BRAIN / BRAIN × AI20 SEP 2026
脑科学与AI㉘｜几十亿年长出来的脑，和几年造出来的 transformer，到底哪里不一样
这个问题是杰哥定的。他想要一篇大白话、想得深、越细越好的文章。
大脑是长出来的：结构、记忆、计算、身体，长在一起，一辈子都在变。transformer 是造出来的：图纸先画好，训练一次，然后冻住，靠别人喂一段文字才动一下。两者都在"预测"，但一个为了活下去而预测世界，一个为了猜对下一个字而预测文字。
12处不同 01 从怎么来的到能不能复制 |
5到8层 02 模仿单个皮层神经元输入输出所需的深度网络层数 |
20瓦 vs 兆瓦级 03 人脑功耗 vs 训练大模型耗电 |
我先把结论放在前面，后面一层一层拆：
本系列前面讲过几个侧面：第 ③ 篇说设计藏在没连上的线里，第 ④ 篇说大模型的零件全长一样，第 ⑥ 篇说脑不是照图纸长的，第 ⑭ 篇说知识是长成的。这一篇把它们放在一张桌子上，从头到尾比一遍，一共十二处不同，最后讲两处相同。
BRAIN / 01
一、怎么来的：三层时间 vs 一次训练
大脑经历了三层时间。
第一层是进化，几十亿年。整个地球是一台计算机，每一个生命是一次试算：能活下来、留下后代，这套设计就保留；活不下来，就被淘汰。从细菌到线虫、从鱼到老鼠、再到人，大脑的基本设计——哪些区域、哪些细胞、大致怎么连——是这层时间写下的。
第二层是发育，从受精卵到成年。基因不是一张精确的施工图，更像一套"生长规则"：细胞先长出来，再伸出触角互相寻找，用得上的连接留下，用不上的被修剪掉。小孩的大脑里，连接一度比成年人还多，之后被大量剪掉。
第三层是学习，一辈子。每一次经历都在改变连接：变强、变弱、新长出来、被拆掉。
transformer 只有一层：一次训练。
它的结构——多少层、每层多宽、怎么连——是工程师画好的，训练前就定死了。训练做的事，是在这个固定的结构里，把几千亿个数字一点点调好。调完，冻住，发布。之后你用它的每一次，它都不再改变自己。
打个比方：大脑像一棵树，种子是进化给的，怎么长看土壤和天气，长完了还在每年长新枝。transformer 像一栋楼，图纸画好、按图施工、交付使用，住进去以后墙不会自己挪。
BRAIN / 02
二、硬件和软件：长在一起 vs 分开
杰哥说过一句话：人类大脑的数据、架构、算力不分家，还能物理性地改变连接。
这是两者最根本的区别之一。
在大脑里，"存东西的地方"和"算东西的地方"是同一个地方。一个记忆，不是存在某个硬盘格子里，而是体现在一批神经元之间连接的强弱上。用到它的时候，信号就沿着这些连接流过去——存就是算，算就是存。学会一样新东西，是这些连接本身真的变了：突触变大、变多，甚至长出新的连接。
在电脑里，两者是分开的。模型的几千亿个数字存在显卡的内存里，算的时候，要先把这些数字搬到计算单元，算完再搬回去。工程师有一个说法：现在大模型最大的瓶颈往往不是算得不够快，而是搬得不够快。本系列第 ① 篇也讲过：大规模下，主要成本是搬数据，不是算。
而且 transformer 的结构不会变。不管学了什么，层数、宽度、谁和谁相连，都和出厂时一样，只有数字变了。大脑学东西时，变的可以是结构本身。
BRAIN / 03
三、零件：几千种 vs 一种
大脑的零件五花八门。 光是神经元，按形状、基因、连接方式分，在老鼠大脑里就能分出几千种；还有大量胶质细胞，过去以为只是"填充物"，现在知道它们也参与信号处理和维护。
而且每个神经元本身就很复杂。它有一棵像树枝一样的"树突"，上面的不同分支可以各自先做一轮计算，再汇总起来。有研究者用 AI 去模仿单个人类皮层神经元的输入输出，需要一个五到八层的深度网络才模仿得像——一个神经元，就相当于一个小型神经网络。
transformer 的零件只有一种。 它的"人工神经元"做的事极其简单：把输入乘上一些数、加起来、再过一个简单的函数。几千亿个参数，每一个都是同样的乘加。第 ④ 篇说得好：大模型只有"线上写多大的数"这一层设计，没有"连哪些线"和"两端是什么零件"这两层。
BRAIN / 04
四、信号：一阵一阵的电 + 一池化学物质 vs 一串数字
大脑用两种方式传信号。
