Q:我觉得计算机视觉神经网络会出现各种各样的挑战就在于和人类大脑的思考模式不同。比如没办法detect重叠的物体。能不能从头开始把大脑变成硅基的？这是不是就是算力问题?

Claude:

把大脑变成硅基：技术路线、前沿研究与”是不是单纯算力问题”的深度解析

TL;DR

  • 不能”从头开始把大脑变成硅基”——至少在2026年仍然遥不可及，而且它远不是单纯的算力问题。 算力只是四道高墙中最低的一道，真正卡脖子的是连接组数据（人脑连接组比目前已完成的果蝇连接组大约难10万倍）、神经编码理论的认知瓶颈，以及”需要模拟到哪一层”这一根本性概念问题。
  • 当下最有进展的方向不是”全脑仿真”，而是三条务实路径：神经形态芯片硬件（Intel Loihi 2、IBM NorthPole、SpiNNaker 2、Darwin 3/Wukong等）、脉冲神经网络（SNN）算法（Spikformer V2在ImageNet达到80.38% top-1，SSL预训练后81.10%），以及生物-硅混合系统（Cortical Labs CL1，2025年3月2日于巴塞罗那MWC商业化发布，单价3.5万美元）。这些都在”借鉴大脑”，而非”复制大脑”。
  • 即便仅做”功能等价”，Carlsmith 2020的中位估计是10¹⁵ FLOP/s（已可实现）；但Sandberg & Bostrom 2008的”生物物理忠实仿真”估计达10¹⁸–10²⁵ FLOP/s，Diesmann团队2013年用日本K computer（8.162 petaFLOPS）仅仿真人脑1%的网络就花了40分钟做1秒仿真，且现今硅基系统的能效仍比人脑差约6个数量级。

第一部分：科普性总体介绍

1.1 为什么CNN和Transformer在遮挡、重叠、上下文推理上不如人脑？

深度学习视觉模型在ImageNet分类等”清晰、居中、单物体”任务上已经超过人类，但一旦遇到遮挡、重叠、需要上下文推理或部分信息推断完整物体，性能就会断崖式下跌。其根本原因不是参数不够多，而是架构机制本身与大脑有质的差异：

前馈 vs 循环： 标准CNN和ViT本质上都是前馈（feedforward）网络——信号从输入层一路单向流到输出层，每一层只用前一层的特征。而灵长类视觉皮层中，反馈连接（top-down）甚至比前馈连接更多（Felleman & Van Essen 1991的经典解剖学研究）。Rajaei等人2019年发表于PLOS Computational Biology的MEG解码研究表明，”前馈CNN（AlexNet）在无遮挡条件下可达人类水平，但在遮挡条件下显著低于人类”，而带局部循环连接的递归CNN能更好地解释人类的MEG数据；短暂掩蔽（backward masking）显著损害遮挡条件下的识别——这正是循环加工被打断的指纹。

稀疏激活与事件驱动： 大脑神经元在大部分时间是沉默的，平均放电率仅0.1–1 Hz；只有”发生了有意义的事”才会发放（spike）。GPU上的ANN每次推理都把所有权重和激活值算一遍，相当于”用功率把整个网络一直点亮”。这导致人脑约20 W就能完成的工作，GPT-4级模型的训练耗电以兆瓦时计。

时间编码： 大脑用脉冲的精确时序（spike timing）编码信息，而非传统ANN的连续浮点激活值。相差几毫秒的脉冲时序可以代表完全不同的内容。Transformer的”时间”只是离散token位置，远比生物时间维度贫瘠。

能耗鸿沟： 人脑约20 W；Frontier超算1.1 EFLOPS要消耗约21 MW——若按”人脑≈1 EFLOPS”的常见粗估，硅基系统的能效比人脑低约6个数量级。

