如果現(xiàn)在告訴你，你可以把意識上傳到電腦中，然后實現(xiàn)賽博永生，你會如何選擇？

這不是科幻，而是可能的現(xiàn)實。

3月7日，美國初創(chuàng)公司Eon Systems在X上發(fā)布了一個堪稱賽博神跡的Demo，他們把一只成年果蠅的12.5萬個真實神經(jīng)元連線搬進了計算機，這個過程中，沒有用任何代碼編寫行為，也沒有用海量的數(shù)據(jù)去訓練模型......

但神奇的是，這只“數(shù)字果蠅”在屏幕里“活”了過來，它不僅會走位，會清理觸角、甚至還會尋找食物，就像一只真實的果蠅一樣。

▲The First Multi-Behavior Brain Upload，Dr. Alex Wissner-Gross@X

在無數(shù)的科幻小說和電影里，人類無數(shù)次幻想過將自己的大腦上傳，從而實現(xiàn)真正意義上的賽博永生。

而現(xiàn)在，它實現(xiàn)了。

Eon Systems用一段僅僅43秒的視頻，將一個科技圈塵封已久的夢想再次推到了所有人的面前——全腦仿真（Whole-Brain Emulation, 簡稱WBE）

而這一次，它或許會完全顛覆已有的，通過大模型來構(gòu)建AGI的路徑，發(fā)展出一種全新的、更接近生命本質(zhì)的智能形式。

一段塵封已久的賽博往事

全腦仿真，一個更為大家熟知的說法是“意識上傳”。

這種概念最早出現(xiàn)在20世紀50年代的科幻小說中，許多偉大的科幻作家都在自己的作品中提到了這樣的設(shè)定，比如發(fā)明“機器人三定律”的艾薩克·阿西莫夫（Isaac Asimov），以及創(chuàng)作《太空漫游》的阿瑟·克拉克（Arthur C. Clarke）等等。

后來，馮·諾依曼在《計算機與人腦》中從數(shù)學和計算機角度討論機器模擬人腦的可能性，為這一思想提供了理論基礎(chǔ)。

但這一技術(shù)路徑仍然停留在設(shè)想中，直到2008年，牛津大學人類未來研究院的桑德伯格和波斯特洛姆在《全腦仿真：一份路線圖》中正式提出“全腦仿真（WBE）”的術(shù)語與工程框架，才將這一概念從科幻想象推進為具有明確技術(shù)路徑的跨學科科學研究方向。

簡單來講，如果說大模型是試圖通過模擬“智能”的發(fā)生的過程來實現(xiàn)AGI，那么全腦智能就是試圖通過還原大腦結(jié)構(gòu)來復制已有的智能。

這種想法乍一聽十分可行，但在過去近二十年里，它卻是實至名歸的科研冷板凳。

原因無它，要實現(xiàn)全腦仿真，需要的技術(shù)難度太高了。

全腦仿真不像大模型，可以通過堆算力和語料庫快速見效，它需要在納米級成像、超大規(guī)模計算、生物動力學和物理仿真這四個維度同時達到“臨界點”。

▲Whole Brain Emulation:A Roadmap，推動全腦仿真（WBE）關(guān)鍵技術(shù)發(fā)展的技術(shù)驅(qū)動力

比如，要實現(xiàn)全腦仿真，需要先對大腦進行納米級切片并用電子顯微鏡掃描；然后將海量圖像中的神經(jīng)纖維重新連接，構(gòu)建完整的三維神經(jīng)連接圖；接著分析各個突觸之間傳遞的信號和神經(jīng)活動規(guī)律；最后在計算機中對這些結(jié)構(gòu)和信號進行模擬，從而重建大腦的運行過程。

但2010年前后，掃描1立方毫米的腦組織（大約相當于一只蒼蠅大腦的體量）往往需要多臺顯微鏡連續(xù)工作數(shù)年。之后，依靠人工手動“描線”去連接神經(jīng)元，又要消耗數(shù)十萬個工時。更不用說后面還要進一步解碼神經(jīng)信號，并對這些生物信號進行動態(tài)模擬，難度只會更高。

