BRAIN / BRAIN × AI20 SEP 2026
脑科学与AI69｜人脑和大模型，差在哪：一张由"约束"画出来的对照表
这个系列写到第 68 篇，小明哥把前面读过的东西压成了两张清单。
人脑和大模型的差别，几乎都能从两句话推出来：大脑是在能量稀缺、个体会死、必须当场活下去的约束下，被几亿年的筛选留下来的；大模型是在电力可以买、文件可以复制、不必自己活下去的条件下，被几年的工程设计出来的。约束不同，结构就不同。所以真正该问的不是"谁更聪明"，而是"各自被什么逼着长成了这样"。
20瓦 01 大脑的能量上限 |
4组差别 02 集中、存算、进化、死亡 |
3处趋同 03 奖励学习、相似度检索、稀疏 |
大模型那一张：没有经过自然选择的结构，靠 Transformer 加上各种微调；大规模能源；大规模显卡。所以：计算集中在一起；不能自我进化，进化不划算；记忆、存储、计算是分开的；没有死亡，可以无限复制。
人脑那一张：受能源限制；受自然选择限制。所以：去中心化、模块化；存、记、算一体；不能复制，只能写书把知识传给别人，人一死就消失；可以持续学习。
这两张清单最好的地方，不在列出了哪些不同，而在它的写法：先写约束，再写"所以"。这正是看懂人脑和大模型最对的一把钥匙。这一篇沿着这把钥匙往下挖：每一条差别从哪个约束里来，哪几条要再精确一点，清单里还缺哪几条，以及这些差别对一个人怎样用 AI、怎样学习意味着什么。
一个孩子和一个机器人面对面。一个靠二十瓦、会长大、会老去的脑子，一个靠机房、可复制、不会死的模型。图片来源：Vika Glitter / Pexels
人脑和大模型的对照：大脑的约束是能量稀缺、会死、要当场活下去，于是长成存算一体、分布式、持续学习、不可复制；大模型的约束是电力可买、可复制、不必活，于是长成集中计算、存算分开、训练后冻住、无限复制。
BRAIN / 01
一、先看约束：两套完全不同的"预算"
大脑的预算
—能量：整个大脑大约 20 瓦，相当于一个昏暗的灯泡。它只占体重的 2%，却吃掉全身约 20% 的能量（第 31、63 篇）。这是硬上限：再多就养不起。—时间：动物必须在几百毫秒内做出反应，否则就被吃掉。没有"等我算完再说"。—材料和体积：头骨只有这么大，产道只有这么宽；每一根连线都要占地方、要耗能。—筛选方式：不是有人画图纸，而是几亿年里，活下来、生得出后代的留下，其余的消失（第 12、66 篇）。进化从不定义问题，只留下"够用的解"。—个体会死：一个大脑学到的东西，不能直接拷给下一个大脑。
大模型的预算
—能量：可以买。训练一个大模型用的电以百万度计（训练 GPT-3 的耗电，研究者估计约 1300 兆瓦时，第 63 篇）。电费贵，但没有一个"超过就死"的硬墙。—时间：训练可以花几个月；回答一个问题慢几秒，没人会死。—筛选方式：有，但筛选的对象和速度完全不同（下面第四节细说）。—个体不会死：权重是一个文件，可以无损复制一万份（第 13 篇）。
小明哥清单里的"大规模能源、大规模显卡"，和"能源限制、自然选择限制"，正好是这两套预算的核心。下面一条一条看，这些约束怎样推出结构。
BRAIN / 02
二、第一组差别：集中，还是分布
小明哥的判断：大模型计算中心化；人脑去中心化、模块化。
为什么会这样：
—大脑没法集中。信号在神经里跑得很慢（每秒一米到一百多米），如果所有决定都送到一个"中央处理器"再发回来，延迟就太大了。所以最要紧、最快的事，就在当地处理：缩手是脊髓的反射，走路的节律在脊髓里，呼吸和心跳在脑干（第 2、64、65 篇）。大脑只给"开始、加快、转弯、停"这样的粗指令。—大模型没有这个压力。电信号在芯片里几乎是瞬时的，把所有参数放在同一个机房、让一次计算经过所有层，是最省工程力气的做法。
要精确一点的地方：