1.2 “把大脑变成硅基”是什么意思？主要技术路径

“硅基化大脑”在不同语境下指完全不同的事情。需要先把5条主要路径区分清楚：

  1. 神经形态计算（Neuromorphic Computing）： 不是模拟具体某个人的大脑，而是让芯片的物理结构本身像大脑——异步、事件驱动、存算一体、稀疏。代表：Intel Loihi 2、IBM TrueNorth/NorthPole。
  2. 脉冲神经网络（SNN）： 算法层面，用离散脉冲而非连续激活值传递信息，是神经形态硬件的”软件”。
  3. 全脑仿真（Whole Brain Emulation, WBE）： 字面意义的”把某个具体大脑数字化”——扫描所有神经元和突触，然后在计算机里逐一仿真。这是Kurzweil式愿景的核心。
  4. 类脑芯片硬件： 介于1和3之间，包括Tianjic（混合ANN/SNN）、Darwin系列、SpiNNaker（用ARM核模拟神经元）等。
  5. 生物-硅混合 / 类器官智能（Organoid Intelligence, OI）： 与其费力在硅上模拟神经元，直接用真神经元接上硅芯片。代表：Cortical Labs DishBrain/CL1、FinalSpark Neuroplatform。

5条路径的核心差异在于”忠实度”和”目的”。神经形态计算和SNN追求的是借鉴大脑的工程原理来造更高效的AI芯片，并不在乎能否还原任何具体大脑；全脑仿真追求的是生物保真，把某个具体大脑的”灵魂”搬进硅里；生物-硅混合干脆绕过模拟问题，让真生物神经元做计算。这三类目标在哲学和技术上都不同——把它们混为一谈是大众讨论中最常见的误区。

第二部分：前沿研究详细介绍

A. 神经形态芯片硬件

Intel Loihi 2（2021发布，2024–2026持续应用）。 Intel 4（7 nm）工艺，单芯片128个全异步神经核（neuro core）、6个嵌入式x86 Lakemont管理核，最多支持100万神经元、1.2亿突触。神经元模型可通过微码自定义（支持LIF、Izhikevich、共振-发放等）。事件驱动稀疏负载下相对CPU/GPU有>100×和~30×的能效优势（Isik et al. 2024）。Intel配套发布开源框架Lava。多片Loihi 2系统Hala Point（2024年4月发布于Sandia实验室）集成1152片Loihi 2，达11.5亿神经元，被Intel称作”当时世界最大的神经形态系统”。

IBM TrueNorth（2014）→ NorthPole（2023）。 TrueNorth是IBM 2014年的开山之作（100万神经元/2.56亿突触/28 nm/70 mW）。NorthPole于2023年10月发表在Science（Modha et al., doi:10.1126/science.adh1174），是其真正继任者：256核、224 MB片上SRAM、彻底消除外部DRAM、采用数字存算一体的”空间架构”。在ResNet-50推理上，与12 nm的Nvidia V100 GPU相比，NorthPole实现”25倍更高的frames per second per watt能效指标、5倍更高的空间指标，以及22倍更低的延迟指标”。注意：NorthPole不再用脉冲，而是低精度（2/4/8 bit）数字推理——是”借鉴大脑组织原理”的工程产品，并非生物仿真。

SpiNNaker → SpiNNaker 2（曼彻斯特大学 + 德累斯顿工大）。 第一代由Steve Furber（ARM架构发明人之一）领衔，2019年达到100万ARM9核的目标。SpiNNaker 2采用GlobalFoundries 22FDX工艺，单芯片152个ARM Cortex-M核+神经形态加速器，每芯片15.2万神经元、1.52亿突触。德国SpiNNcloud Systems于2024年5月在德累斯顿启动SpiNNcloud平台，由超过500万核心组成，能仿真至少50亿神经元（路线图10亿~100亿），已被Sandia国家实验室、慕尼黑工大、哥廷根大学等订购。

BrainScaleS-2（海德堡大学）。 与上述所有数字方案不同，BrainScaleS走的是模拟+数字混合——神经元和突触的动力学用真实的模拟电路（电容、电导）实现，比生物时间快约1000倍（生物毫秒级→芯片微秒级）。单芯片512个AdEx神经元、131k可塑性突触。2024年新增高速机器人实时接口，作为EBRAINS基础设施一部分对全球研究者开放。这是欧洲Human Brain Project十年遗产的硬件代表。

