2023 年,Meta 首席 AI 科學家楊立昆給當時的 LLM 熱潮潑了一盆冷水。
他指出 LLM 有根本性的缺陷:沒有持久記憶、無法從單一經驗學習、缺乏對物理世界的理解。本質上,它只是在做「下一個 token 的預測」。
從學術的角度看,他說得完全正確。
直到今天,LLM 的底層架構依然沒有變。它依然是一具每次啟動都空空如也的統計引擎。
但在三年的工程演進後,我們發現了一個讓科學家尷尬的事實:學術上的根本缺陷,工程上不一定要正面解決,繞過去一樣能起飛。
楊立昆主張要走「世界模型」的路線,讓 AI 像人一樣建立對物理規律的理解。他認為 Scaling Law(規模定律)有天花板,LLM 光靠堆算力不能產生真正的智慧。
但工程界用兩件事回應了他:
第一,資本的暴力美學。過去三年,人類往算力砸錢的瘋狂程度,讓模型規模產生的「湧現」直接蓋過了架構的粗糙。
第二,系統性的外掛補丁。模型記不住?掛上向量資料庫。模型理解不夠?接上 Vision 和工具。
這就是工程學最迷人的地方:解決問題不需要追求「本質的優雅」。
楊立昆在研究神經元的排列,而工程師在研究如何把這個「不完美的大腦」裝進一個強大的「機械外骨骼」裡。
楊立昆對 LLM 的核心批評,是他認為 Pattern Matching(模式匹配)不算真正的學習。
但如果這種模式匹配的複雜度足以模擬出文明的所有邏輯,那「學習本身到底是什麼模式」還重要嗎?
飛機與鳥的飛行原理完全不同。飛機沒有羽毛、不會拍翅膀,但在它飛得更高、更遠、更穩定的那一刻,它到底「算不算在飛」已經不重要了。
但繞過去的,跟真的解決,是兩回事。
只要底層架構沒變,楊立昆講的那些缺陷就真實存在。記憶是外掛的,不是原生的。就像義肢,裝上去能走能跑,但它跟真正的腿就是不一樣。你不能假裝它不存在。
所以雖然 AI 已經很強了,推理、寫作、寫程式,很多事做得比大部分人好,但它每次都是一個全新的大腦。沒有連續的意識,沒有累積的經驗。它所有的「記憶」、「理解」、「偏好」,全部來自你這次塞給它的上下文。
如果你去看 OpenClaw 最近的 repo 更新,你會發現記憶管理佔了很大的篇幅。怎麼讓 AI 在對話之間記住該記住的東西。
他們最近推的 QMD,把關鍵字搜尋跟語意搜尋混在一起用,就是為了解決一個問題:你三天前跟 AI 聊過的東西,它下次怎麼找得回來。
模型本身的能力會繼續進步,但只要底層是 LLM,記憶管理就是一個繞不開的大山。
用工程的角度來說,就是 Context Engineering 的重要程度,會逐漸超過模型本身。
你怎麼管理每次丟給模型的那包上下文,決定了 AI 能幫你做到什麼程度。哪些資訊該放、哪些不該放。什麼時候該砍掉重來、什麼時候該接著繼續。不同對話之間的記憶怎麼同步、怎麼取捨。
我自己每天都在處理這個問題。
舉個例子,我的 OpenClaw Agent KAI,它常常在多個頻道處理不同任務,但它們的記憶不是即時同步的。只要 還沒更新,它們就不知道彼此剛做了什麼。
所以我常常要幫它做認知同步。譬如告訴 A 分身,B 分身目前正在做什麼,然後要求 B 把做的東西整理好傳過去。或者更簡單一點,直接叫 A 去讀另一個 Discord 頻道最近兩小時的對話,讓它自己同步 B 的工作內容。
這種「認知斷裂」的現象,只要你常用 AI,一定會有很強烈的感覺。
從人格化的角度看,你會覺得它們是同一個人。但事實上,它們只是共享同一份記憶。只要記憶沒有同步,它們就是不同的人。
我現在花比較多時間在學這一塊。譬如今天 KAI 就教了我,如果讓 Claude Code 的 Opus 4.6 從外部調用 GPT 5.3-Codex,用 MCP 跟 coding-agent skill 的差異是什麼。
KAI 告訴我,差異的核心在於:中間過程要不要進主 context。
用 MCP 調用 Codex,每一個 tool call 都走 MCP 協議。Codex 過程中的每一個 turn,讀檔、改檔、跑測試、報錯、retry,全部以 tool result 的形式灌回 Opus 的 context。一個 coding task 可能產生幾十個 turn,跑完之後 Opus 的 context window 已經被中間過程塞滿了,後面每一 turn 都要重送這些垃圾。這就是 context 污染。