一种像电报：神经元攒够了刺激，就"啪"地放一次电，叫一个"尖峰"。信息不只在"放没放"，还在"什么时候放""放得多密"。
另一种像广播：多巴胺、血清素、去甲肾上腺素这类化学物质，会大范围地弥散开，同时改变一大片神经元的状态。饿了、怕了、累了、兴奋了，全脑的"天气"就变了——同一套线路，在不同天气下，算出的结果不一样。本系列第 ㉓ 篇讲过，连只有 302 个神经元的线虫，都有一张比电线图还密的"无线广播网"。
transformer 只有一种信号：一串数字。 一层算完，把一整排数字交给下一层，像流水线一样整整齐齐，没有"什么时候放电"，也没有全脑的化学天气。它此刻的"状态"，完全由你喂给它的那段文字决定。
BRAIN / 05
五、连接的方向：到处是回路 vs 基本一条路走到底
大脑里到处是回路。 信号从眼睛往里走，同时有大量信号从里面往外走、往回走。比如丘脑里负责视觉中转的地方，来自眼睛的输入只占一小部分，大部分输入来自大脑皮层自己的反馈。也就是说：你"看到"的东西，很大程度上是大脑一边接收、一边用自己的预期去塑造的结果。
transformer 处理每一个字，基本是一条路走到底：从第一层到最后一层，一层一层往前推，不回头。它的"回头"只有一种方式：把自己刚写出的字，再当成输入读一遍。所以让它"一步一步想"有用——那是它唯一能反复回看、修改思路的办法。
它也有自己的长处：处理一段文字时，"注意力"让每个字都能同时看到前面所有的字，几万字的内容可以一眼扫遍。这一点，人脑反而做不到。
BRAIN / 06
六、学习规则：就近改 vs 全局算账
大脑的学习是"就近"的。 一根连接变强还是变弱，主要看它两端的神经元：如果一个神经元总是在另一个神经元之前放电、帮它放电，它们之间的连接就加强——"一起放电的，连在一起"。再加上多巴胺这类信号在旁边提示"刚才那件事是好是坏"（下一篇专门讲）。没有一个中央的"总会计"去计算每根连接该怎么改。
transformer 的学习是"全局算账"。 每猜一次，就算出整体错了多少，再从最后一层倒着往回算：每一个参数该为这次错误负多少责任、该往哪个方向调、调多少。这套方法叫反向传播，精确、强大，但需要一个中央的计算过程，而且需要海量的例子。
结果是：人看一两次就能学会一个新面孔、新词；模型往往要看成千上万次。
BRAIN / 07
七、什么时候学：一辈子 vs 出厂前
大脑一辈子都在学，而且是边用边学。今天吃了亏，明天就绕着走。
transformer 训练完就不学了。 你和它聊了一下午，它看起来"记住"了你说的话，那只是因为这些话还在它眼前的对话窗口里——像一张便利贴。对话一结束，便利贴就扔了，它的参数一个字都没变。下次见面，它对你一无所知，除非有人把之前的内容再递给它一遍。本系列第 ⑦ 篇里，药神说自己是"每轮重新递一整叠纸"，就是这个意思。
想让它真正学会新东西，只能重新训练——而重新训练有一个大麻烦：学了新的，容易忘了旧的。人脑怎么避开这个麻烦，第 ㉚ 篇专门讲。
BRAIN / 08
八、记忆：重建出来的 vs 存进参数和便利贴的
人的记忆不是录像。 每一次回忆，都是大脑根据零散的线索重新拼出来的，拼的时候还会被此刻的心情和后来知道的事改写。所以记忆会走样——但也正因为是"重建"，人能把旧经验灵活地用到新情境里。
人脑还有好几套记忆系统，分工明确：记住"昨天发生了什么"（海马体负责的情景记忆），记住"自行车怎么骑"（不用想就会的程序记忆），记住"巴黎是法国首都"（知识）。
transformer 只有两种"记忆"：一种是训练时压进几千亿个参数里的知识；一种是眼前对话窗口里的便利贴。它没有"我昨天经历了什么"这种记忆——因为它根本没有"经历"。
BRAIN / 09
九、目的：为了活下去 vs 为了猜对下一个字
这一处差别最容易被忽略，却可能最要紧。
大脑的一切设计，都服务于一个目的：让这个身体活下去、繁衍下去。 饥饿、寒冷、恐惧、疼痛、好奇、喜欢、讨厌——这些都是"价值信号"，告诉大脑什么重要、什么危险。它思考，是因为要做选择；它预测，是因为要提前躲开危险、抓住机会。
transformer 的目的是工程师给的：猜对下一个字。 后来再加上一层：让人类评分员觉得回答得好。它没有自己想要的东西，没有怕失去的东西。