清华大学天机芯（Tianjic）。 2019年Nature封面（Pei et al.）。28 nm工艺，首创ANN/SNN混合架构，单核可重构。峰值1.28 TOPS/W（ANN模式）、650 GSOPS/W（SNN模式）。2019年用一块芯片同时跑视觉识别、语音控制、平衡控制、避障，驱动一辆无人自行车。2024年5月同团队（施路平）又在Nature发表了Tianmouc视觉芯片（Yang et al., Nature 629, 1027），模拟人眼”明视/暗视”双通路，10000帧/秒、带宽减少90%。

中科院/浙江大学Darwin系列与Wukong（达尔文猴）。 Darwin 3（潘纲团队，National Science Review 2024年5月）单片支持235万神经元，是迄今神经元规模最大的神经形态芯片；采用新型ISA（10条主指令）和片上学习。2025年9月浙江大学发布Darwin Monkey / Wukong（悟空）：960片Darwin 3、超过20亿脉冲神经元、超1000亿突触，规模相当于一只猕猴大脑，整机功耗约2000 W——这是首台超过10亿神经元规模的神经形态计算机，由浙江大学和之江实验室联合发布。

其他2023–2026最新动态：

  • Western Sydney “DeepSouth” （International Centre for Neuromorphic Systems，André van Schaik领衔）：使用FPGA构建，宣称228万亿突触操作/秒，与Intel、Dell合作，于2023年12月公布、目标2024年4月上线。van Schaik本人原话：“Simulating spiking neural networks on standard computers using Graphics Processing Units (GPUs) and multicore Central Processing Units (CPUs) is just too slow and power intensive. Our system will change that.”
  • Allen Institute + Tadashi Yamazaki + Fugaku超算（2025年SC25）：在富岳上做出”迄今最详细的小鼠皮层生物物理仿真”——约1000万神经元、260亿突触、86个脑区，每个神经元都用多隔室树突形态建模。

B. 脉冲神经网络（SNN）研究

SNN的优势集中在三点：事件驱动（无脉冲时不消耗动态功耗）、稀疏（典型激活率<5%）、时间编码（可在<1 ms延迟内决策）。

SNN训练的核心困难是脉冲函数（Heaviside阶跃）不可微——传统反向传播无从下手。突破性的解决方案是Neftci、Mostafa、Zenke于IEEE Signal Processing Magazine 2019的**”Surrogate Gradient Learning in Spiking Neural Networks”**（DOI 10.1109/MSP.2019.2931595）：在前向传播中保持二值脉冲，在反向传播中用一个平滑函数（如fast sigmoid、arctan、boxcar）替代阶跃函数的导数。这让标准BPTT（穿越时间的反向传播）可以训练SNN，是当下绝大多数高性能SNN的基础。

2023–2025的性能跃进：

  • Spikformer V2（Zhou et al., arXiv 2401.02020, 2024）：8层Spikformer V2-8-512（51.55M参数）在ImageNet上以4时间步达到80.38% top-1；用Self-Supervised Learning预训练后，172M参数的16层模型在仅1时间步下达到81.10%——“这是SNN首次在ImageNet上达到80%+准确率”。
  • Spikingformer（2023）：纯事件驱动Transformer SNN，ImageNet-1K上75.85% top-1，比Spikformer能耗再降57%。
  • Spike2Former（AAAI 2025 Oral）：将SNN推到图像分割任务。
  • SpikingResformer（CVPR 2024）：桥接ResNet与ViT的SNN架构。
  • 通用surrogate-gradient SNN在ImageNet现已达约68–76% top-1（依架构与时间步而定）。

不过，SNN在大规模复杂任务上仍落后同尺寸ANN约5–10个百分点，且训练对超参更敏感、生态远不如PyTorch成熟。SNN的真正价值仍在”低功耗、低延迟、事件相机/雷达/触觉”等场景。