而 coding-agent skill 的設計完全不同。它把整個 coding task 交給一個獨立的 sub-agent,這個 sub-agent 在自己的 context 裡完成所有中間過程。跑完之後,回傳給 Opus 的是一個精簡的 handoff summary:改了哪些檔案、測試跑過了沒、有沒有殘留問題。中間那幾十個 turn 的掙扎,Opus 完全不需要知道。
同樣一件事,兩種做法,Opus 的 context 乾淨程度天差地遠。
所以同一個模型,不同的人用,產出可以差十倍。
人與人之間原本的能力差距,已經沒那麼重要了。你的學歷、你的年資、你寫程式的底子,這些東西的權重正在被 AI 快速壓縮。
取而代之的,是你怎麼使用 AI。這件事的精度,才是現在真正決定產出的變數。
你理不理解它的記憶是怎麼運作的。你知不知道什麼時候該砍掉 context 重來、什麼時候該讓它接著跑。你能不能在對的時間,把對的資訊塞進那個 context window。
這些東西有一個名字,叫 Context Engineering。
它不是什麼高深的學問,但它是所有想把 AI 用好的人,都應該深入研究的東西。
顯示更多
神经科学发现,当你把注意力放在生活中美好的事物上,大脑真的会重新塑造自己,让你更容易发现更多美好。
这就是神经可塑性的神奇之处。
你反复关注什么,大脑就会越来越擅长发现什么。
顯示更多
神经科学团队公布“让大脑更容易感到快乐的十大日常行为”,其中睡眠规律影响排名第一。
第一名:固定时间睡觉与起床,稳定神经节律
第二名:每天接触自然光至少十五分钟
第三名:进行三分钟深呼吸,降低压力荷尔蒙
第四名:写下今天完成的一件小事
第五名:减少多任务处理,专注完成单一任务
第六名:补充足够水分,维持脑部运作
第七名:与信任的人进行真实对话
顯示更多
麻省理工神经科学家 Tara Swart 在视频里提出:阻碍成事的从来不是能力、方法或者运气,而是你内心到底 “想不想”。发自内心渴望的事再难也会动手;只是觉得 “应该做” 的事,再简单也容易拖延,大脑会自动过滤掉这类目标。
很多时候想做却不动,是长期压力、高皮质醇让神经系统过载,不是意志力不行。可以问自己两个问题找回本心。当渴望足够真切,大脑才会主动捕捉机会。视频附带的芳香显化、磁性能量属于营销概念,理性看待就好。
顯示更多
我的老本行是神经科学。
入门时候最早接触的是线虫(C.elegans)的神经网络。线虫只有 302 个神经元(可以理解为神经细胞),各个的功能和连接很早就开源,但我们仍不理解他们在一起是如何工作的。
果蝇的大脑比线虫复杂一级,有约 16万 神经元,但比小鼠(1亿神经元)简单很多,谷歌这次开源的就是果蝇的神经连接组。
看来读书还是有点用的。 $果蝇
顯示更多
判断伴侣有没有把你当成自己人,有两个带神经科学依据的行为标尺。
优先听取你的意见,代表信任和归属的神经通路顺畅;习惯否定你、更信外人,会抑制催产素,慢慢拉开彼此距离。有的女性什么外人的话都听,就是不听你的...
在外会不会维护你也很关键,当众护着伴侣,是成熟的社会认知;当众揭短,则会激活对方大脑的痛苦区域,拉高压力激素。
婚姻是一场生物与社会层面的能力考验,选对适配的人,远比想着改变对方更现实。
顯示更多
今天在纽约见了做神经医学的朋友,目前正在做脑机接口。她竟然说,在学术界看来,马斯克的 Neuralink 是落后的技术。
生物看不上他用新闻稿做科学的姿态,Neuralink 属于“工程领先、科学取巧”。
从 DC 开了三个小时车过来,我原以为是叙旧,没想到聊了一下午的脑机接口、AI和存储焦虑。
她们拿融资之后能够自己设计芯片,去欧洲代工厂订做 22 纳米的版本。22 纳米是低功耗模拟芯片的黄金节点,能在 0.5V 下工作,特别适合做植入式神经记录。
目前在研究减肥针是怎么作用于大脑的。现在没人知道不同的减肥针药物,如何影响大脑抑制食欲,下丘脑和大脑的奖赏回路(多巴胺通路)具体是怎样的。于是她们在老鼠脑袋上开洞、接入芯片,需要实时测量神经信号的变化。
因为数据量大到离谱,频率非常高,所以她们需要 10000 个 TB,也就是 10 个 PB 的存储。
我第一次听到存储用PB这个单位!
