一只比芝麻还小的蜂，大脑只有几百个神经元，却让现在的AI显得很笨重

仙女蜂（Fairyfly）是目前已知体型最小的昆虫之一，体长不到0.2毫米，大脑里的神经元数量只有几百个。

但它能飞行，能寻找宿主，能定位产卵位置，能在复杂环境里完成一系列需要感知和决策的行为。

对比一下现在的AI：GPT-4据估计有超过1万亿参数，训练一次消耗的电量够一个小城市用几个月，推理一次需要专用数据中心级别的算力支撑。

然后它有时候还会算错简单的数学题。

现在主流的AI路线，从根本上就是在用蛮力换效果。

堆参数、堆数据、堆算力，这套方法有效，但代价极高，而且边际收益在递减。每次想把模型能力提升一个台阶，需要投入的资源往往是上一代的几倍甚至十倍。

做芯片的人对这个逻辑很熟悉。早年靠缩小工艺节点就能提升性能，后来发现Dennard Scaling失效了，功耗墙越来越难突破，只能转向多核、异构、专用架构。蛮力扩展的路，迟早会走到尽头。

仙女蜂的神经系统给出了一个完全不同的参考方向。

几百个神经元，处理的信息量和计算复杂度和大模型完全不在一个量级，但它完成任务的能效比，高出现有AI系统几个数量级。背后的原因目前还没有被完全搞清楚，但有几个方向是研究者比较确定的：稀疏激活、事件驱动、高度专用化的感知通路。

这和芯片架构设计里的一些思路是对得上的。

稀疏激活方案： 每次推理 → 只激活与输入相关的子网络 → 计算量大幅下降 类脑芯片方向： 事件驱动 → 有信号变化才触发计算 → 静态功耗接近于零

但有一点值得认真对待：自然界从来没有进化出"通用智能大模型"这种东西。

每一种生物的神经系统，都是高度针对其生存需求特化的。仙女蜂不需要写代码，不需要理解语言，它只需要在特定环境里完成特定任务，所以几百个神经元就够了，而且够得很优雅。

现在AI的主流思路反过来：先训练一个什么都能做的超大模型，再根据需要微调。这在商业上有道理，但在能效和架构设计上，这条路的终点在哪里，目前没人说得清楚。

对芯片工程师来说，这件事的实际含义是：

AI加速芯片的设计方向，不应该只盯着"怎么更快地跑现有模型"。更值得投入的问题是：有没有可能设计出一种硬件，让更稀疏、更专用、更低功耗的AI算法能够高效运行？

仙女蜂用几百个神经元解决了它的问题。这说明问题的规模和解的复杂度之间，并没有必然的正比关系。

有时候，更优雅的解法，需要先放弃对蛮力路线的依赖。