—大脑不是"完全去中心"。它是分层的：底层分散自治，上层有汇集和整合的地方。丘脑像一个总闸，决定哪些信息进入意识（第 37、42 篇）；基底节在多个动作里只放行一个（第 51 篇）；脑干把分散的身体整合成"一个个体"（第 65 篇）。更准确的说法是：分布式处理 + 分层整合。—大模型也在往"不用全部算"走。今天的"专家混合"模型，每次只激活一小部分参数，抄到了大脑"省电"的那一半（第 18 篇）。但它没抄到另一半：大脑里某一块区域专管某一类事、坏了就丢某种能力；模型里的"专家"并不是这样的分科（第 18 篇）。
一句话：大脑分散，是因为慢和穷逼的；大模型集中，是因为快和富允许的。
BRAIN / 03
三、第二组差别：存、记、算，一体还是分开
小明哥的判断：大模型的记忆、存储、计算是分开的；人脑存、记、算一体。
这一条是两者最深的硬件差别，系列里讲过好几次（第 12、28、31、35 篇）。
—大脑里，存和算是同一件东西。一段记忆存在哪里？存在突触的强弱里。计算在哪里发生？也在同一批突触上。信号经过一个突触，就同时完成了"读出"和"计算"。没有搬运。—大模型里，存和算分在两处。参数存在显存里，计算在芯片的运算单元里，每生成一个字，都要把几百亿个参数从存储搬到运算单元一遍。第 12、35 篇算过：生成速度的上限主要由"搬运带宽"决定，而不是算力；模型做大十倍，每个字就要多搬十倍。—"记"这一层，大模型又多分了一次。模型的长期知识在权重里，训练完就冻住；当前这次对话的内容在"上下文"里，像一叠便利贴，对话一结束就扔掉（第 7、40 篇）。大脑没有这样一刀切开：今天的经历，会在接下来的几秒、几小时、几个夜晚里，一点点改写那批突触（第 30、33 篇）。
为什么会这样：
—大脑的预算只有 20 瓦，搬运太贵，只能"东西存在哪就在哪算"。—大模型用的是八十年前定下的计算机基本架构，存储和运算本来就是分开的两个部件；电够用，就一直沿用。第 50 篇讲过"硬件彩票"：Transformer 能赢，很大一部分原因是它配得上显卡，而不只是因为它最聪明。
这里有一个反直觉的结论：大模型不是"不想"存算一体，而是今天的芯片不允许。类脑芯片在试着走这条路，但配得上它的学习方法还不成熟（第 32 篇）。
BRAIN / 04
四、第三组差别：谁在进化，在哪一层进化
小明哥的判断：大模型没有自然选择出来的结构；不能自我进化，自我进化不划算。
这一条方向是对的，但值得说得更精确，因为它藏着两者最有意思的一个对称。
大模型也有"选择"，只是选的东西不同
大模型的结构虽然不是自然选择出来的，但也经过了一种选择：研究者的选择 + 市场的选择 + 硬件的选择。这些年试过的架构成千上万，Transformer 胜出，是因为它在当时的显卡上最好训、扩大以后效果一直在涨（第 50 篇）。
区别在于：
—选的对象不同：自然选择选的是活下来的个体，大模型的选择选的是人脑子里的设计方案。—选的标准不同：自然选择的标准是"在真实世界里活下去、生出后代"；大模型的标准是"在测试题上得分高、在显卡上跑得动、有人愿意付钱"。—速度不同：一代动物要几年到几十年，一代模型只要几个月。
所以更准确的说法是：大模型没有经过"为了活下去"的筛选，它经过的是"为了得高分、跑得动、卖得出"的筛选。它擅长什么、缺什么，都要从这个标准里找原因。
一个漂亮的对称：一个在一生里学，一个在代际间学
把"学习"拆成两层：一辈子之内的学习，和一代传一代的进化。
—人脑：一生之内学得很好，代际之间传得很差。一个人每天都在学，睡一觉就把新东西整合进去（第 30、33 篇），这是持续学习。但他学到的东西，死后不能拷给孩子，只能写成书、讲给别人听，让别人在自己的脑子里重新长一遍（第 16、48 篇）。—大模型：一生之内几乎不学，代际之间传得很好。一个模型训练完就冻住，用户跟它聊一万次，它的权重一个字不变。但是下一代模型可以直接用上一代生成的数据、上一代的经验，几个月就迭代一次；更进一步，AI 开始参与设计下一代 AI（第 43、45 篇）。
所以"大模型不能自我进化"要分开说：单个模型不在使用中进化；但模型这个"物种"进化得比任何生物都快。
为什么单个模型"自我进化不划算"
这一条小明哥说得很准，原因有三个（第 17、19、35 篇）：