C. 全脑仿真项目

Human Brain Project (HBP, 2013–2023) → EBRAINS (2024起)。 欧盟”未来与新兴技术旗舰”项目，10年投入约10亿欧元。2024年欧盟独立专家10年评估正面肯定了HBP，但承认”模拟整个人脑”的最初愿景未实现。其遗产是EBRAINS研究基础设施（2024–2026进入EBRAINS 2.0阶段，新增3800万欧元资助），整合多尺度脑图谱、SpiNNaker与BrainScaleS神经形态平台、数字孪生工具，提供给全欧脑科学界开放使用。

Blue Brain Project (EPFL, 2005–2024)。 Henry Markram创立。2024年12月正式收官。最高成果是重建并仿真大鼠新皮层微柱（约3.1万神经元、3700万突触，多隔室生物物理模型）以及2023年的丘脑-皮层振荡睡眠纺锤波模型（Iavarone et al., Cell Reports 2023, 42(3):112200）。Markram于2025年1月成立Open Brain Institute继续工作。批评声音也明确：包括纪录片In Silico（2021）在内的观察者指出，最初承诺的”全脑仿真”远未达成；批评者认为单单一根皮层柱的仿真已是”科学可靠性存疑”。

Allen Institute的脑图谱工作 + Fugaku小鼠皮层仿真（2025）。 Allen脑图谱（mouse、human）是公认最权威的细胞类型/解剖参考。2025年Allen与日本电气通信大学Tadashi Yamazaki团队用日本旗舰超算富岳做出**整个小鼠新皮层、约1000万神经元、260亿突触、86个脑区、亚细胞分辨率（多隔室）**的生物物理仿真——是迄今规模与精度最佳的哺乳类皮层仿真。

OpenWorm（线虫）。 秀丽隐杆线虫只有302个神经元、~7000个突触，连接组1986年就已经测绘完成，但40年过去仍没有人造出能复现完整线虫行为的仿真。OpenWorm用NeuroML+c302框架建模，已能仿真前向爬行和趋化行为的子集（典型实现约136个神经元），并集成Sibernetic软体物理引擎。”302神经元至今不能完整仿真”是WBE悲观派最爱引用的证据——它说明连接组≠功能。

Janelia FlyEM / FlyWire 果蝇连接组（2024）。 2024年是连接组学的分水岭：

  • 2024年10月，FlyWire联盟在Nature同期发表9篇论文，首次公布完整成年果蝇脑连接组（约14万神经元、约5000万突触；雌性）。
  • 2024年6月，Janelia公布男性CNS（脑+腹神经索）完整连接组（MaleCNS）——包含约2.3万神经元的腹神经索和完整脑，使”眼睛到腿的完整通路”首次可追踪。
  • 2024年4月公布果蝇视叶（optic lobe）连接组：5万神经元。
    Nature Methods将”基于电子显微镜的连接组学”评为2025年度方法。

MICrONS小鼠皮层片段（2025）。 2025年4月，Nature同期发表MICrONS联盟成果（DOI 10.1038/s41586-025-08790-w）：1立方毫米小鼠视觉皮层的功能连接组——约8.4万神经元、5亿+突触、4 km神经纤维、3.4英里布线，且与同一小鼠观看视频时的钙成像功能数据共配准。这是哺乳类有史以来最详细的脑组织重建。但要意识到比例：整个小鼠脑约500立方毫米——MICrONS仅完成了0.2%。

人脑连接组：遥不可及。 Shapson-Coe et al.（哈佛Lichtman实验室 + Google Connectomics, Science 2024）公布的H01数据集——人类颞叶皮层1立方毫米——包含5.7万个细胞、1.5亿突触、230 mm血管、4 nm分辨率、共1.4 PB数据，源自一位癫痫患者的颞叶活检。然而正如MIT Technology Review在2024年的评论：”a whole brain is a million times larger”——按现在速度推算完整人脑连接组测绘需要数十年到上百年，且仅是结构，不含动态电生理。

