消耗速度，到2027年前后，高质量文本数据就会被用完。没有新的海量数据，单纯扩参数带来的性能提升会越来越微弱。
其次是“涌现能力”被证伪。过去行业普遍认为，当参数规模突破某个阈值，模型会突然拥有推理、解题等高阶能力，也就是“涌现”。可麻省理工学院2025年的后续研究发现，所谓的涌现，本质是非线性评测指标制造的测量假象。如果换成线性的连续评测标准，模型性能只会平滑缓慢提升，不存在什么“量变引发质变”的智能跃迁。
更关键的信号来自行业内部。OpenAI联合创始人、前首席科学家Ilya Sutskever多次公开表示，纯预训练的范式已经走到了尽头，继续扩大模型规模不会带来本质性的智能突破。中科院院士梅宏在2025年世界人工智能大会上也直言，当前AI领域存在过度的泡沫化预期，很多宣传远远超出了技术本身的真实能力，我们对通用智能的理解还非常浅薄。
这就是今天的真实处境：大模型是非常好用的效率工具，在标准化文本处理、内容生成、辅助编程等场景能创造巨大价值，但它不是通往通用智能的终极路径。就像1900年的经典物理，能解决绝大多数宏观低速问题，可一旦进入微观、高速领域，就会处处碰壁。
我们现在所处的，正是旧范式走到尽头、新范式尚未诞生的平原期。短期的工程优化还能持续提升体验，但想要实现真正能感知、会思考、能终身学习、可以融入日常生活的通用智能，必须跳出Transformer与冯·诺依曼的现有框架。
破局之路：类脑计算，复刻生命智能的底层逻辑
既然生物大脑是目前已知唯一实现了通用智能的系统，那最直接的破局思路，就是向大脑学习——这就是类脑计算。
类脑计算不是简单地模仿大脑的行为，而是从微观的神经元、突触，到中层的分层脑区，再到宏观的学习机制，完整复刻生物神经系统的结构与运行规律。它从软件模型和硬件芯片两个方向同时发力，试图从根源上解决现有AI体系的四大瓶颈。
软件层面：从神经元开始，搭建真正的“虚拟大脑”
类脑软件的起点，就是单个神经元。
生物神经元的工作逻辑很清晰：通过树突接收上游多个神经元的信号，每个突触有不同的连接强度；信号在胞体加权求和，当总和超过阈值时，就会通过轴突发出一个电脉冲，传递给下游神经元；而突触的连接强度，会根据奖惩反馈动态调整，这就是突触可塑性，也是学习与记忆的生物学基础。
用代码复刻这套逻辑并不复杂。无论是C语言的结构体，还是Python的类，都可以轻松封装一个虚拟神经元：用数组存储每一条突触的权重，对应生物的突触连接强度；用一个变量存储偏置，对应神经元的静息电位；输入信号和权重逐一相乘累加，经过激活函数输出结果，对应胞体的信号整合与放电。
多个神经元组成一层，多层网络堆叠，就形成了一个基础的虚拟神经组织。
这和我们熟悉的深度学习网络有本质区别。传统神经网络用矩阵做批量运算，所有参数耦合在一起；类脑网络是一个个独立的神经元单元，每个突触都可以单独调整，和真实的神经结构一一对应。
更核心的差异在学习机制。传统深度学习靠反向传播全局更新参数，需要提前准备好标注数据集；类脑网络靠奖惩驱动的突触可塑性学习，和DishBrain实验的逻辑完全一致：输出动作得到正向奖励，就强化对应通路的突触权重；得到负向惩罚，就削弱对应连接。
普通人完全可以从零搭建一套极简的类脑交互实验。用C语言搭配SDL2，或者用Python搭配Pygame，做一个简单的打砖块游戏；每一帧把小球坐标、球拍位置、运动速度转换成观测数据，输入给虚拟神经网络；网络输出信号控制球拍左右移动；击中砖块给正向奖励，丢球给负向惩罚，实时调整突触权重。
初始阶段，随机初始化的突触会让球拍毫无规律地乱晃；经过成百上千轮训练，虚拟神经元会自主调整连接强度，慢慢学会追踪小球、主动接球。整个过程没有预先标注的数据集，没有全局反向传播，完全靠环境交互的奖惩自主学习——和培养皿里的神经细胞玩乒乓的逻辑，分毫不差。
如果想要更大规模的仿真，还可以借助CUDA加速。用CuPy库把神经元数组迁移到显卡上，并行模拟上万个神经元、单神经元数千条突触的大规模网络，训练效率会提升几十上百倍。这不是什么遥不可及的实验室项目，只要有基础编程能力，一台普通的消费级显卡就能完成。
