如果將人類嘅大腦比喻成一部電腦，佢嘅能效比實在令人難以置信。我哋嘅生物硬件——大腦，耗電只係維持喺 20瓦 左右，差唔多相當於一個暗淡白熾燈泡嘅功率。不過，就係呢個微不足道嘅能量預算，支撐起數學、哲學，甚至全球文明嘅建構。
相比之下，自然界入面唔少硬件規格更「豪華」嘅選手。譬如，象嘅大腦擁有高達 2570億 個神經元，係人類（860億）嘅三倍。但點解象冇發展出複雜嘅數學或者書面語言？
最新嘅兩項科學研究——一項關於人類認知嘅進化熵減，另一項關於大腦同大語言模型（LLM）嘅深度比對——為我哋揭開咗謎底：人類智能嘅本質，唔喺於硬件嘅堆砌，而喺於對資訊嘅極致「壓縮」同「預測」。
一、 進化嘅算帳：點樣用20瓦算力「偷懶」
為咗理解人類點解咁聰明，我哋首先要似會計師咁計大腦嘅「能量帳本」。根據Michael Zhang（2025）發表嘅研究，人類智能嘅進化史，本質上係一部「語義能量效率最大化」嘅歷史。
喺呢個嚴格嘅20瓦預算下，大腦必須精打細算：
1. 視覺嘅昂貴代價：最原始嘅認知模式係視覺。處理視覺資訊極其耗能，因為自然界嘅圖像充滿冗餘同混亂（高熵）。為咗處理呢啲每秒高達1000億比特嘅原始數據，大腦嘅視覺皮層需要消耗約6瓦能量，效率極低，只有大約16.7比特/焦耳。如果人類淨係靠眼見嚟諗，大腦早就「死機」喇。
2. 語言嘅降維打擊：語言嘅誕生係第一次飛躍。透過將複雜嘅視覺場景壓縮成線性嘅聲音符號，人類將資訊處理嘅耗能降到大約1瓦左右。
3. 文字嘅終極壓縮：文字嘅發明係真正嘅「作弊碼」。佢將稍縱即逝嘅語言固化成穩定嘅符號，將記憶同計算外包畀紙張或者石板。研究估算，書寫系統嘅語義處理耗能只需0.2瓦，效率飆升到500比特/焦耳。
正正係透過由視覺到語言，再到文字嘅「熵減」過程，人類成功將大腦由繁重嘅實時數據處理中解放出嚟，用最少嘅能量達到最高嘅智能。象雖然神經元好多野，但佢哋欠缺呢種符號化嘅壓縮機制，困於高耗能嘅感官處理。
二、 大腦同AI嘅驚人共鳴：層級同時間嘅二重奏
如果話進化論解釋咗「點解」我哋要咁處理資訊，嗰神經科學就揭示咗大腦「點樣」運作。令人驚訝嘅係，人類大腦嘅處理模式同而家興起嘅大型語言模型（LLM，例如GPT‑2、Llama‑2）表現出驚人嘅一致性。
Goldstein等人（2025）發表喺《Nature Communications》嘅研究，利用高精度嘅顱內腦電圖（ECoG）技術，紀錄咗人類聽故事時嘅大腦活動，並同AI模型內部嘅運作作比較。
研究發現咗一個奇妙嘅對應關係：AI模型嘅「深度」對應住人腦嘅「時間」。
喺好似GPT呢啲模型入面，資訊係透過一層又一層嘅神經網絡嚟處理。淺層網絡處理簡單嘅詞形，深層網絡處理複雜嘅語義同上下文。研究人員發現，當人類聽到一個詞時，大腦（特別係負責語言處理嘅布羅卡區）嘅反應時間軸，完美複製咗AI嘅層級結構：
• AI嘅淺層（第1‑10層）：對應人腦喺聽到詞彙後極短時間內嘅神經活動。
• AI嘅深層（第30‑48層）：對應人腦喺聽到詞彙後較長時間（幾百毫秒後）嘅神經活動。
呢個意思係，大腦唔係即刻就理解一個詞嘅全部含義，而係喺時間長河中，好似AI一層層剝開洋蔥咁，逐步展開資訊嘅特徵。呢種線性嘅、層層遞進嘅非線性變換，證明咗現有大型語言模型喺計算原理上同人腦有本質性嘅相似處。
三、 預測引擎：為咗最小化「驚奇」
呢兩項研究最終喺「預測」嗰個概念上殊途同歸。
從資訊論角度睇，大腦係一部致力於「最小化自由能」嘅機器。外界環境充滿不確定性（高熵），對得返淨係得20瓦嘅大腦嚟講係巨大嘅生存壓力。為咗生存，大腦必須不斷預測下一刻會發生乜，以減少「驚奇」（Surprise）。
• 文字透過固定嘅符號消除了不確定性，充當咗「熵嘅錨點」，令大腦唔使時刻去估測。
• 神經網絡（無論係生物定人工）透過層級結構，根據上下文預測下一個詞，從而理解語言。
正如Goldstein嘅研究指出，大腦處理語言嘅過程，係一個不斷根據上下文進行預測同修正誤差嘅過程，呢點同GPT模型「預測下一個詞」嘅原理一樣。當我哋聽故事時，大腦其實係利用過去幾百毫秒嚟估算未來可能性，呢種計算模式喺數學上畀AI模型準確咁模擬出嚟。
結語：智能嘅未來
當我哋重新審視嗰個 20瓦 嘅大腦同擁有 2570億 個神經元嘅象時，我哋見到嘅唔再係數量上嘅差異，而係算法嘅勝利。人類智能嘅輝煌，建立喺對混亂資訊高效壓縮之上，建立喺將認知負擔「外包」畀語言同文字之上。
今日，我哋創造咗消耗大量電力嘅大型語言模型。雖然目前嘅AI喺能效上仲遠遠比唔上人腦（人腦只需20瓦），但佢哋正以一種極其相似嘅「層級預測」方式湧現出推理能力。理解到呢點，唔單止令我哋更加明白AI，亦令我哋喺矽基嘅鏡像中，第一次咁清晰睇清人類智慧本身嘅運行機理——呢場係喺極低能耗下，對抗宇宙混亂（熵）嘅壯麗史詩。
相關文章：
The Evolution of Human Intelligence: An Information‑Theoretic Perspective on Cognitive Evolution(V3)
▶️ 喜欢这篇内容？创作真的很辛苦！
欢迎关注我们的 YouTube 频道：
AI Rosetta
你的点赞、订阅和分享，是对我们最大的支持！🙏
更多AI新闻请访问：
https://www.airosetta.com