D. 生物-硅基混合 / 类器官智能

Cortical Labs DishBrain → CL1（2025）。 澳洲Cortical Labs于2022年用培养皿中约80万个人iPSC来源神经元（接入多电极阵列）训练**”DishBrain”玩Pong游戏**，在Neuron发表，证明真实神经元在数分钟内就能学会目标导向任务，样本效率超过深度强化学习算法。2025年3月2日，他们在巴塞罗那MWC发布世界首款商业生物计算机CL1——单价35,000美元（30台机架版降至每台约20,000美元），整机功耗850–1000 W，集成约80万人神经元、片上CMOS放大器、59个输入通道、亚毫秒延迟、内置生命维持系统。2026年3月Cortical Labs宣布在澳洲和新加坡建立首批”生物数据中心”。Doom游戏已在CL1上演示运行。

类器官智能（OI）作为研究范式。 Johns Hopkins公共卫生学院的Thomas Hartung和Lena Smirnova 2023年在Frontiers in Science提出OI概念，主张用脑类器官（3D培养的神经组织球）作为新型计算和疾病模型基底。瑞士FinalSpark Neuroplatform采用云端API方式，托管16个微型脑类器官，远程接受研究者实验请求。这是一条”绕过模拟”的路径——直接租用真神经元的算力。

脑机接口与全脑仿真的关系。 Neuralink、Paradromics（Connexus，2025年6月完成首例人类记录）、Precision Neuroscience（Layer 7，2024年12月报道4096电极记录）等BCI公司主要做的是信号读写，并非全脑仿真。但它们提供两件对WBE至关重要的事：（1）大规模并行神经记录推动神经编码理论；（2）双向接口让”硅基-生物”混合在体内成为可能。Kernel Flow 2（2023）等无创设备进一步扩大了大规模行为研究的可能性。

第三部分：算力是不是核心瓶颈？——四层瓶颈逐一拆解

3.1 算力层面：被高估的、也被低估的

人脑参数： 约860亿神经元（Herculano-Houzel 2009的等渗分馏数据；最近的争议指出真实区间应是73–99亿，但86已成事实标准）、约100万亿到1千万亿（10¹⁴–10¹⁵）突触、约20 W功耗。

模拟人脑需要多少算力？两套截然不同的估计：

  • Joe Carlsmith / Open Philanthropy 2020：”In brief, I think it more likely than not that 10¹⁵ FLOP/s is enough to perform tasks as well as the human brain”——也就是1 petaFLOP/s就够”功能等价”（不要求生物保真）。机制法的可信区间是10¹³–10¹⁷ FLOP/s。
  • Sandberg & Bostrom 2008 “Whole Brain Emulation: A Roadmap”：按仿真层级给出阶梯估计——脉冲神经网络层10¹⁸ FLOPS（1 exaFLOPS），电生理层10²² FLOPS，分子层~10²⁵ FLOPS。

当下最大规模仿真的命名基准： 2013年Markus Diesmann和Abigail Morrison团队（理研/Jülich研究中心，发表于Frontiers in Neuroinformatics 2014）用日本K computer（8.162 petaFLOPS、82,944处理器）做了至今最权威的”人脑算力门槛”基准——仿真人脑1%的网络（17.3亿神经元、10.4万亿突触）的1秒活动耗时40分钟。Diesmann原话：“If petascale computers like the K computer are capable of representing 1% of the network of a human brain today, then we know that simulating the whole brain… will be possible with exa-scale computers hopefully available within the next decade.”

2025年现状：

  • Frontier超算（橡树岭，2022）：1.102 EFLOPS sustained、1.686 EFLOPS peak、约21 MW功耗。理论上够Sandberg & Bostrom的SNN级人脑仿真，但实际跑1秒人脑级仿真要花几分钟到几十分钟。
  • Fugaku（日本，2020）+ Allen Institute（2025）：1000万神经元小鼠皮层、生物物理多隔室——这是目前公开最详细的哺乳类脑仿真，但仍只是小鼠皮层的一部分。
  • Wukong/Darwin Monkey（浙大，2025）：20亿脉冲神经元（猕猴脑规模），但每个神经元都是LIF简化模型——规模够，保真度不够。