但最近幾年，隨著相關(guān)技術(shù)的跨越式發(fā)展，這些過去看似不可能完成的任務(wù)，正在逐步變得可行。

例如，多束電子顯微鏡技術(shù)的成熟，讓掃描速度提升了數(shù)百倍，原本按“年”計算的工作周期可以壓縮到“周”。再比如，以Google的FFN算法為代表的計算機視覺算法的快速進步，又大幅推進了神經(jīng)元的自動分割和追蹤。

此外，機器學習以及MuJoCo等高性能物理引擎的開源和優(yōu)化都是Eon Systems能夠取得突破的關(guān)鍵。

具體而言，Eon Systems的這次突破首先是建立在2024年發(fā)表于《Nature》的FlyWire項目之上的，這是一張極其精密的“地圖”，科學家通過電子顯微鏡掃描，精準重建了果蠅大腦中約12.5萬個神經(jīng)元，以及超過5000萬個突觸連接。

然后，研究人員利用模型，根據(jù)突觸的形態(tài)特征，以極高準確率推斷出了每一個連接的“屬性”。最后用MuJoCo等高性能物理引擎的開源和優(yōu)化，數(shù)字生命才終于擁有了一個足夠真實的“數(shù)字練兵場”。

感知、決策、行動之間的閉環(huán)，第一次有機會在虛擬環(huán)境中真正跑通。正是Eon Systems此次技術(shù)突破的核心所在：研究人員在數(shù)字世界里，幾乎以1:1的方式，還原了一只成年果蠅的“靈魂”。

沒有任何程序員教它該如何走路，這只數(shù)字果蠅卻自發(fā)地開始行走、清理觸角，甚至表現(xiàn)出尋找食物的傾向。這些復雜行為，并不是事先“編程寫好”的結(jié)果，而是從真實生物結(jié)構(gòu)中自然涌現(xiàn)出來的。

從果蠅到人腦，中間隔著“萬重山”

果蠅全腦仿真的成功，很容易讓人繼續(xù)追問一個更大的問題：既然果蠅可以，那么人類是不是也行？

明確的答案是，理論上可以，但目前不行，而且可能未來很長時間也都不行。

原因并不復雜：果蠅與人類之間，并不是簡單的“規(guī)模擴大”，而是隔著一道巨大的工程鴻溝。

以這次成功的果蠅為例，其僅有約12.5萬個神經(jīng)元，但人類大腦卻有約860億個神經(jīng)元，數(shù)量是果蠅的近70萬倍。

目前，全腦仿真還處在一個“從昆蟲邁向哺乳動物”的階段。在此之前，學界僅完成了線蟲的大腦仿真，這是一個僅有302個神經(jīng)元的微生物。果蠅堪堪超過線蟲，再往上，技術(shù)就卡住了。

比果蠅更大的實驗體是小鼠，擁有約7000萬個神經(jīng)元，這已經(jīng)接近當前技術(shù)能力的邊界。因此，想要實現(xiàn)比小鼠復雜得多的人腦的1:1全腦仿真顯然仍然相當遙遠。

▲Drosophila cranial nerves（果蠅顱神經(jīng)），圖源：ChatGPT

之所以卡在這里，首先是因為數(shù)據(jù)規(guī)模的急劇膨脹。

神經(jīng)元數(shù)量每提升一個量級，所需要掃描、存儲和處理的數(shù)據(jù)幾乎呈爆炸式增長。

果蠅全腦的數(shù)據(jù)量大約是數(shù)百TB，小鼠如果完成完整掃描，原始圖像數(shù)據(jù)可能達到數(shù)個PB，而人類大腦的數(shù)據(jù)規(guī)模則可能逼近1ZB。

很多人對1ZB沒有概念，1ZB等于10億TB，如果1TB等于一車沙子，那1ZB可以填平太平洋。而根據(jù)IDC的預(yù)測，2025 年全球數(shù)據(jù)總量也不過175ZB左右。

