BRAIN / BRAIN × AI20 SEP 2026
脑科学与AI㊱｜规模本身不产生能力，分化和连接才产生
大模型越做越大，能力一段一段地"冒"出来，于是有一种流行的说法：智能就是规模，堆够了，新本事自己会长出来。大脑好像也支持这个说法——人类皮层比猴子大得多，能力也强得多。
规模给的是空间，不是能力；能力来自扩大之后的三件事——单元开始分化、单元之间重新连接、经验把有用的连接固定下来。
上千倍 01 皮层面积演化扩张,厚度几乎不变 |
12%→82% 02 20步任务,每步90%到99% |
稀疏/模块 03 连线和能耗预算逼出的组织方式 |
但把大脑扩张的过程拆开看，事情没这么简单。新增的神经元如果全都一样，得到的只是更多副本。
规模产生能力的三步：扩出空间、分化出差异、连成闭环。缺任何一步，加出来的只是副本和能耗。
BRAIN / 01
一、大脑是横着扩的，不是竖着加厚的
哺乳动物的皮层在演化里扩大了上千倍，厚度却没有跟着同比增加，始终只是几毫米的一张薄层，被折叠起来塞进颅腔。Pasko Rakic 在 1995 年提出的"径向单元假说"对此给出了一个有影响力的解释：胚胎发育早期，祖细胞如果在生成神经元之前多分裂几轮，就会多出一批并排的发育单元——结果是面积变大，而不是同一块变厚。
工程上的说法叫"横向扩展"：不造一颗越来越大的处理器，而是增加更多并列的处理单元。
BRAIN / 02
二、同样的零件，放在不同位置就长成不同的东西
视觉区、运动区、前额叶用的细胞类型和分层结构大同小异，功能却完全不同。原因不在零件，在位置：一组起初相近的回路，接收的输入不同、投射的目标不同、经历的事情不同，活动依赖的可塑性会把细小的差别一遍遍放大，最后分化成不同的功能区。
单纯复制只能提高吞吐量。复制之后发生分化，才能扩大系统能处理的问题种类。
2013 年 Rigotti 等人在 *Nature* 上分析猕猴前额叶的数据，看到了分化在单细胞层面的样子：很多神经元同时被物体、顺序、任务类型等多个变量影响，单独看很"乱"，叫不出名字；但放在群体里，这种混合让活动进入更高维的空间，下游能读出更多种组合。更关键的是，猴子答错的时候，这种维度会下降。本系列第 ㉒ 篇讲过群体活动，这里是同一件事的另一面：有用的不是神经元多，是神经元之间有差异。
BRAIN / 03
三、一笔账：为什么能力看起来是"突然"出现的
假设一件事要连续做 20 步，错一步就全失败。每步成功率 90% 时，整件事成功率是 0.9 的 20 次方，约 12%；每步提到 99%，整件事成功率约 82%。
局部只改善了 9 个百分点，外面看到的却是从"几乎不会"变成"多数时候会"。系统没有长出新的基本操作，只是旧操作稳到能串起来了。
这和本系列第 ㉕ 篇提过的那项研究对得上：大模型一些"突然出现"的能力，换成连续打分后变得平滑——陡峭的曲线，部分是"全对才给分"这种打分方式造出来的。规模提高的往往是可靠性，可靠性在多步任务里被乘起来，才显得像突变。
BRAIN / 04
四、最慢的那一环决定整体
大脑不是只扩皮层。Herculano-Houzel 对多个物种的神经元计数发现，皮层和小脑的神经元数量是协同增长的。道理很朴素：皮层能产生更多候选动作，就需要别的系统去选择；能产生更多表征，就需要别的系统去保存和传递。某一部分不断加资源、另一个必要环节不动，整体迟早进入平台。
代价也跟着规模涨。Zhang 和 Sejnowski 2000 年在 *PNAS* 上发现，脑越大，负责长距离连线的白质比负责计算的灰质增长得更快——远距离通信越来越贵。Herculano-Houzel 2011 年的分析显示，每个神经元的平均耗能大致固定，整脑耗能和神经元数量近似成正比。于是大脑不可能任意连线、所有神经元一起亮。模块化、分层、稀疏连接，很可能不是事先的设计，而是大规模系统为了不被自己的连线成本压垮，被逼出来的组织方式。
这正是本系列第 ㉛、㉜ 篇讲省电时的那条线：大脑的效率是被预算逼出来的。
BRAIN / 05
五、晚成熟，反而是优点
2010 年 Hill 等人在 *PNAS* 上比较了婴儿和成人的皮层：出生后扩张最多的区域（外侧颞叶、顶叶、额叶的一部分），恰好也是人类相对猴子扩张最多的区域。这些区域出生时最不成熟，因此受童年经验塑造最深。
Buckner 和 Krienen 2013 年进一步提出"脱锚"假说：感觉和运动区被外周输入牢牢定了用途；扩张出来的联合区夹在中间，较少被早期信号锁死，于是能被语言、规则、文化填进去。两位作者自己也说，这是解释框架，不是定论。
如果它成立，新增组织的价值，部分恰恰来自它还没被指定用途。
BRAIN / 06
六、对照大模型
本系列第 ㉞ 篇讲过大模型这一侧：规模定律不是一条曲线，猜字那条永远涨但越来越贵，真正卡住 transformer 的是它只会一种学法。把大脑放在旁边看，正好补上另一半。
大模型和皮层有一处抽象的相似：相同的模块反复堆叠，训练让各层分化。差别也在这里：
—大模型的分化全部来自一次训练，训练完就冻住；皮层的分化一辈子都在发生。—大模型的规模定律已经告诉我们，参数和数据要一起涨——2022 年 Chinchilla 的研究显示，700 亿参数、喂足数据的模型，胜过 2800 亿参数、数据不够的模型。没有对应的经验，规模不会自动变成能力，脑和模型在这一点上一样。—大脑一直在为通信和能耗付账，所以长出了稀疏和模块；大模型今天主要靠"花得起"，这个约束还没有真正逼出新架构。
BRAIN / 07
七、边界
径向单元假说、脱锚假说都属于有影响力的解释框架，不是被直接证实的定律；"规模如何产生新能力"在神经科学里仍是开放问题。把大脑和大模型并置，是我的类比。
BRAIN / 08
八、三行，留着复习
```
规模给空间不给能力 复制只加吞吐；分化出差异、连成闭环、经验固定有用的连接，才出新本事
"突然会了"是乘出来的 每步90%→99%，20步整件从12%到82%；看起来像突变，其实是可靠性被乘起来
最慢一环定上限 皮层再大，选择、保存、传递跟不上就平台；连线和能耗的预算逼出了稀疏与模块
```