—一边用一边改，会"学新忘旧"。往一个训练好的模型里补新知识，常常会把旧的东西冲掉，叫"灾难性遗忘"。大脑用"海马快记、皮层慢学"两套系统解决了这个问题（第 30 篇），模型到今天还没有根治。—一个模型同时服务千万人。如果它跟每个人聊天都改自己，就会变成千万个不同的模型，没法管理，也没法保证安全。—重新训练一代，比让一个模型慢慢改，更便宜、更可控。
这正好又是约束推出结构：大脑没法复制，所以只能让每一个自己终身学习；大模型可以复制，所以不如冻住，靠一代代重新训练来进步。
BRAIN / 05
五、第四组差别：会不会死，能不能复制
小明哥的判断：大模型没有死亡，可以无限复制；人脑不可复制，只能写书传知识，死亡即消失。
这一条在系列里分量最重，因为它连着价值、意识和每个人的身价。
复制，让能力变便宜
一个大模型的权重是一个文件，下载下来就是一个"读过半个互联网"的脑子，拷一万份成本几乎为零（第 13 篇）。能被压进权重的能力，价格会向复制成本靠拢。这是今天很多工作被 AI 冲击的根本原因。
大脑的"权重"不是文件，是接线本身；接线是一辈子长出来的，原理上就不能下载。所以一个人的价值，越来越集中在不可复制的部分：在场的判断、为后果负责的资格、自己长成的那套结构（第 13、17 篇）。
写书，是一种有损的传递
人不能拷贝脑子，只能把知识"导出"成文字，让读者在自己的脑子里重建（第 16 篇）。这个过程一定会走样：
—坏处是：传着传着就失真，错的东西如果"好传"，也会一代代流传下去（第 48 篇）。—好处是：每个读者都在自己的经验上重新长一版，走样也是变异，文明靠它改进，而不只是复印。
大模型正好相反：复制是无损的，所以它不会因为复制而变好，进步只能来自重新训练。
死亡，让学习有代价
这是小明哥清单里最深的一条，系列第 46、67 篇专门讲过：
—大脑学习是要付代价的。被烫一下会痛，吃错东西会病，判断错了会死。所以大脑学到的东西，天然带着"对我好还是坏、急不急"的价值（第 46 篇）。—大模型学的是别人付过代价以后写下的文字。它自己不痛、不饿、不会死，关机也不等于死（第 25、67 篇）。所以它能说出"这很危险"，但它的"危险"是从文字里学的，不是从身上学的。—达马西奥认为，意识的底层正是"一个会死的身体在维持自己"（第 67 篇）。照这个说法，不会死，可能就是大模型聪明却未必有意识的原因之一。这是一个有道理的推论，还没有被证明。
BRAIN / 06
六、清单里还可以加的四条
沿着"约束推出结构"的思路，小明哥的两张清单还可以再补几行。
学的是什么：世界本身，还是世界的文字
—大脑学的是直接和世界打交道的后果：伸手、摔倒、尝一口、被拒绝。神经系统本来就是为了"动"才长出来的（第 61 篇）；大脑先学会给空间画地图，后来才把这套本事借去思考（第 53、60 篇）。—大模型学的是人类思考以后留下的文字（第 25 篇）。这让它长得极快——一下子吃进几千年的积累；也让它学不到没写下来的东西：手感、分寸、身体知道但说不出的那部分。
学得多快：少量经验，还是海量数据
—一个孩子听到的词，一辈子也就几千万到一亿多个；大模型读的文字比这多出几万到十几万倍（第 35 篇）。—为什么差这么多？大脑有几亿年进化预装的"底子"，又有身体帮它做实验；大模型几乎从零开始，只能用多读来补学得慢。第 34、35 篇说，"规模定律"本质上就是这条补法，数据快读完时，这条路就会碰墙。
怎样学：本地规则，还是全局纠错
—大模型训练用"反向传播"：先算出最后错了多少，再把误差精确地分给每一个参数（第 63 篇）。—大脑大概做不到这么精确：一个突触只能根据身边的信息改，再加上多巴胺这样"广播给所有人"的好坏信号（第 55、62、63 篇）。这是 20 瓦和慢速导线逼出来的。—结果是：大模型一次训练学得更精确，大脑一辈子都在学，而且学得很省。
目标从哪来：自己长出来，还是外面装进去
—大脑的目标从"活下去"里长出来：饿了找吃的，痛了躲开，被群体排斥会难受。价值是身体的一部分（第 24、46 篇）。—大模型的目标是外面给的：训练时"猜对下一个字"，后来再用人的打分去调它"说得好"。它的价值，只能是装进去的（第 40 篇）。这正是今天"让 AI 和人的价值一致"这件事这么难的原因。