這意味著，僅僅是看清并存儲一個人腦，就需要單獨建設(shè)一套頂級規(guī)模的數(shù)據(jù)中心。

而即便數(shù)據(jù)能夠獲取，第二道難關(guān)仍然擺在前面：如何讓這張“神經(jīng)地圖”真正運行起來。

大腦并不是一張靜態(tài)電路圖，而是一個持續(xù)進行電化學活動的動態(tài)系統(tǒng)。人腦中大約有100萬億個突觸，它們每秒都在不斷傳遞和調(diào)節(jié)信息。

如果依靠傳統(tǒng)馮·諾依曼架構(gòu)計算機逐一模擬這些過程，即使是今天最強的超級計算機，也可能需要幾天時間才能模擬人腦一秒鐘的活動。

但更深層的難題并不只是算力，而是我們對大腦本身的理解仍然有限。連接組學能夠告訴我們“誰和誰連在一起”，卻未必能解釋這些連接究竟傳遞什么信息、如何被調(diào)節(jié)，又為什么會產(chǎn)生特定的認知和意識狀態(tài)。

果蠅實驗之所以能夠?qū)崿F(xiàn)突破，一個關(guān)鍵的原因是，研究者對部分神經(jīng)遞質(zhì)功能做出了有效推斷。

說白了就是靠猜，而且猜中了（在小規(guī)模數(shù)據(jù)情況下是有效方法）。但一旦進入更復雜的哺乳動物大腦，這種方法就變得困難得多。

因為大腦不僅依賴“有線連接”，還存在大量“無線式”的化學調(diào)制。如多巴胺、血清素等神經(jīng)調(diào)制物質(zhì)會在腦內(nèi)擴散，對大范圍神經(jīng)活動產(chǎn)生影響，而這些機制并不能僅通過電鏡掃描直接觀察到。

這意味著，未來真正成熟的全腦仿真，不只是復制一張連線圖，還必須理解電信號、化學調(diào)制和動態(tài)活動之間的復雜關(guān)系。

而即便這些技術(shù)問題最終都被解決，人類仍然會面對另一個更棘手的問題：倫理。

如果有一天人類大腦真的被1:1仿真出來，那么這個系統(tǒng)究竟是什么？它只是一個高度逼真的行為模擬器，還是已經(jīng)擁有了主觀體驗、情感甚至自我意識？

如果它能夠感受痛苦，那么關(guān)閉模擬器是否等同于“殺死一個人”？如果它擁有記憶和身份連續(xù)性，它是否應(yīng)該擁有法律地位？

這些問題并非科幻小說里的設(shè)想，而是WBE一旦逼近人類階段就無法回避的現(xiàn)實挑戰(zhàn)。到那時，人類或許不僅需要新的技術(shù)標準，也需要一整套新的數(shù)字倫理與法律框架。

因此，果蠅全腦仿真的意義，并不在于“人類全腦上傳已經(jīng)不遠”，而在于它第一次讓這條技術(shù)路線顯得不再完全虛無。

它證明，一個復雜生物的大腦在一定程度上確實可以被掃描、重建并運行。

但從果蠅走向人類，中間仍橫著小鼠這道工程紅線，也橫著數(shù)據(jù)規(guī)模、算力瓶頸、化學機制以及倫理邊界這幾座真正的大山。對今天的WBE來說，果蠅是一座重要的里程碑，但遠不是終點。

今天，全腦仿真不再是科幻

既然距離真正實現(xiàn)人類級智能仍然遙遠，我們?yōu)槭裁船F(xiàn)在就要討論全腦仿真？畢竟有人預(yù)測，AGI可能在未來幾年就會出現(xiàn)。

答案在于，Scaling Law（規(guī)模法則）在某種程度上同樣適用于全腦仿真。

果蠅實驗真正重要的意義，并不只是完成了一次令人驚嘆的技術(shù)展示，而是第一次證明了一條完整的技術(shù)路徑是可以跑通的：掃描、重建、仿真，再到具身行為的出現(xiàn)，這一整套鏈條形成了一個可驗證的閉環(huán)。

