BRAIN / BRAIN × AI20 SEP 2026
脑科学与AI㉗｜能算的、能猜倾向的，和一预测就变的
大模型越来越强，很多人自然会问：它能预测什么？和杰哥聊到最后，我们把能预测的东西分成了四层。
难预测的不是复杂的东西，是活的东西；最难的，是会对预测本身做出反应的东西。
4层 01 可预测性的分层 |
14万/5000万 02 果蝇全脑神经元数/连接数 |
5个原因 03 老鼠下一步预测不了的理由 |
BRAIN / 01
一、第一层：答案能核对的事
算账、写代码、查资料、三位数加法。这类事对错一查便知，所以近两年模型进步最快的就是这里：让模型在做题、写代码里反复试错，按结果打分。
杰哥的比喻：让一个读过世界知识的大模型去做小学题，准确率会高很多，让人放心。小学生能做的事交给它，是最稳的用法。
BRAIN / 02
二、第二层：遵守物理规律的事
一栋楼的结构会怎么变形，一座桥能承受多大的风。规律稳定，变量可测，工程软件早就在算。AI 能帮着算得更快。这是简单系统，交给计算。
BRAIN / 03
三、第三层：一只老鼠在楼里怎么跑
具体路线预测不了，原因有五个：
—看不到它的内部状态：饿不饿、怕不怕、刚被什么吓过；—小细节会被放大：一丝气味、一点声响让它拐个弯，后面整条路线全变；—它天生故意不规律：被追时越难猜越能活，"让人猜不到"本身就是生存本领；—它的脑本身是复杂系统：要算准下一步，等于在电脑里复制一个老鼠脑加整栋楼的环境，算的速度还不如直接看它跑；
能预测的是倾向：贴墙走、躲光、往有食物的地方去。
果蝇已经走得更远。2024 年，果蝇全脑约 14 万个神经元、5000 万个连接的接线图完成；研究者用这张图搭出的模型，能预测"尝到甜味时哪些神经元被激活、会不会伸嘴去吃"，实验验证准确率很高。还有"虚拟果蝇"能在电脑里走路、飞行。但它仍预测不了真实环境里下一秒飞去哪——连接的强弱、体内的化学状态、过去的经历，图上都没有（本系列第 21 篇讲过：路网画全了，还是不知道车往哪开）。
BRAIN / 04
四、第四层：很多人在楼里会怎样
最难。因为人会对预测本身做出反应。你预测"明天大家都往东门走"，大家听说了，就改走西门。股市就是这样：预测会改变被预测的东西。老鼠不会看了预测改路线，人会。
BRAIN / 05
五、一个延伸：虚拟果蝇能装进汽车吗
杰哥问：能不能拿虚拟果蝇当自动驾驶的一部分，专门躲碰撞？
原理上对路。昆虫脑里有专门的"逼近探测"神经元，东西朝它冲过来、在视野里迅速变大，就立刻报警。研究者早就仿照蝗虫的这类神经元做过机器人和汽车的防撞器。它算力极小、反应极快。
但更适合当第二层保险，而不是主力：撞车是物理问题，雷达加摄像头直接算"还有几秒撞上"更准；车上的刹车系统必须能证明在什么条件下一定会刹，一个连科学家都没完全搞懂的黑箱很难过认证；尺度也不同，果蝇面对的是厘米和每秒几米，汽车是几十米和每秒几十米。
借原理，做一层又快又省的反射；开车的判断，交给为开车专门练出来的系统。
BRAIN / 06
六、再延伸：从一条到一百亿条
另一个设想：观察一条线虫的一生，用 AI 模拟；再观察一百万条，生成一百亿条——训练出一个会自己长出神经系统、每一只都不一样的"模拟线虫"。
这正是生成式 AI 的路子，而且线虫是最好的起点：它的发育路线早已全知，个体之间的连接本来就各不相同，AI 要学的正是这种"同中有异"。最大的坎是数据：一百万条的行为录像做得到，一百万张接线图今天做不到——画一张要把虫切成薄片，虫就死了。检验也只能是统计上的：一百亿条虚拟线虫放在一起，像不像真的；放进新环境，预测的倾向，真线虫会不会照着做。
如果做成了，本质上是用 AI 把进化写的程序学出来——向人工生命迈出一大步。
BRAIN / 07
七、三行，留着复习
```
四层可预测性 能核对的交给 AI 做；物理的交给 AI 算；活的只能猜倾向；人多的连倾向都会被预测改掉
接线图到行为隔着状态 果蝇全脑图已画完，能预测"哪类刺激引出哪类反应"，预测不了下一秒飞去哪
借生物的原理不搬大脑 虫类的逼近探测适合当防撞的第二层反射；生成"一百亿条线虫"卡在数据，不卡在想法
```