目前更前沿的类脑软件方向是脉冲神经网络（SNN）。它不再用连续的数值输出，而是像真实神经元一样，用电脉冲的时间编码传递信息，稀疏性、异步性更接近生物大脑，能效比也更高。
硬件层面：存算一体，走出冯·诺依曼的桎梏
软件的突破需要硬件的支撑。类脑计算的另一半核心，是彻底抛弃冯·诺依曼架构的神经形态芯片。
传统芯片把存储和计算分开，数据来回搬运消耗了绝大多数能量；类脑芯片采用存算一体设计，直接用硬件单元模拟突触和神经元，权重就存在计算单元内部，不需要来回搬运数据，从根源上消除了带宽墙。
目前主流的技术路线，是用忆阻器模拟生物突触。忆阻器的电阻值会随着通过的电信号改变，断电后阻值也能保持，正好对应突触连接强度的变化与记忆的留存。一个忆阻器就是一条突触，成千上万个忆阻器集成在芯片上，就构成了高密度的突触阵列。
同时，类脑芯片采用异步事件驱动架构，没有全局统一时钟。只有当神经元接收到脉冲信号时，对应的电路才会工作，没有信号的区域近乎零功耗，完美复刻了人脑稀疏激活的特性。
全球范围内，类脑芯片已经有了成熟的研究成果。
IBM在2014年推出的TrueNorth芯片，集成了100万个神经元、2.56亿个突触，功耗只有70毫瓦；
英特尔的Loihi 2代芯片，支持百万级神经元，处理时序感知任务的能效比是传统GPU的1000倍以上；
清华大学的天机芯，同时支持人工神经网络与脉冲类脑网络，曾成功搭载在无人驾驶自行车上，实时完成目标检测、语音识别、运动决策多任务并行。
这类芯片的优势不在通用计算，而在低功耗的实时交互场景。未来的家用陪伴机器人、可穿戴智能设备、工业自适应传感器，都可以用类脑芯片作为核心算力载体，本地运行、离线学习、低功耗持续工作，彻底摆脱对云端大模型的依赖。
不是替代，是接力：智能的下一个时代
说到这里，需要澄清一个常见的误区：类脑计算不是要取代大模型。
就像量子力学没有否定经典力学，而是拓展了物理的边界；类脑智能也不会替代大模型，二者有各自的适用场景。大模型擅长处理标准化的文本、图像信息，在知识检索、内容生成、辅助办公等场景效率极高，未来依然会是重要的生产力工具。
而类脑计算，要去做大模型做不好的事情：低功耗终端的本地智能、真实世界的具身交互、终身持续的在线学习、个性化的陪伴与适应。这些是通往通用智能的必经之路，也是现有体系永远无法抵达的领域。
站在行业的角度，我们正处在两代技术范式的交接期。过去十年是深度学习、大模型的黄金时代，未来十年，会是类脑计算、具身智能慢慢从实验室走向落地的时代。它不会像大模型一样一夜爆火，而是会从工业控制、终端设备、机器人等场景慢慢渗透，逐步完善底层的硬件与软件生态。
对于每一个身处这个时代的学习者、从业者来说，这既是挑战，也是机遇。
过去很多人陷入了一个误区：觉得人工智能就是学Python、调PyTorch、做大模型微调。可实际上，那只是应用层的操作，真正的核心竞争力，是对智能底层逻辑的理解。当你能从单个神经元、突触可塑性、交互闭环的视角看懂智能的本质，你就不会被层出不穷的框架、模型裹挟，能看清技术发展的长期方向。
就像一百多年前，那些只懂得修补经典物理公式的人，永远引领不了量子革命；真正能站在浪潮之巅的，永远是看透底层矛盾、敢于跳出旧框架的探索者。
结尾
1900年的人们不会想到，那两朵不起眼的乌云，会开启整个现代物理的新纪元，催生核能、半导体、航天这些彻底改变人类文明的技术。
今天的我们，同样无法准确预测，AI领域的这四朵乌云，会最终孕育出怎样的未来。但我们可以确定的是：单纯靠统计拟合、参数堆叠的路线，已经走到了瓶颈；真正的通用智能，一定诞生在和生命同源的结构之中。
不用执着于当下大模型的短期红利，也不用焦虑技术迭代太快。拨开商业化的喧嚣，往底层走，去理解神经元的工作原理，去看懂突触可塑性的学习逻辑，去亲手搭建一个最简单的类脑交互实验——你会发现，智能的本质，从来都藏在生命本身的构造里。
下一轮人工智能的范式革命，不会在更大的参数里，而会在每一个向大脑学习的微小突破里。
