从大脑出发的AI之路：Dileep George谈推理、皮层与GPT-3

在这期Lex Fridman播客中，Dileep George系统阐述了他对“类脑AI”的核心信念：不理解大脑，就难以构建真正具备推理能力的智能系统。本文提炼他关于皮层结构、反馈连接以及与GPT-3差异的关键洞见。

为什么“不理解大脑”，AI推理就走不远

这一讨论的起点，是一个看似简单却极具挑战性的问题：我们是否必须理解大脑，才能构建真正智能的机器？Dileep George给出的回答非常明确。他认为，仅仅依靠更大的数据和更多的参数，无法解决“推理”这一核心问题。现有很多AI系统在模式匹配上表现惊人，但一旦面对分布外的问题，就显得脆弱。

他强调，大脑并不是一堆随机堆叠的神经元，而是经过长期进化形成的高效结构。“你需要理解原则，而不只是实现结果。”这句话点出了他的核心方法论：类脑AI不是复制生物细节，而是提炼支配智能的基本原理。正因为如此，他对单纯扩大模型规模的路线持保留态度，认为那可能会带来短期能力提升，却难以产生真正的通用推理。

在他看来，推理并不是额外叠加的模块，而是系统结构自然涌现的能力。这也是为什么他反复强调，要从大脑的组织方式出发，而不是事后给模型“补上”逻辑能力。

皮层柱：被低估的智能“基本单元”

为什么大脑结构如此重要？George将注意力集中在新皮层的“柱状结构”（cortical column）上。这一结构是神经科学中反复被观察到的现象：成千上万的神经元以相似的微回路方式重复排列。仅凭实验观察，神经科学家就已经确认，这种结构在不同脑区高度一致。

George提到，一个关键但常被忽视的事实是：这些皮层柱并不是被动接收信息，而是通过大量反馈连接彼此通信。也就是说，大脑的信息流并非单向自下而上，而是持续在不同层级之间循环。这种反馈机制，使系统能够在不同抽象层次上不断修正自身的理解。

他指出，很多现代深度学习模型虽然层数很深，但反馈在其中并不占据核心地位。而在大脑中，反馈几乎是默认配置。这种差异，直接影响了系统是否能形成稳定、可解释的内部表征，也关系到推理能力能否自然出现。

从“可工作的模型”出发，而非完美理论

在实践层面，George分享了一个重要策略：先构建一个“完全可运行的模型”，再不断迭代，而不是等待一个完美无缺的理论。他回忆说，很多关于皮层的假设，都是在模型反复失败和修正中逐渐成形的。

这种方法论非常工程化，但并不草率。他们会从最基本的假设出发，例如信息如何在微回路中流动、不同层级如何表示同一对象的不同抽象，然后通过实验检验哪些假设站得住脚，哪些需要被推翻。正如他所说，这是一个“iteratively（迭代地）”逼近真实大脑工作方式的过程。

值得注意的是，他并不声称自己的模型已经等同于大脑。相反，他多次强调，这些只是对关键原理的近似。但正是这些近似，让系统在某些任务上展现出传统架构难以实现的泛化与推理特性。

与GPT-3的分野：规模之外的另一条路

当话题转向GPT-3时，讨论变得尤为具体。George并未否认GPT-3的成就，但他明确指出，两者的设计目标截然不同。GPT-3依赖超大规模参数和数据，在语言生成上表现惊艳，但其推理更多是“隐含在统计相关性中”。

相比之下，类脑模型更关注动态推理（dynamic inference）——系统在运行时持续更新内部状态，而不是一次前向计算就给出答案。这种能力，使模型在面对新情境时，可以像人一样逐步修正判断，而非完全依赖训练分布。

他提到，有些事情是这类模型可以做到、而GPT-3难以胜任的，原因不在于谁“更聪明”，而在于底层假设不同。这并不是对现有路线的否定，而是提示AI领域仍然“wide open”，远未到路径收敛的时候。

总结

这场对话的价值，不在于给出一个现成答案，而在于提供了一种不同的思考坐标系。Dileep George反复强调：真正的智能，来自结构与原则，而不仅是规模与算力。对读者而言，这既是一次关于类脑AI的技术启蒙，也是一种方法论提醒——当一条主流路径看似势不可挡时，理解其盲点，或许正是下一次突破的起点。

关键词： 类脑AI， AI推理， 皮层柱， 反馈连接， GPT-3

事实核查备注： 人物：Dileep George；播客：Lex Fridman Podcast #115；时间：2020-08-14。技术名词：cortical column（皮层柱）、feedback connections（反馈连接）、dynamic inference（动态推理）、GPT-3。观点均来自对话内容的概括与引述。