既然神经元的结构非常简单，那么为什么不制造几百亿个模拟神经元来模拟人脑？

现在的深度学习模型不都是这样吗？

为什么最开始他们那些模型都叫net，比如李飞飞赖以成名的imagenet，这个net就是“模拟的神经网络”的意思。

scaling law就是因为net的节点规模足够大，所以“涌现”了“智能”。

实际上这么多年的机器学习，首先它的基础就是“模拟神经网络”与“模式识别”，开始是文字和图片，后来是“多模态”，为什么llm大模型最先取得突破，一个是language或者说text的语料足够多，这样其“模式”就足够多，可识别，可“向量化”，其次就是text向量起来信息密度高。

而“神经网络学习算法”则经历了很久的沉寂，实验室的苦禅，到工业界的突破。

最主要的突破在于transformer的发明

和scaling law

还有attention is all you need，这个大概在scaling law之前

scaling law就是节点和参数呀，就是你讲的模拟“几百亿个神经元”，组成的神经网络。

所以当前的基于llm（大语言模型）的AI热潮，都是神经网络学习的发展，超大规模模拟神经网络学习。

——

不过，由于神经元本身的“简单”和“神经突触可塑性”，以及“神经递质代谢”，这些“非常简单”（当然是反话）的结构生物学，神经生理与神经代谢，计算机科学家与神经科学家与脑科学家与生命科学科学家们的全体，至今也还没有搞清楚，也无法“全真模拟”几百亿个神经元，别说几百亿个，400多个神经元的秀线隐杆菌虫这种模式生物的神经系统，结构可能还只能大致模拟，代谢估计很难模拟了。

有一个项目是美国的brain和brain2.0，其中还分了好多钱给一个“连接组学”的研究，这就是正规的人脑神经元“组网”的研究，可能花了几个亿美元，完成了人脑一立方厘米，注意是一立方厘米，的“连接组结构扫描和影像数据库”。

（成年人的大脑体积通常在 1100 到 1500 立方厘米 (cm³) 之间。

• 男性： 平均约为 1260 cm³。
• 女性： 平均约为 1130 cm³。）

所以，你说模拟人脑，是已经在做的，但是模拟要“达到人脑的水平”，那还有很远很远的路要走。

因为神经元虽然简单，但是神经突触，神经网络（连接组），太复杂了。

神经突触可塑性，一方面是“长期记忆的储存结构”，一方面也是“神经网络链接复杂性”的来源。这个也太难模拟了。

神经元结构是简单，复杂的在于它的组网及重组，代谢与调节。

说实话一个一吉瓦的llm数据中心还没有一个一天消耗一碗大米饭的能量的大脑复杂。