BRAIN / BRAIN × AI20 SEP 2026

脑科学与AI㉛｜为什么大脑只要 20 瓦

人脑大约用 20 瓦，跟一个灯泡差不多。它只占体重的 2% 左右，却用掉全身大约五分之一的能量——在身体里算是"耗电大户"。可放到电脑面前，它节俭得惊人：今天一块用来跑大模型的显卡就要几百瓦，训练一个前沿大模型，要几万块这样的显卡连跑几个月，耗电以兆瓦计。

大脑省电的秘诀不在某一个零件，而在于：不用的时候不算，算的地方就是存的地方，能不精确的地方就不精确。

20瓦

人脑功耗(未核验到一手实测文献)

860亿

人脑神经元总数

70毫瓦

2014年IBM神经形态芯片TrueNorth的实测功耗

同样是"思考"，为什么差这么多？不是大脑偷懒，而是它用了一整套截然不同的省电办法。

BRAIN / 01

一、第一招：大部分时间，大部分神经元在休息

人脑有大约 860 亿个神经元，但在任何一个时刻，只有一小部分在放电。一个神经元"啪"地放一次电，叫一个尖峰；没事的时候，它基本是安静的。

这叫"稀疏"。安静的神经元几乎不耗能。

大模型正好相反：每处理一个字，几乎所有参数都要参与一次乘加运算——不管这个字简单还是复杂，整个模型都要动一遍。近几年流行的"专家混合"模型，每次只调用一部分参数，就是在往"稀疏"这个方向学（本系列第 ⑱ 篇讲过，模型里的"专家"不是你以为的专家）。但比起大脑，还差得远。

BRAIN / 02

二、第二招：算的地方，就是存的地方

第㉘篇说过：大脑里，记忆就体现在连接的强弱上，信号流过连接的那一刻，就同时完成了"读取"和"计算"。不需要把东西搬来搬去。

电脑不一样。数字存在内存里，计算在芯片里，算一次要先搬过来、算完再搬回去。搬运比计算本身贵得多：从内存里取一个数，耗的能量可能是做一次加法的几百倍。本系列第 ① 篇就指出过，大规模下，主要成本是搬数据，不是算。

这个"存算分离"的设计，从电脑诞生起就有，工程师叫它"冯·诺依曼瓶颈"。大模型越大，要搬的数越多，这个瓶颈就越疼。

BRAIN / 03

三、第三招：够用就好，不求精确

电脑里的每一次运算都追求精确：一个数就是一个数，算一亿次，结果一模一样。为了保证这一点，芯片要用足够高的电压，把每一个"0"和"1"分得清清楚楚。

大脑不追求这个。单个神经元很不可靠：同样的刺激，这次放电，下次可能不放；化学信号也有随机性。大脑靠的是"很多个不太准的零件，合起来就准了"，再加上一点点随机性，反而让它更灵活（第㉗篇讲过，老鼠"故意不规律"本身就是生存本领）。

不追求每一步精确，能省下大量能量。AI 界这几年也在学：把模型的数字从"高精度"压成"低精度"，比如我们本地的 GLM-5.3 就压到了 4 位，几乎不掉本事，内存和耗电却省了一大截。

BRAIN / 04

四、第四招：信号什么时候到，本身就是信息

电脑有一个统一的"时钟"，所有零件跟着同一个节拍，一拍一拍地走——哪怕这一拍没什么事可做，也得跟着走。

大脑没有统一的时钟。每个神经元有事才放电，信息不只在"放没放"，还在"什么时候放"。没事的地方，就安静着。这种"有事才动"的方式，本身就省电。

BRAIN / 05

五、第五招：长出来的结构，替你省掉了计算

这一招最深。

第 ③ 篇说，大脑的"设计藏在没连上的线里"：进化和发育已经替你决定了哪些线要连、哪些不用连，大量问题在"长"的阶段就被解决了，不用每次现场去算。比如婴儿天生就会盯着人脸看，不需要从零学"什么是脸"。

transformer 没有这份"天生的结构"，一切都要从数据里学。所以它要读几万亿个字，才学会小孩几年就学会的语言；它的"省电"，只能靠工程师一点点优化。

BRAIN / 06

六、学大脑的芯片

有一类芯片专门模仿大脑的做法，叫"类脑芯片"或"神经形态芯片"：用尖峰传信号、有事才动、把存储和计算放在一起。2014 年发布的一款，在执行特定任务时功耗只有几十毫瓦。

它们在某些任务上确实又快又省，但还没能跑起今天的大模型。原因之一是：今天最成功的 AI 方法，正是围绕"精确、同步、大批量乘加"设计的，和类脑芯片的长处对不上。算法和硬件需要一起变，才能真正走到大脑那条路上。

BRAIN / 07

七、这件事对我们意味着什么

—大脑的效率，是几十亿年"省出来"的。 在食物稀缺的世界里，一个耗能太多的大脑是活不下去的。省电不是附加题，是生存题。

—AI 的能力，今天主要靠"花得起"。 电便宜、显卡多，就用蛮力。这条路能走多远，很大程度上取决于电和芯片。

—两条路可能慢慢靠近。 稀疏、低精度、存算一体，这些都是 AI 正在从大脑那里学的东西。

BRAIN / 08

八、三行，留着复习

```

不用不算任何时刻只有少数神经元放电；大模型每个字几乎全体参数都要动一遍

存就是算大脑在连接上同时完成读取和计算；电脑搬一次数据比算一次贵几百倍

够用就好+天生结构不追求每步精确、有事才动；进化长好的结构替你省掉大量现场计算

```

本篇是系列第31篇，由Claude撰写（2026年10月3日），药神逐条核对数字。人脑神经元总数860亿与本系列第①篇已核实的Azevedo 2009年861±81亿一致；「20瓦」功耗延续本系列第①篇的态度——教科书级常识表述，未核到一手实测文献来源，按未核验处理，不升级为确证数字；IBM神经形态芯片TrueNorth「几十毫瓦」对应2014年Science论文披露的70毫瓦实测功耗，数量级准确。GLM-5.3本地模型4位量化为杰哥自有系统的内部技术记录。属个人学习与判断笔记。

阅读依据：人脑神经元总数见Azevedo FA et al. 'Equal numbers of neuronal and nonneuronal cells make the human brain an isometrically scaled-up primate brain.' J Comp Neurol 2009;513(5):532-541，PMID 19226510（本系列第①篇已核实）。IBM TrueNorth神经形态芯片功耗见Merolla PA et al. 'A million spiking-neuron integrated circuit with a scalable communication network and interface.' Science 2014;345(6197):668-673（实测功耗70毫瓦，公开发表数字）。冯·诺依曼瓶颈为计算机体系结构领域的标准术语。「20瓦」人脑功耗为多本科普书籍引用的教科书级数字，本系列第①篇已标注未核到一手测量文献出处，此处延续同一保留。