结论： 单看FLOPS，最低门槛（Carlsmith估计）已被现有超算跨越。但若按Sandberg & Bostrom的”忠实生物物理仿真”标准，需要的不仅是exaFLOPS，而且是连续24/7运行多年才能仿真现实中的”几秒钟思维”。能效差距~10⁶倍意味着即使硬扛算力，能源成本也荒谬。

3.2 数据层面：连接组（致命瓶颈之一）

完整连接组测绘进度的指数级差距：

生物 神经元数 完整连接组发布年份
秀丽隐杆线虫 (C. elegans) 302 1986
海鞘幼虫 (Ciona intestinalis) 177 2016
果蝇幼虫 ~3,000 2023 (Cardona团队)
成年果蝇（雌）脑 ~14万 2024年10月（FlyWire/Nature）
成年果蝇（雄）CNS（脑+腹神经索） ~14万+2.3万 2024 (Janelia MaleCNS)
小鼠皮层 1 mm³ ~8.4万 2025年4月 (MICrONS/Nature)
小鼠全脑 ~7000万 未完成
人脑 1 mm³ (H01) ~5.7万 2024 (Harvard Lichtman/Google, Science)
人脑全脑 ~860亿 遥不可及

按”立方毫米/年”的速度推算，用2025年的技术测绘完整人脑连接组将耗时数百到数千年——除非EM成像、AI分割（Google的flood-filling networks是当前主力）、人工校对全部出现数量级的突破。而且连接组只是结构——同一个突触在不同神经调质背景下功能截然不同。

3.3 算法/认知层面：我们不懂大脑在算什么

即使你把人脑每个突触的位置都测出来——你仍然不知道它在编码什么。这是WBE路径最深的不确定性：

  • OpenWorm的40年僵局： 302个神经元、连接组已知40年，仍没有完整的功能仿真。原因不是算力不够，而是我们对每个突触的强度、时变特性、神经调质（多巴胺、5-HT等）的真实参数缺乏数据。
  • 神经编码假说仍然百花齐放： 率编码、时序编码、群体编码、相位编码、predictive coding、attractor dynamics、free-energy principle……尚未有统一框架。
  • 学习规则远不止STDP： 实验持续发现新的可塑性形式（三因子学习、行为时间尺度可塑性BTSP、海马的rapid one-shot学习等）。
  • 胶质细胞、神经调质、神经-免疫互动几乎完全缺席当前所有”仿真”——而它们对认知有不可忽视的影响。

3.4 硬件层面：冯诺依曼瓶颈与新器件

传统GPU/CPU的根本病在存算分离：大量的能耗用于在DRAM和计算单元之间搬数据（”内存墙”）。神经形态硬件的核心论点正是绕过这个：

  • 数字存算一体： IBM NorthPole（224 MB片上SRAM，零DRAM访问）、Loihi、SpiNNaker。
  • 模拟存算一体： BrainScaleS的电容/电导直接代表神经元状态；忆阻器（memristor）crossbar用电阻值矩阵直接执行模拟矩阵乘法。Nature Communications 2025（Choi et al.）报道了晶圆级被动忆阻器交叉阵列，器件良率超95%，是模拟存算一体走向商用的关键节点。
  • 新器件竞速： RRAM、PCM（相变存储）、自旋电子、光子神经形态等齐头并进，目前没有明显胜出者。
  • 关键观察： 模拟器件有噪声、漂移、yield挑战，难以规模化和编程。NorthPole证明保留数字精度的”空间架构”+片上SRAM在2026年是更现实的工程选择。

