福布斯：比脑机接口更令人激动的技术，“脑孪生”复制大脑认知

数字孪生脑的实现方法论，很大程度上得益于交叉学科的背景。

在受访者看来，这一方法论涉及三个层面的核心难点，分别对应计算机、数学与生物学三个领域。

这种跨越硬件、算法与神经科学的整合，让它天然就区别于传统人工智能的单点突破，也让它比目前主流的脑机接口路线更接近"复制认知"的本质。

首先是计算机层面的难点，860亿个神经元并不是单独存在、也不是没有任何结构的孤立单元。

如果只是简单地对其进行模拟，实际上并不难实现——把芯片堆叠起来，把计算机堆叠起来，每台计算机模拟一个神经元即可，这是普通人的直觉想法。

然而真实情况并非如此，最难的地方在于，每个神经元还要与另外大约1000个神经元建立连接，彼此之间需要相互通讯，这种通讯本身就是一个巨大的问题。

人脑在正常运转、处理各种事务时的通讯量，是整个国家所有无线通讯总和的33倍；换言之，即便把全世界所有的无线通讯加在一起，也仍然赶不上此刻大脑内部的通讯量，这完完全全是另外一种计算方式。

因此，如何在今天的计算机架构上实现这样的通讯，就成为一个必须攻克的大问题，需要发展新的路由方法，也就是当某个节点收到信息之后如何再把它传递出去，这是计算机层面要解决的事情。

正因如此，"复制大脑"和"制造一颗更聪明的芯片"完全不是一回事。

它要求研究者跳出冯·诺依曼式的串行思维，去重新定义什么叫"节点"、什么叫"带宽"、什么叫"寻址"。

可以说，脑机接口解决的是人脑和机器之间的"翻译"问题，而数字孪生脑要解决的是把整个"翻译源"完整搬进硅基世界的问题——这也是它被视为更激动人心的一层原因。其次是数学上的难点。

所有的人工智能，包括今天人工智能学习里所提到的"权重"（weight），实际上也源自神经科学。神经科学中，两个神经元之间传递信号所依赖的即是所谓的"突触权重"（synaptic weight）。

当信号从一个神经元发送过去，另一个神经元接收到之后，经过学习，这个权重会被放大——原本发出的信号是"一"，接收到的可能就变成了"二"，本质上就是权重的改变。

基于此，每个神经元至少与另外1000个神经元存在连接，这个连接数被称为"度"（degree）。由此推算，整个系统中存在着约100万亿个突触权重需要学习。

能不能通过数学上的方法把这100万亿个参数学出来，是研究团队花了很大力气去攻克的问题，这就是数学上必须解决的难题。

作为参照，当前主流大模型的参数量普遍在千亿级，与100万亿之间还差着三个数量级。

这也解释了为什么单靠堆叠现有的深度学习框架无法通向数字孪生脑：不是简单地把模型做大，而是要用一套能够贴合真实生物连接结构的数学范式，把海量参数在有限算力下学习出来，还要保证它们对应的是"这个人"的大脑，而不是"某个平均人"的大脑。

第三个是生物学上的难点。假设参数已经学得很好，在静息态下，数字孪生脑与真实大脑的相似度已经达到了较高的水平。

具体而言，可以把大脑划分成10万块，每一块对应一条时间序列，也就是10万条时间序列在同步运行。数字孪生脑这边同样能够基于860亿神经元的模型，计算出对应的10万条时间序列。

通过相应的模型可以衡量两组时间序列之间的相似度，或者说某种意义上的距离有多大，目前能达到94%，这已经是相当不错的成果。

但这种成果本身其实是"没有用"的，因为它对应的是静息态——大脑此时并不"干活"，也不参与任何具体任务。

真正有意义的，是让它能够与环境发生相互作用。例如做自动驾驶时，需要它去控制车辆如何行驶。

因此，如何让数字孪生脑走出静息态，参与到与外部环境的交互中去，就构成了又一个必须跨越的难点。在这一点上，学界已经出现了颇具启发意义的先行探索。

就在去年，斯坦福大学的研究团队构建出首个小鼠视觉皮层的AI模型，让数字化的神经回路第一次在具体感知任务中和真实生物组织给出接近的反应。

这一成果与"走出静息态"的诉求高度呼应：它意味着从"看起来像大脑"过渡到"用起来像大脑"，正在从愿景变成可验证的科研路径。综合来看，数字孪生脑的构建同时面临计算机上的难点、数学上的难点以及生物学上的难点。

只有在克服了这三重难点之后，才能真正把数字孪生脑做成，也才能让这样的数字孪生脑在实际场景中被使用起来。

三者环环相扣，缺一不可：算力架构决定了神经元之间能否高保真地"说话"，数学方法决定了百万亿级参数能否被真正学出来，而生物学的验证则决定了它究竟是一个漂亮的仿真，还是一个可以嵌入现实、承担任务的智能体。

为什么说"脑孪生"比脑机接口更激动人心？脑机接口解决的，是让大脑向外延伸、驱动机械；而数字孪生脑试图做的，是把大脑本身作为一个可复制、可运行的系统搬到硅基世界里去。

前者拓展了人的边界，后者则重新定义了"人"的存续方式。当下的产业进展，也在同步为这条路径提供背景板。

随着侵入式脑机接口完成新一轮人体植入手术，神经信号的高保真读取正在快速推进，这为数字孪生脑提供了更精细的"参照物"；与此同时，围绕单一皮层区域的AI模型已经跑通，为整脑级模型积累了必要的方法论碎片。

二者合流所指向的，是一个更大胆的愿景：创造基于个人大脑的人工智能系统，让每个人独有的认知模式都能被数字化地保存、复制与扩展。

这也是"脑孪生"真正激动人心的地方——它不是要造一个更聪明的通用AI，而是要造出"你之为你"的那份认知。

当计算机架构、数学方法和生物学验证三重难点被逐一化解，人类第一次有机会让思维本身脱离肉身的边界，在数字世界里获得可以被理解、可以被延续的存在形态。

而这一未来是否值得期待，答案已经开始在860亿神经元与100万亿突触权重的映射之中，逐渐显形。