神经信号要以 3 万赫兹的频率采样(每个电极每秒测 3 万次),才能捕捉到只持续 1 毫秒的神经脉冲。每个数据点才 2 字节,但你乘上几百个电极、再乘上 24 小时不停,一个探针一小时就是 80GB。
她说一块 1PB 的企业级磁盘比她一个月工资还贵,长期维护的 PB 级存储,五年下来要百万美金。研究室没那么多经费,只能每次买 1 个 PB,精打细算地用。
给个尺度感,哈佛和 Google 把1 立方毫米的人脑做到全分辨率,就是 1.4 个 PB。一整个老鼠脑,估计要一个 EB(1000 个 PB)。倒不是因为单次数据大,是频率太高。
而且,存储焦虑也不是生物医学独有的。
天文学界,SKA 射电望远镜一年要存 700 个 PB。CERN 的对撞机已经在用 EB 级别处理数据。存储,决定着前沿科学的天花板。
数据一大,通信传输会影响效率。所以我们聊到了光通信。
芯片连接材料最早用铝,1997 年 IBM 把它换成铜(电阻低 40%),现在又在从铜换成光。这正好和黄仁勋在 GTC 上讲的呼应,2025 年 3 月,英伟达发布了硅光子 + 共封装光学(CPO)的交换机,为了把 AI 数据中心扩展到百万卡级别。
为什么铜必须让位给光呢?
因为速度越快,铜能传的距离就越短(高频下铜的趋肤效应和损耗急剧上升)。到了 1.6Tb/s,一根铜线连一个机柜的高度都跨不过去。所以信号只能变成激光。
除了存储,实验室动物成本也是很高的。
一只实验室猴子,买进来要 3.5 万到 5 万美金,算上多年的特殊饲养、手术、兽医和机构管理费,一只猴子全周期下来轻松超过 10 万美金。一只老鼠 80 美金,买的是它基因纯度。
我问:为什么用老鼠和猴子,不用兔子?她说,老鼠有一整套基因工具箱(2.4 万种现成品系、基因敲除、光遗传学),猴子是因为大脑结构最接近人类。兔子智商中等两头都不沾,所以不用。
现在很多 AI 公司在挖她们这种做脑医学研究的人,原因有两个。
第一层是效率。人脑是地球上最省电的计算机。大脑做着视觉、语言、运动、推理,全部并行,只耗 20 瓦,大概一个暗灯泡。而一块高端 AI 芯片就要 300–700 瓦,训练大模型动辄几兆瓦、几吉瓦。
差别在于,计算机底层是二进制(0/1),晶体管在 GHz 频率上疯狂开关。而大脑是模拟的、稀疏放电的,神经元只在需要时才点亮、才耗能。AI 公司想偷师这种效率。所以,现在AI 公司最抢手的岗位是神经科学家。
第二层更微妙:我们其实根本看不懂大脑是怎么运作的,而 AI 现在面临一模一样的处境。
Anthropic 发现,AI 在回答你的时候,其实在内部想了一套自己的东西,而它说出来的理由,未必诚实。
举个例子:研究员偷偷给 Claude 塞一个错误答案当「提示」,它会顺着这个答案编出一套像模像样的推导, 只有 25% 到 39% 的概率承认自己用了提示。
Anthropic CEO 说,当 AI 总结一份文件时,“我们并不知道,在具体而精确的层面上,它为什么做出这些选择。”AI 的思想是个黑盒子。他们的目标是给 AI 做一台”核磁共振”,到 2027 年,希望能看懂里面在发生什么。
最后又聊到做手术。
由于大脑本身是没有痛觉的,所以人可以清醒着被开颅。老鼠被开颅、植入芯片、再缝合,可以继续正常活几个月。她笑着说可以帮我开脑,但希望我永远用不上。
聊完一整个下午,我最大的感受是:
目前我们对人脑、对 AI,其实都了解得太少了。
但也正因为如此,我越来越觉得,我们活在最好的时代。
真正的无人驾驶已经在路上跑、量子计算在飞速进步、人类在认真筹备第一次登上火星、脑机接口真的开始读懂大脑……
我今天在纽约街头连着撞见好几块 AI 和加密行业的广告:出租车顶上写着「It’s happening with Ripple」,公交广告是贝莱德的比特币 ETF,站台是OpenAI 的 Codex。
以前根本无法想象的事,都在同时发生在美国。而我们,刚好生在这个最好的时代。
顯示更多
斯坦福研究:彻底治好内耗的无自由意志理论
斯坦福神经科学家的这套观点,真的能根治职场人的精神内耗。帮助你不必纠结于过去的某个“失误”决定。
简单说,人根本没有绝对的自由意志,我们每一个选择,都是基因、成长环境、过往经历层层堆叠出来的结果,就像乌龟叠乌龟,全是因果闭环。就连自控力、理性思维,早在胎儿阶段就被家庭条件影响定型。
看懂这点就彻底释怀了:不用再纠结过去的失误、疯狂自我否定。我们当下的努力,虽然改变不了旧因果,但能给未来铺垫全新的人生链条,这就是努力最大的意义。
顯示更多
😱 前哈佛教授、顶级神经科学家 Matthew Walker 警告:
连续一周每晚只睡 6 小时,你的基因就会直接被推向心脏病和癌症!少睡 1 小时,免疫细胞活性直接暴跌 70%!
教授列出了现代人“慢性自杀”的习惯,赶紧自查!
顯示更多
值得一个终极理性人持续学习的学科是
- 经济学
- 心理学
- 哲学
- 神经科学
- 数学
除此之外,最值得持续精进的技能是 讲故事