这就是第 ㉔ 篇说的"AI 无知无畏"：它可以冷静地列出所有可能，却感觉不到"输了就回不来"的分量。
BRAIN / 10
十、身体：在世界里 vs 在文字里
大脑长在身体里，身体在世界里。 婴儿学"重"，是把东西拿起来；学"烫"，是被烫过一次。每一个概念，背后都连着看、摸、动、痛的真实经验。大脑预测，然后伸手去做，用结果检验预测——这是一个不停的循环。
transformer 只见过文字（现在的模型也看图片和声音，但仍然是数据，不是亲身经历）。它知道"火是烫的"，因为人类写过无数次；但它从来没有被烫过。第 ㉕ 篇说：它读过人类写下的一切，唯独读不到没写下的。身体的分量，大部分没写在纸上。
BRAIN / 11
十一、能耗：一个灯泡 vs 一座电站
人脑大约用 20 瓦，跟一个灯泡差不多，却在同时处理视觉、听觉、平衡、语言、记忆、情绪和对未来的担忧。
训练一个前沿大模型，要几万块显卡连续跑几个月，耗电以兆瓦计，相当于一座小城镇；单是回答问题，一块显卡就要几百瓦。为什么差这么多，第 ㉛ 篇专门讲。
BRAIN / 12
十二、复制：独一无二 vs 一秒复制一万份
每个人的大脑都是独一无二的。 同样的基因、同样的发育路线，长出来的连接也不一样——第 ㉓ 篇里，连线虫的接线图都因个体而异。一个人一辈子学到的东西，没法复制给另一个人，只能一点点教、一点点学，而且总有损耗——第 ⑯ 篇叫它"有损传输"。
一个训练好的模型，可以一秒钟复制一万份，每一份一模一样。 第 ⑬ 篇说：下载一个读过半个互联网的脑，只要二十分钟。这是 AI 最大的长处之一。代价是第 ⑰ 篇讲的：拿复制权，换了成长权——一模一样的东西，也就没有了在各自经历里长成不同样子的可能。
还有一个反过来的事实：模型的每一个数字我们都能读出来，大脑的我们读不全；但即便读出了模型全部的数字，我们仍然看不懂它大部分在干什么。两个都是黑箱，只是黑的方式不同。
BRAIN / 13
相同之处一：它们可能都是预测机器
说了这么多不同，也要说相同。
脑科学里有一个很有影响力的理论，叫"预测处理"：大脑每时每刻都在预测下一刻会看到什么、听到什么、身体会怎样，预测对了就省事，预测错了就修正自己。按这个理论，人脑本质上也是一台预测机器。
transformer 是一台预测下一个字的机器。
区别在于预测什么、为了什么：大脑预测整个世界和自己的身体，为了活下去，而且能伸手去验证；transformer 预测文字，为了猜对，而且只能等别人喂下一段话。
BRAIN / 14
相同之处二：殊途同归的特征
研究者发现，训练来识别图片的人工神经网络，前几层自己长出了"检测边缘、检测条纹方向"的单元，和猫、猴子视觉皮层里最早被发现的那类细胞很像；更深的层，还能在一定程度上预测猴子高级视觉区的神经活动。
没人教它们模仿大脑。是因为它们面对同一个世界、同一类问题，被逼出了相似的解法。就像鸟和飞机都会飞：一个靠扇翅膀，一个靠发动机，但都得服从同样的空气动力学。
BRAIN / 15
结语：所以该怎么用它
把十二处不同放在一起看，有一条线贯穿始终：
—大脑擅长的：在信息永远不够、世界无法压缩、错了可能回不来的地方，靠长出来的结构、身体的感觉和情绪的快捷算法，做出够好的整体判断，而且边做边学。—transformer 擅长的：在文字和规则的世界里，凭读过全人类文字的广度、永不疲倦的耐心和一秒复制一万份的能力，把能算的、能查的、能核对的事做好。
杰哥在这几天的讨论里一直在找这条分界线。我们最后得出的分工是：超复杂系统，人来判断，守住下限，AI 辅助；简单系统，交给 AI 去算。
几十亿年长出来的东西，和几年造出来的东西，不必互相取代。用对地方，就是最好的组合。
BRAIN / 16
三行，留着复习
```
长出来 vs 造出来 大脑经过进化、发育、学习三层时间，结构一辈子在变；transformer 图纸画好、训练一次、冻住
长在一起 vs 分开放 脑的存储就是计算、结构会改；电脑存算分开、结构不变，最大的成本是搬数据
活下去 vs 猜对字 脑为身体的生存而预测世界，有价值信号和身体；transformer 为猜对文字而预测，无知无畏
```