全球頂尖科技公司正以數千億美元的規模追逐同一個目標：人類等級的人工智慧 Artificial General Intelligence (AGI)。至今還沒有人成功，不論是 Google、OpenAI，還是 Anthropic。
在目前在已知宇宙中，已存在一個具備通用智能的系統，那就是人類大腦，弔詭的是，我們對它的理解依然貧乏。
巨頭基礎設施戰爭開打，能源問題已失去控制
2025 年，光是 Alphabet、Amazon、Meta、微軟四家公司，就在 AI 基礎設施上砸下近 4,000 億美元，涵蓋資料中心、晶片與支撐前沿模型訓練所需的龐大能源系統。
同一年，非營利組織 Astera 啟動了神經科學領域罕見的大手筆計畫，由知名神經科學家 Doris Tsao 主持，致力於解開大腦如何產生意識、認知與智能行為的謎題，並明確點出其成果可望「為 AGI 提供全新框架」。這個被視為史上最具企圖心的腦科學研究計畫，規模僅是 10 億美元。
如果把比較基準換成美國政府的 BRAIN Initiative，差距同樣驚人。這項自 2014 年啟動、橫跨多個聯邦機構的計畫，歷經超過十年的積累，總投入才剛突破 30 億美元，最高峰的 2023 年也不過 6.8 億美元。這些數字，在當前 AI 資本面前，幾乎可以忽略不計。
能源問題讓失衡更加具體。Amazon 在印第安納州的 Project Rainier 耗電量達 2.2 GW，xAI 的 Colossus 與 Meta 的 Hyperion 各消耗 2 GW——1 GW 大約等於舊金山全市的用電量。
OpenAI 執行長 Sam Altman 甚至宣稱，公司的長期目標是每週新增 1 GW 的資料中心容量。
當 AI 的電力胃口已逼近地球能源供給的極限，Elon Musk 開始認真倡議將資料中心移往太空，稱「陸地解決方案根本無法滿足 AI 的全球電力需求」。
與此形成強烈對比的是，人類大腦重 1.4 公斤，僅需 20 瓦運行，卻能完成現有最強 AI 仍無法企及的認知任務。
持續學習、能源效率、真正的新知：AI 與人腦之間仍存在的三道鴻溝
人類能不間斷地習得新知，學會開車不會讓我們忘記打網球。這種能力源於大腦的神經可塑性，但 AI 做不到這件事。
現今的模型被截然劃分為「訓練」與「推理」兩個階段，一旦訓練完成，權重便固定下來。任何試圖讓 AI 持續更新的嘗試都會導致遺忘，因為人工神經網路的知識以全域方式，分散在所有權重中，修改任何一部分都可能波及整體。人類大腦的稀疏且模組化結構則讓學習可以局部發生。
AI 評論者 Dwarkesh Patel 在親身嘗試以 LLM 建構後製工作流程後指出，LLM 不像人類那樣隨時間進步。模型的能力在拿到手的那一刻就已定型。他認為人類員工的核心價值不在於原始智力，而在於能夠累積脈絡、從失敗中反省，並在實踐中磨練細節——這正是 AI 今天最大的缺口。
一旦持續學習被解決，影響將是非線性的；一個具備此能力的 AI，可能在無需任何進一步演算法突破的情況下，同時學習世界上的每一份工作並匯聚知識，迅速成為超級人工智慧。
至於大腦「省電」的原因有幾條重要線索。大腦是類比電腦，計算直接發生在神經元中，無需離散的高精度步驟。記憶與運算在同一物理單元發生，但現今 AI 高達 90% 的能耗，不是用於運算，而是用於在記憶體與處理器之間搬運資料。
雖然有企業嘗試突破這個限制，包括 Groq 以靜態隨機存取記憶體將記憶與處理實體交錯，已被 Nvidia 以 200 億美元收購；新創公司 Unconventional AI 獲得紅杉、a16z 等共 4.75 億美元投資，目標是打造能效高出現有 GPU 數個數量級的類比電腦。但受限於對大腦的理解仍過於粗糙，這些努力尚難真正逼近大腦的效能邊界。
事實上，大型語言模型的本質，是對人類既有知識的極度複雜重組，能力上限被鎖在人類過去已知的範疇內。
Google DeepMind 執行長 Demis Hassabis 曾提出一個 AGI 測試：給 AI 一個截止於 1911 年的知識庫，看它能否獨立推導出愛因斯坦在 1915 年提出的廣義相對論。目前沒有任何 AI 能做到接近這件事。在已知宇宙中，唯一能產生這種洞見的系統，是人類大腦。
強化學習或許是目前最接近「自主產出新知」的 AI 範式，AlphaGo 的第 37 手棋即是一例，但圍棋是極度封閉、規則完備的環境，這個成就至今無法複製到物理學、生物學或任何真實世界的知識域。
理解大腦本身或許是縮短差距的真正槓桿點
要真正理解大腦的設計原理，而不只是從外部觀察它的行為，科學家需要一張完整的配線圖，也就是大腦所有神經元與突觸連結的完整地圖，稱為連接體（connectome）。
普林斯頓大學教授、連接體學先驅 Sebastian Seung 將這項工程比擬為神經科技領域的人類基因組計畫：沒有基因組，生技產業不會從利基市場成長為數兆美元的產業；沒有連接體，神經科技的潛力同樣永遠無法兌現。
這條路已經走了一段。1986 年，研究者完成了只有 302 個神經元的線蟲連接體，是史上第一個動物連接體；2024 年底，Seung 的團隊完成了約 13.9 萬個神經元的果蠅連接體。下一個里程碑是小鼠連接體，約 8,500 萬個神經元，與人類大腦有 99% 的基因重疊，預計研究造價低於 1 億美元——而這筆錢不到四大科技巨頭今年 AI 支出的萬分之一。
但「理解大腦就能解鎖 AGI」至今仍是假設
今天的 AI 競賽，本質上是一場算力的軍備競賽：投入更多晶片、更多電力、更多資金，期待模型能力隨之提升。這條路確實有成果，但 AI 做不到持續學習、能源效率追不上，說明光靠堆算力，可能有其根本的天花板。
反過來說，投資腦科學的問題不是錢，而是時間。它的回報不會出現在下一季財報，所以資本自然不會流向那裡。
當然，「理解大腦就能解鎖 AGI」至今仍是假設，不是已被證實的結論，但有一個細節值得注意，當今兩家最重要的 AI 實驗室 DeepMind 與 Anthropic 的負責人 Hassabis 與 Amodei，都擁有神經科學博士學位。
而 Hassabis 說他當初選擇神經科學，是因為大腦是他所知唯一的通用智能實例。
【推薦閱讀】
◆ 【還有 700 天準備】AGI 若在 2027 年實現，人類如何因應「智慧被超越」的衝擊？
◆ Appier CEO 游直翰：AGI 不是單一強大 Agent，而是眾多 AI Agent 串聯合作
◆ 從 AGI 到 HSI：微軟為 AI 競賽開出「人類可控」新賽道
＊本文開放合作夥伴轉載，參考資料：Dwarkesh Patel、《Forbes》，圖片來源：Unsplash
（責任編輯：鄒家彥）