3.5 概念层面：意识、涌现、需要多保真？

这一层是哲学问题，也是工程问题：

  • “需要1:1还是抽象就够？” Cortical Labs的Brett Kagan明确说：”对机器人，我们不需要重现人类生物学的完整框架”——他们做的是bioengineered intelligence，用神经元的优势而不是复制大脑。Carlsmith的10¹⁵ FLOP/s估计也是基于”功能等价”。
  • 意识是否能在硅基浮现？ 整合信息理论（IIT，Tononi）认为意识取决于”因果结构的因果整合度Φ”，硅基的前馈数字芯片Φ极低，即使精确仿真也无意识——这是哲学层面的”否”。全局工作空间理论（Dehaene等）则相对乐观，认为只要功能等价即可有意识。目前没有任何实验能区分这两种立场。
  • 涌现的不可还原性： 即使你完美仿真每个神经元，整体行为是否如生物体一致并无保证。Blue Brain的皮层柱仿真已经显示，少量参数误差就导致动力学发散。

第四部分：未来展望与争议

不同学派

  • 乐观派（Kurzweil式）： Ray Kurzweil预言2029年AI通过图灵测试、2045年技术奇点，并相信届时可”上传”大脑。其论据是算力指数增长（已部分应验）+ 软件可解码（弱论据）。在他How to Create a Mind（2012）中估计10 petaFLOPS就够人级智能。
  • 保守派/神经科学家： 多数功能神经科学家（如Eve Marder、Idan Segev）认为，连接组+生物物理参数+神经调质的”参数地狱”才是WBE的真问题；OpenWorm的40年僵局是教科书反例。
  • 务实派（神经形态/SNN社区）： Steve Furber、Christian Mayr、Mike Davies等——目标不是复制大脑，而是借鉴大脑造高效AI。这是当下最活跃、产业化最快的方向。
  • 生物计算派： Brett Kagan / Cortical Labs、Thomas Hartung / OI——与其费力模拟，不如直接用真神经元，绕过算力和理论瓶颈。

里程碑时间线（基于2026年现状的合理预测）

  • 2025–2028： 完整小鼠脑连接组（MICrONS路线图正在推进，预计2030年前）；SNN在边缘视觉/雷达/事件相机部署普及；CL1类生物计算机进入更多研究实验室。
  • 2028–2035： 神经形态系统达到人脑级神经元数（Wukong/Darwin Monkey已到猕猴级，下一步合理）；高保真小鼠全脑生物物理仿真（Allen + 富岳后继机）。
  • 2035–2050： 人脑1 cm³（约1%）的连接组测绘可能完成；人级”功能AGI”很可能在此期间出现（但通过LLM/RL路径，而不是WBE）。
  • 2050以后： 完整人脑WBE仍属于推测。Sandberg & Bostrom预测”2044年达10²⁵ FLOPS”在硬件上可能成立，但数据和理论瓶颈不会自动解开。

当前最有希望的方向

如果要押注5–10年内有重大突破的方向，最有希望的不是”全脑仿真”，而是：

  1. 神经形态硬件商业化： SpiNNcloud、Intel Hala Point、IBM NorthPole商业版进入数据中心AI推理。
  2. 连接组学+AI重建管线： Google flood-filling、Princeton的SegCLR等让EM分割成本继续下降，完整小鼠脑连接组将在2030年前实现。
  3. SNN+Transformer混合架构： Spikformer V2级模型在事件视觉、神经接口等场景商业部署。
  4. 生物计算云： Cortical Labs + FinalSpark的模式可能在2030年前形成新的小众产业。
  5. 多脑区数字孪生（不是全脑）： 临床上的脑区数字孪生（如EBRAINS的EPINOV癫痫手术规划）已经落地。

总结：所以，这是不是单纯算力问题？

不是。 算力（特别是Carlsmith的”功能等价”标准下）反而是四道高墙里最矮的一道。真正的瓶颈按难度排序：

  1. 概念层（最难）： 意识、涌现、需要多保真——这是哲学和实验都未解的问题。
  2. 算法/认知层： 神经编码、学习规则、神经调质——OpenWorm 40年说明问题。
  3. 数据层： 连接组测绘——人脑比小鼠片段大10⁶倍。
  4. 算力层（最易）： Carlsmith估计10¹⁵ FLOP/s已可行；exaFLOPS级仿真已经在Fugaku/Frontier上做小鼠皮层。