BRAIN / 07
七、不一样的路，为什么会走到相似的地方
讲了这么多不同，也要说相同。最有意思的是：两条完全不同的路，好几次独立走到了同一个解法上。
—奖励学习：大脑的多巴胺报告"比预想好多少"，AI 的强化学习用的"时间差分"算法几乎一模一样；而这两者是独立发现的，后来才被对上（第 29、55 篇）。—按内容找记忆：海马给一角就补全整段；大模型的注意力机制拿"问题"和所有"键"比相似度，越像权重越大——数学上是近亲（第 58、64 篇）。—只让少数单元工作：大脑任何时刻只有少数神经元放电；"专家混合"模型每次只激活少数专家（第 18、63 篇）。
为什么会这样？因为它们在解同一类问题：在海量信息里找到相关的那一点，从结果里学到该怎么做，在有限的资源里不浪费。约束不同，结构不同；问题相同，解法就会趋同。这就像飞机和鸟：一个扇翅膀，一个不扇，但都得服从同一套空气动力学（第 66 篇）。
BRAIN / 08
八、把整张表摆在一起
用"约束 → 所以"的格式，把上面的内容收成一张清单。
大模型
约束：电力可以买；文件可以复制；不必自己活下去；结构由人设计，按考分、算力和市场来筛。
所以：
人脑
约束：20 瓦的能量上限；几百毫秒内必须反应；导线很慢；结构由几亿年"活下来"的筛选留下；个体会死。
所以：
—不能复制，知识只能有损地导出、在别人脑子里重建；—目标从"活下去"里长出来，学习要付代价，价值是身体的一部分。
两者相同的地方
BRAIN / 09
九、这对我们意味着什么
用 AI：用它的长处，补它的短处
—它的长处来自"可复制、读得多"：知识面广、不累、便宜、可以同时开一百个。把查资料、起草、整理、对比这些事交给它。—它的短处来自"不付代价、冻住、学文字"：它不知道你这件事的真实后果，不会因为上次说错而长记性，容易把"说得顺"当成"是对的"。所以判断、拍板、对后果负责，要留给会付代价的人（第 40 篇）。—给它补一个"出口质检"：大脑的 CA1 会把回忆和眼前的现实对一对（第 68 篇）。用 AI 时也一样：它给的结论，要能回到原始证据，才算数。
做人：把力气花在不可复制的部分
—能被写成文字的知识，越来越便宜；长在自己身上的判断，越来越贵（第 13 篇）。—而长出这种判断，只有一条路：自己去做、去错、去付代价，再回头复盘。这正是大脑学习的方式，也是大模型唯一做不到的方式。—读书是在别人的种子上重新长自己的一版（第 16 篇）。这个系列反复重写、反复复习，道理就在这里：读到不等于长成，长成要靠一遍遍重建。
BRAIN / 10
十、边界
—"约束推出结构"是一种解释框架，能把大多数差别串起来，但不是每一处结构都能这样推出；进化里也有很多偶然。—大脑"持续学习"也有边界：人同样会遗忘、会记错，成年后很多能力的可塑性也在下降。—大模型这一侧变化很快：长上下文、外接记忆、边用边学的方法都在发展，本文描述的是今天的主流做法。—"不会死所以可能没有意识"是达马西奥一派的推论，意识科学目前没有公认的检验方法。—文中能耗、数据量等数字来自本系列前面各篇引用的研究估计，量级可靠，具体数字各家有出入。
BRAIN / 11
十一、自测：合上文章回答
—大脑和大模型的"预算"，各自最关键的约束是什么？—为什么说大脑是"分布式 + 分层整合"，而不是简单的"去中心化"？—两条完全不同的路，在哪三处走到了相似的解法？为什么？—知道了这些差别，用 AI 时哪些事该交给它，哪些事要留给自己？
BRAIN / 12
十二、三行，留着复习
```
约束定结构 大脑：20瓦、要当场活、会死、几亿年筛选；大模型：电可买、可复制、不必活、按考分和显卡筛
四组差别 分布+分层 vs 集中；存算一体 vs 存算分开；一生持续学但不可复制 vs 冻住但代际极快、无损复制
相同和用法 奖励预测误差、相似度检索、稀疏激活殊途同归；查和写交给AI，判断和担责留给会付代价的人
```