架构胜过数据：人工智能科学家提出AI或许并不需要海量训练数据

文 | 钱钱

编辑 | 阿景

硅谷的科技大佬们最近跟商量好了似的，一个个往数据中心里砸钱，几千亿跟流水似的花出去。

大家都觉得只要算力够强、数据够多，AI就能越来越聪明。

可谁也没细算过账，2026年AI训练的耗电量可能比日本全国一年用的还多，这可不是闹着玩的。

就在这时候，约翰霍普金斯大学的研究团队扔出个"炸弹"，不用训练的类脑AI系统，居然能直接模拟人脑活动。

这下不少人开始嘀咕，AI这路是不是走偏了？

从"堆数据"到"学大脑"，约翰霍普金斯的实验戳破了AI圈的"肌肉崇拜"

约翰霍普金斯大学的认知科学助理教授米克·邦纳早就看不过去了。

他常说，人类学东西多省事儿，学个新单词看两眼就会，可现在的AI呢？没个几百万张图、几万亿参数根本学不会认猫。

为了弄明白问题出在哪，他们团队做了个实验。

他们挑了AI圈最火的三种架构，Transformer、全连接网络、卷积神经网络，又捣鼓出几十种变体。

最绝的是，这些模型根本没经过训练，直接拉去做图像识别测试。

结果让人大跌眼镜，Transformer和全连接网络不管加多少神经元，活动模式都跟人脑差着十万八千里，反倒是卷积神经网络，稍微调整一下，活动模式居然跟人脑反应越来越像。

更离谱的是，这个没训练过的卷积模型，识别图片的本事居然能跟传统AI学了几百万张图的效果打个平手。

这研究发在《自然机器智能》上，可不是随便瞎说的。

这结果就像告诉健身狂"你练的都是死肌肉"，AI圈那些沉迷"堆参数"的大佬们，估计得失眠好几天。

大脑的"省钱秘籍"，神经科学给AI上了堂"架构课"

为啥卷积网络这么给面子？还得从咱们自己的大脑说起。

人脑看东西的时候，可不是一下子全塞进脑子里。

初级皮层先抓点边缘、颜色这些简单特征，再往上一层一层汇总，最后才认出"这是只猫"。

这种层级化处理，效率高得离谱。

卷积网络刚好学了这手。

它搞"局部连接"，每个神经元只看一小块图像，又搞"权重共享"，重复用一套特征模板。

这么一来，空间信息编码得又快又准，跟大脑视觉系统简直是亲戚。

反观Transformer，搞"全局注意力"，啥都想关注，结果跟人脑那种"该看哪就看哪"的选择性注意完全不是一回事。

全连接网络更惨，神经元跟神经元全连一起，乱成一锅粥，根本找不到生物学上的对应物。

研究团队还发现个有意思的事儿，1100多个神经网络的权重，最后都挤在一个16维的子空间里。

这说明啥？架构本身的"骨架"比往里面填多少"肉"（参数）更重要。

以前AI圈总觉得"数据越多算力越强就越智能"，现在看来，这想法跟"只要吃得够多就能长高"一样天真。

AI圈以前总觉得"大力出奇迹"，算力往上堆就完事儿了。

可现在问题来了，算力是上去了，电费也跟着飞。

ChatGPT查个问题，耗电量是普通搜索引擎的10倍，生成式AI的电力需求，一年能涨75%。

更坑的是，模型训好了之后用起来，耗电量居然是训练时的30倍。

这么烧下去，怕是以后AI公司得先建个发电站才敢开工。

类脑设计倒是给了条新思路。

不用海量数据，不用巨量算力，照样能干活。

数据少的领域，比如一些冷门科研、小众语言翻译，以前AI插不上手，现在说不定能派上用场。

新一代的深度学习框架，估计得往"生物学启发+简单学习方法"上靠。

毕竟进化生物学摆在那儿，大脑几亿年优化出来的架构，本身就是本现成的"设计圣经"。

AI想再往前迈一步，光靠砸钱堆算力肯定不行。

科技公司得学着平衡工程创新和生物启发，别老盯着参数表较劲。

说不定哪天，类脑AI真能带来一场技术革新，让智能不再跟"高能耗"划等号。

毕竟，当硅谷还在沉迷"算力军备竞赛"的时候，藏在生物学里的AI进化密码，可能正等着被人发现呢。

来源：黄角树