那么”能不能从头开始把大脑变成硅基的”？

短答：不能。

  • 如果你指”复制特定某个人的大脑到硅”（即WBE）： 在2026年看不到任何技术路径能在本世纪完成。算力勉强够，但数据（连接组）差6个数量级，理论（神经编码）差至少1代人。
  • 如果你指”造一个像大脑一样高效的硅基智能”： 这条路（神经形态+SNN+混合架构）正在进行中，未来10–20年会有持续重要进展，但它产生的不是”硅基大脑”，而是”受大脑启发的、远比当前GPU高效的AI”。
  • 如果你指”硅基与生物大脑融合”（BCI + 生物计算）： 这是目前进展最快的”硅化”形式——但融合不是替代。

简言之：算力让”硅基大脑”成为可设想的工程；但要让它成为可实现的工程，必须先回答”什么是大脑在算什么”这个仍未解决的科学问题。

Recommendations

按读者身份给出可执行建议：

研究者 / 工程师： 如果做AI工程，优先押注神经形态硬件+SNN+事件相机这条务实路径。Loihi 2 + Lava框架、SpiNNcloud云端访问、BrainScaleS-2通过EBRAINS免费使用，门槛已经很低。Spikformer V2级开源模型可作为切入。触发更积极投入的阈值： 当SNN在标准视觉任务（如COCO检测）与同尺寸ANN差距缩小到5%以内时，就值得全栈迁移。

投资人 / 战略规划者： 不要把”通用人脑仿真”当作可投资目标；当作30+年地平线的科幻问题。值得投资的子赛道： (a) 神经形态推理芯片在边缘AI、汽车感知、卫星上的部署；(b) 连接组学服务（EM成像+AI重建pipeline）；(c) 生物计算云（Cortical Labs/FinalSpark模式）。调整阈值： 若有公司宣称已实现10亿神经元以上生物保真仿真（不只是LIF），值得重新评估WBE可行性。

政策制定者 / 伦理学者： Cortical Labs CL1的商业化（35,000美元/台，已进入研究实验室）已带来类器官伦理的紧迫议题（”有感知能力的细胞”在多少神经元规模需要伦理审查？）。Johns Hopkins Hartung团队已经提出OI伦理框架，但缺乏立法。建议现在就建立OI研究伦理委员会，不要等到100万神经元级类器官商业化。

普通读者： 别相信”2029年上传大脑”式头条。真正的判断标准： 当C. elegans的302神经元被完整数字仿真到能复现其全部行为时（这件事至今未发生），WBE才进入”工程问题”阶段；在此之前都是”科学问题”。

Caveats

  • Wukong / Darwin Monkey的”20亿神经元”和DeepSouth的”228 TSOPS”都是机构自报数字，缺乏独立第三方benchmark，且”神经元”在LIF简化模型下与生物神经元功能差异巨大——规模不等于保真度。
  • Carlsmith的10¹⁵ FLOP/s估计是中位数，他自己承认机制法的不确定区间跨4个数量级（10¹³–10¹⁷）；Sandberg & Bostrom的更高估计来自2008年，工艺已过时。
  • “86亿神经元”的精确数字本身有争议：原始Azevedo & Herculano-Houzel 2009的数据严格来说置信区间是73–99亿；”100万亿突触”也是粗估，文献区间10¹⁴–10¹⁵。
  • 意识能否在硅基浮现是哲学问题，本报告未对此立场化——IIT和GWT两派的预测在当前实验下不可区分。
  • 果蝇连接组虽然完整，但功能仿真仍远未完成——拥有wiring diagram不等于拥有working model，这是WBE路径最被低估的鸿沟。
  • DeepSouth的实际上线日期未在公开报道中明确确认：ICNS组织页现在以过去时描述”我们已建成”，但2024年4月目标后没有独立的正式启动里程碑新闻；本报告中相关数字应作为厂商/机构自报值看待。
  • 本报告引用的部分中文媒体（如CGTN、新华社转载）对中国项目的描述偏积极，相对独立来源（Nature论文本身、IEEE Spectrum、EE Times）的措辞更克制；以原始论文为准。