一旦這條路徑被證明可行，問題就不再只是科學想象，而逐漸變成工程問題：如何提高掃描通量、如何改進物理模擬、如何處理更龐大的數(shù)據(jù)規(guī)模。

換句話說，從果蠅開始，WBE終于從“是否可能”轉(zhuǎn)向“如何擴展”。

更重要的是，WBE并不是大模型路線的簡單延伸，它在某些關(guān)鍵維度上代表著一條完全不同的智能路徑。

其中最突出的差異，是能效。

之前很多人說過，AI問題本質(zhì)是能源問題。一張頂級AI顯卡如NVIDIA H100的功耗接近700瓦，而訓練或運行 GPT-4級別模型往往需要成千上萬張GPU同時工作。連同散熱和基礎(chǔ)設(shè)施，整體功耗以兆瓦計，足以支撐一座小型城鎮(zhèn)的用電需求。

但同樣的工作，人腦大約只需要20瓦功耗，就能持續(xù)完成感知、記憶、推理、學習和運動控制。這只相當于一盞昏暗燈泡或一個路由器待機時的耗電水平。

▲圖源：UnSplash

兩者之間的差距，已經(jīng)不僅是效率問題，而更像是一種架構(gòu)上的代差。

正因如此，果蠅全腦仿真的成功意味著AI研究可能正在出現(xiàn)另一種范式：從過去依賴海量數(shù)據(jù)訓練的“黑盒模仿”，逐漸走向試圖復刻生物結(jié)構(gòu)的“白盒還原”。

如果這一方向持續(xù)發(fā)展，它對人工智能行業(yè)的影響將是深遠的。

首先，它為具身智能提供了一種更接近終局的思路。今天機器人系統(tǒng)的一個核心問題，是缺乏常識和自然的物理理解。

而生物經(jīng)過數(shù)億年進化形成的感知與運動能力，很大程度上就編碼在神經(jīng)連接結(jié)構(gòu)中。只要結(jié)構(gòu)還原得足夠精確，機器就可能獲得更接近生物的靈活性。

其次，它在某種程度上驗證了“結(jié)構(gòu)即智能”的假設(shè)。智能不一定只能通過海量數(shù)據(jù)堆疊出來，它也可能是一種可以被計算、被復制的結(jié)構(gòu)結(jié)果。

如果這種思路成立，那么整個AI架構(gòu)都可能被重新審視。

例如，今天以 Transformer為核心的大模型架構(gòu)，是否真的是通向更高階智能的唯一道路？未來的計算系統(tǒng)，是否會逐漸轉(zhuǎn)向更接近生物神經(jīng)系統(tǒng)的設(shè)計，比如脈沖神經(jīng)網(wǎng)絡(luò)、稀疏連接結(jié)構(gòu)和事件驅(qū)動計算？

因此，今天關(guān)注WBE，并不是因為它明天就會取代大模型，也不是因為人類全腦上傳已經(jīng)近在眼前。真正的原因在于，它正在從一條遙遠的科學幻想路徑，逐漸變成一條擁有清晰技術(shù)棧和階段性成果的現(xiàn)實路線。

大模型代表的是一種通過數(shù)據(jù)逼近智能的方式，而WBE則代表著另一種通過結(jié)構(gòu)重建智能的路徑。兩條路線未必會彼此取代，但它們之間的競爭與融合，很可能決定下一代人工智能最終會走向哪里。

正如Eon團隊所言：“Ghost is no longer in the machine. The machine is becoming the ghost.”（幽靈不再隱于機器，機器正在成為幽靈。）

當這只數(shù)字果蠅在屏幕上笨拙地邁開第一步時，它跨越的不僅是虛擬與現(xiàn)實的邊界，更是碳基生命與硅基生命之間的鴻溝。未來已來，只是分布得尚不均勻。

*文中配圖來源于網(wǎng)絡(luò)